跨平台轉換落差的四個結構性成因
跨平台轉換落差來自四個結構差異：歸因視窗長度、瀏覽後轉換是否計入、跨裝置識別能力，以及各平台自訂的轉換事件定義。追蹤程式沒有壞掉，Meta 與 GA4 回答的本來就是不同的問題。
跨平台轉換對不上，來自四個結構差異
Meta
先看歸因視窗。Meta 預設採用 7 天點擊加 1 天瀏覽。Google Ads 允許 1 到 90 天的點擊視窗。GA4 預設走資料驅動歸因，把功勞按比例分給所有管道。三套規則對同一筆訂單的認領範圍不同，加總起來當然對不上。
第二個成因是瀏覽後轉換。使用者滑過廣告沒有點，隔天自己搜尋品牌名下單，Meta 會把這筆記在自己帳上。GA4 只記錄形成網站工作階段的點擊，完全不知道有那則廣告曝光過。
瀏覽後轉換（View-Through Conversion）指的是使用者看過廣告但沒有點擊，之後透過其他路徑完成購買。Meta 預設把這類轉換計入成效，GA4 沒有曝光建模，所以兩邊天生不對等。
Meta asks, “Did my ad directly influence this sale?” while GA4 focuses on, “How did different channels work together to make this sale happen?”
第三個成因是跨裝置。手機看廣告、筆電比價、平板結帳，這是很常見的路徑。Meta 憑登入帳號把三個裝置視為同一人。GA4 沒有啟用 User-ID 的話，同一個人可能被記成三個使用者。
第四個成因最容易被忽略，是事件定義。我們的實務建議是，Meta 的購買事件與 GA4 的 purchase 事件指向同一個 SKU，value、currency、transaction_id 三個欄位完整匹配。少了一欄，兩邊比較的基準線就不一樣。
Adamigo AI 文中引用的平均值是，Meta 比第三方分析工具多回報 26% 的轉換；反方向同時存在，GA4 因為 Cookie 拒絕與廣告阻擋器，會低估付費活動轉換 18-35%。一邊往上、一邊往下，兩個數字不可能自己收斂。
四個成因裡沒有一個是技術故障。既然成因是設計差異，要求三邊數字對齊，就是在要求三個不同的問題給出同一個答案。
Meta 在 2026 年動了兩次歸因規則
Meta 在 2026 年 1 月移除兩個瀏覽歸因視窗，3 月又把點擊的定義縮窄到只認實際連結點擊。兩次調整都讓後台數字往下走，卻與廣告本身的表現無關。
| 時間 | 調整內容 | 來源 |
|---|---|---|
| 移除 7 天瀏覽與 28 天瀏覽兩個歸因視窗 | DOJO AI | |
| 宣布點擊歸因改為只認實際連結點擊 | DataSlayer |
過去只要使用者對廣告做了任何動作，都算一次合格互動。
Before March 2026, Meta’s click-through attribution counted any click on an ad as a qualifying interaction. That included link clicks, but also likes, shares, saves, comments, profile taps, and image expansions.
調整後，只有把使用者送往網站、App 或名單表單的連結點擊才算數。按讚、分享、收藏這些動作全部被排除在點擊歸因之外。
所以 3 月之後的數字下滑，多半是計算規則變窄造成的。把 3 月前後的數據畫在同一張趨勢圖上比較，得到的斜率沒有意義。正確做法是分成兩個基準期，各自累積自己的歷史區間。向客戶解釋時，這個區分尤其重要，否則很容易被當成投放品質出了問題。
跨平台轉換落差到多少才算不正常
依 1ClickReport 的讀數，Meta 通常比 GA4 多報 20-50% 的轉換。Databox 則指出，把各平台宣稱的轉換全部加總，經常會得到實際成交客戶數的 150-250%。落差有正常區間，超出才需要排查。
先建立一個觀念：落差不會愈小愈好。要追求的是穩定。每個月記錄一次比例，形成自己帳號的歷史基線，比對照任何業界數字都準。基線跑掉的那個月，才是進去查的時候。
Databox 的說法是，把每個平台宣稱的功勞加起來，經常會超過實際客戶數 50%，有時是 100% 以上。加總這個動作本身就製造了不存在的業績。
The same companies that sell you the impressions built the systems that measure whether those impressions worked.
這句話點到了問題的體質。廣告平台的季度營收綁在證明成效上，量測系統不是中立的觀察者。平台數字仍然有用，只是它適合看同一個管道內部的趨勢變化，不適合拿來做跨平台的絕對值比較。
實務上的排查門檻可以設在 40%。差距落在區間內，記錄下來就好。超過門檻再進去檢查 Conversions API 有沒有正確部署、event_id 有沒有做去重、UTM 參數是不是漏掛。把力氣留給異常值，是這件事唯一划算的做法。
GA4、廣告後台、訂單系統各自回答什麼問題
三份數據不需要一致，需要的是分工。訂單系統看實際成交、GA4 看跨管道的相對貢獻、廣告後台看單一管道內部的優化方向。搞混角色，數字就會被拿去回答它答不了的問題。
三份數據各有分工：訂單系統仲裁，GA4 看跨管道，後台管單一管道
訂單
| 維度 | Meta 廣告後台 | GA4 |
|---|---|---|
| 計算對象 | 受到廣告影響的人 | 網站上發生的轉換 |
| 瀏覽後轉換 | 計入 | 不計入 |
| 跨裝置識別 | 以登入帳號串聯 | 需啟用 User-ID |
三者之中，訂單系統是唯一的仲裁點。Shopify 或 WooCommerce 後台的成交筆數，是真的有錢進來的那個數字。營收判斷以它為準，另外兩份只是解釋過程。
GA4 的角色是中立的跨管道視角。它回答的是：這個月自然搜尋、付費社群、電子報各自貢獻了多少比例。這個問題廣告後台答不了，因為它只看得見自己。
廣告後台則負責管道內部的優化。哪一組素材的成本在掉、哪一個受眾組合撐得住規模，這些判斷要用平台自己的數字，因為演算法就是照那套邏輯在學習。
成本最低的改善項只有一個，就是把 UTM 參數補齊。所有廣告素材加上 utm_source 與 utm_medium，GA4 才接得到來源資訊。漏掛的流量會被丟進 direct，落差會被憑空放大一截，而這件事花的時間不到半天。
增量測試把問題從分配信用換成估算因果
歸因模型回答的是功勞怎麼分，增量測試回答的是沒有這檔廣告會怎樣。預算決策要的是後面那個答案，而前面那個問題在隱私限制下已經愈來愈難算準。
incrementality testing 的做法不複雜：把某個管道的廣告關掉兩週，比較同期業績的變化。差額就是這個管道真正帶來的增量。關廣告需要膽量，但它給出的是因果訊號，不是分配比例。
歸因模型的前提是追蹤得到完整路徑。當跨裝置連結斷裂、瀏覽後轉換無法驗證，模型輸出的就是估算值。Meta 的建模轉換填補了追蹤缺口，同時也把數字放大了，本質上屬於推估。
比較務實的做法是這樣。每季做一次平台級的開關測試，把結果當成預算分配的依據，平常仍用 Meta 與 GA4 的數字做日常優化。兩者不衝突。前提是心裡清楚，日常優化用的那個數字，不適合拿去回答值不值得繼續投這件事。
銷波快觀點：先問這兩個數字是不是同一個口徑
在拉報表的時候遇過一個更基本的問題。同一檔廣告底下兩個廣告組合，一組的優化目標是 CONVERSATIONS，成效 53 次訊息對話；另一組是 POST_ENGAGEMENT，成效 113 次互動。53 加 113 等於 166，這個數字沒有意義。單位不同的東西相加，得到的是一個看起來像數字的東西。跨平台加總的問題跟這個完全同構，只是規模更大。
更危險的是比率。把兩組放在同一張表上，互動那組的 CPC 會顯示 NT$239，因為那組兩天只有 1 次連結點擊。數字本身沒錯，但它一定會被拿去跟另一組的 NT$6.0 比較，然後得出完全錯誤的結論。所以後來拆成兩個分頁。拆分頁的理由不是版面整齊，是讓不可比較的東西沒有機會被並排。
欄位選擇也教過我們一次。兩個中文都會被講成「互動」的欄位，post_engagement 和 results，在同一個廣告組合、同一段期間分別回 411 和 113，差 3.6 倍。看到 411 那一瞬間其實覺得比較漂亮，直到想起對方會打開 Ads Manager 核對，才回頭去確認 results 的定義。跨平台落差也適用同一條規則：挑哪個數字，看的是對方會拿什麼來對，不看哪個比較能代表成效。
還有一種落差根本不是歸因造成的。查某個廣告帳號時撈出兩顆同名的像素，活動實際掛的那顆當天還在觸發，另一顆的 last_fired_time 顯示 1969-12-31，從來沒收過任何事件。選錯不會有警告、不會報錯，報表只會安靜地印出一整排 0，而 0 在轉換廣告的前幾天看起來完全正常。所以在檢討 GA4 與後台差多少之前，先用 promoted_object.pixel_id 回讀確認掛的是哪一顆。
最後是看數據的時間尺度。花 100 元賣出一張 4380 元的課程，ROAS 43.8，再花 9900 元可能一張訂單都沒有。廣告不是線性成長，資料量愈大愈接近真實值。跨平台落差也一樣，單月的比例會跳，要看的是幾個月下來的趨勢方向。數據反映的是策略對不對，不是用來糾結每天波動的。
結論：落差是常態，穩定的基線才是資產
Meta 在三月收緊了點擊定義，數字往 GA4 靠近了一點，但四個結構成因一個都沒有消失。要求三邊對齊，等於把分析資源丟進一個沒有答案的問題。
可以現在就做的有三件事：把 UTM 參數補齊、每月記一次 Meta 與 GA4 的落差比例建立自己的基線、以及把三月前後的數據分成兩個基準期看。三件都不需要開發資源。
真正的分水嶺在決策層。當有人問這檔廣告值不值得繼續投，翻 Meta 後台或 GA4 都是找不到答案的。那個問題要靠關掉兩週來回答。
喜歡這篇？讓行銷變好懂，訂閱銷波快。
資料來源
- Meta vs GA4: Resolving Reporting Differencesadamigo.ai
- The Ad Attribution Problemdatabox.com
- Meta Attribution Change 2026dataslayer.ai
- Meta Ads Attribution 2026: What Changed, Why It Matters, and How to Fix Itdojoai.com
- GA4 Attribution Report 2026 Guide1clickreport.com
- Why Attribution Is Breaking in 2026sinuatemedia.com
- Why GA4, Meta & Google Conversions Don’t Matchmbuzz.co
- Why Conversions Don’t Match Across Meta, Google, and GA4medium.com
