
規則型歸因模型的四種分法與停用時間
規則型歸因模型會事先寫死分配比例。GA4 停用的四種是首次點擊、線性、時間衰減與位置型,Google Analytics 說明頁標註的停用時間是 2023 年 11 月。
規則型歸因模型指的是由人先決定功勞怎麼分,系統再照規則套用。它不看歷史轉換路徑,所以每個帳號套出來的比例都一樣。
四種規則各有立場。首次點擊把功勞全給第一個接觸點,適合看誰把人帶進來。線性把功勞平均分給每個接觸點。時間衰減讓越接近成交的接觸點分得越多。位置型則照顧頭尾兩端。
位置型又叫 U 型。行銷報表平台 TapClicks 在 2026 年的歸因模型指南裡寫出它的比例:首次接觸 40%、最後接觸 40%、中間接觸共分 20%。社群洞察工具 Syncly 的作者 Luke Bae 在網紅 ROI 文章裡給的也是同一組 40/20/40。
這些規則好懂,也好跟老闆解釋。問題在於它們的比例是人拍板的。你決定首尾各拿 40%,報表就照 40% 給你看。報表反映的是你的假設,不是消費者實際怎麼走。
Google 在 把這四種從 GA4 拿掉。Google Analytics 說明頁在注意事項裡寫明,這四種歸因模式自 2023 年 11 月起停用。
所以現在還在教「到 GA4 切線性歸因」的文章,內容至少落後了將近三年。具體來說,舊的 UA 截圖、舊的模型比較表,都已經對不上今天的後台。
那四種下架之後,後台到底還剩什麼可以選?
規則型歸因模型下架後,GA4 剩下哪三種
GA4 歸因報表目前只有三種模型。Google Analytics 說明頁列出的是資料驅動歸因、付費與自然末次點擊,以及 Google 付費管道末次點擊。
| 模型 | 狀態 | 功勞怎麼分 |
|---|---|---|
| 資料驅動歸因 | 目前可用 | 依帳號自己的轉換路徑資料計算 |
| 付費與自然末次點擊 | 目前可用 | 忽略直接流量,全部給轉換前最後點擊的管道 |
| Google 付費管道末次點擊 | 目前可用 | 全部給最後一次 Google 付費點擊 |
| 首次點擊、線性、時間衰減、位置型 | 已停用 | 2023 年 11 月起不再提供 |
三種裡面,兩種是末次點擊的變體。換句話說,GA4 給你的實際選擇只有兩條路:讓演算法分,或全部給最後一個非直接點擊的管道。
資料驅動歸因的好處,是它會看你帳號自己的路徑。壞處是它像黑盒,你很難跟主管說清楚為什麼這個管道拿到這麼多功勞。前提是帳號要有足夠的轉換量,資料太少時模型很難學出可靠的分配。
末次點擊剛好相反。它透明、好驗證,任何人都看得懂。代價是上漏斗的接觸點幾乎拿不到功勞。
TapClicks 的指南把這件事講得很直白:「There’s no universally “best” model — the right choice depends on sales cycle length, data maturity, and what decision the report needs to support.」翻成白話,沒有萬用的模型,要看銷售週期、資料成熟度,以及這份報表要支援哪個決策。
規則型模型拿掉以後,選擇空間其實變窄了。以前你還能用線性看一眼全旅程,現在只能在兩種邏輯之間切換。
GA4 這邊縮小了選項,Meta 那邊則在 2026 年改了定義。
Meta 互動瀏覽歸因讓前後期數字不能直接比
Meta 在 2026 年 3 月把按讚、分享、儲存這類非連結互動移出點擊歸因,改放進新的互動瀏覽歸因。Meta 廣告報表工具 GoodMorning 的分析指出,互動瀏覽歸因的預設窗口是 1 天。
該文的原文是:「In March 2026, Meta moved likes, shares, saves, and other non-link interactions out of click-through and into a new “engage-through” bucket.」
以前有人按了讚、隔幾天下單,這筆轉換可能算在點擊歸因裡。現在它被拆出去,歸到互動瀏覽。點擊歸因只剩真的點了連結的那些人。
影片的門檻也改了。GoodMorning 寫到,影片觀看的觸發門檻從 10 秒降到 5 秒。理由是 Meta 自己的數據:Reels 帶來的線上購買轉換,有 46% 發生在觀看的前 2 秒內。
同一篇分析還記錄了更早的一次變動。Meta 在 從 Ads Insights API 永久移除了 7 天瀏覽與 28 天瀏覽兩個選項。
兩次變動疊在一起,結果是同一批廣告在 Meta 後台的點擊轉換數變了,GA4 那邊卻沒有任何對應的改動。報表上的落差,可能只是分類規則換了。
這對 GA4 使用者有什麼影響?很直接。GA4 看的是有進到網站的工作階段。Meta 的互動瀏覽歸因則包含沒點連結的人。兩邊本來就在數不同的東西。GoodMorning 的分析指出,改定義後 Meta 與 GA4 的落差多半縮小,但前後期的 Meta 數字不能直接比。
如果你這個月發現 Meta 的點擊轉換掉了,先別急著砍預算。先看報表欄位,確認有沒有多出互動瀏覽分項,再去比較前後期。
可是就算兩邊欄位對齊了,還有一個更根本的問題沒解決。
為什麼歸因報表需要增量測試來驗證?
歸因報表只能描述轉換路徑上出現過哪些接觸點,回答不了「拿掉這個接觸點,訂單還會不會發生」。行銷 AI Agent 平台 DiGGrowth 的歸因分析主張用 incrementality testing 補上因果這一段。
incrementality testing(增量測試)是把受眾分成看到廣告與沒看到廣告兩組,比較兩組的轉換差距。這個差距才是廣告真正多帶來的訂單。
不管是規則型還是資料驅動,所有歸因模型做的都是分功勞。它們把已經發生的轉換切成幾塊,分給路徑上的接觸點。它們沒有去問反事實:要是那個接觸點不存在,結果會不會一樣。
Attribution shows correlation; incrementality proves causation. Combining both gives marketers true clarity on what drives conversions, ensuring smarter spend, higher ROI, and accountable decision-making.
該文給的做法分兩步。先用多觸點歸因看高轉換路徑,找出常出現的接觸點。再用增量測試驗證,這些接觸點是真的有影響,還是只是剛好出現。
以品牌搜尋為例。打開末次點擊報表,品牌關鍵字的轉換常常很漂亮。可是搜品牌名的人,本來就已經想買了。關掉品牌關鍵字廣告,有一部分人還是會從自然結果點進來。這部分訂單,歸因報表照樣算給廣告。
TapClicks 的指南也提到業界的另一種組合。它寫道,數字最站得住的團隊,日常戰術用多觸點歸因,預算規劃用行銷組合模型,再用 AI 調和兩邊的結果。
做增量測試的門檻比想像中低。Meta 和 Google Ads 後台都有轉換提升類的實驗工具。前提是你願意讓一部分受眾暫時看不到廣告,並且接受測試期間的數字波動。
歸因最容易出錯的地方,通常落在那些不會被最後點擊的管道。
末次點擊下被低估的上漏斗管道
網紅內容和品牌曝光多半出現在購買旅程前段,末次點擊會把功勞全部交給最後那一下。Syncly 的作者 Luke Bae 指出,採用多觸點歸因的品牌回報的 ROAS 比末次點擊品牌高 25%。
他在文章裡舉了一個很具體的路徑。消費者先在網紅的影片裡第一次看到品牌,過幾天被再行銷廣告追到,最後點廣告下單。
In a last-click attribution model, Facebook gets the credit. The creator who started the entire journey gets nothing.
Digital Applied 的網紅 ROI 框架也寫到同一件事:「Most brands use last-click attribution — which systematically undervalues influencer content that creates awareness and intent earlier in the funnel.」大意是多數品牌用末次點擊。網紅內容在漏斗前段建立認知與意圖,因此被系統性地低估。
這裡有個矛盾。規則型模型裡的位置型,剛好就是為這種情況設計的。它保證第一個接觸點至少拿到 40%。可是 GA4 已經不提供它了。
所以在 GA4 裡,網紅的功勞要嘛靠資料驅動歸因去分,要嘛在末次點擊下歸零。資料驅動歸因看得到的前提,是消費者看完網紅後有點進網站。只在 Instagram 上看過影片、隔天直接搜品牌名的人,GA4 根本不知道網紅出現過。
Digital Applied 針對 Pinterest 內容,建議把歸因窗口拉長到 90 到 180 天。整份框架另外建議搭配專屬折扣碼、UTM 連結與購後問卷,補上追蹤不到的那段。
說到底,上漏斗管道的價值不能只靠一個模型判斷。要嘛用多個來源交叉比對,要嘛直接做增量測試。
銷波快觀點:數字掉了,先分清楚是規則變了還是成效變了
我們在節目裡談過一個診斷框架。數據下滑時,先把原因分成兩類。一類是直接可控的,像素材、文案、銷售頁。另一類是間接不可控的,像競爭對手、環境變動。Meta 改點擊定義、GA4 下架模型,都屬於第二類。它們改的是量尺,不是你的廣告。
分清楚之後,動作就不一樣。量尺變了,你要做的是重新對齊前後期的比較基準。成效真的變了,才輪到調整素材和受眾。把量尺的變動當成成效下滑去砍預算,是最常見的誤判。
再往下一層,是資料本身的完整度。我們之前講過,Meta CAPI 已經從進階選項變成基礎建設。Pixel 從瀏覽器端抓行為,CAPI 從伺服器端回傳資料,兩條軌道一起跑。不管你用哪個歸因模型,餵進去的訊號殘缺,分出來的功勞就不可信。
還有一塊是報表完全看不到的。消費者可能早就在 ChatGPT 或 AI 搜尋裡看過你的品牌,最後才點廣告進來。這段接觸,現在的歸因模型一概不算。我們認為這是目前最大的盲區之一,也是為什麼光換模型不夠。
最後講一個我們自己踩過的坑。我們整理行銷數據分析這個分類的描述時,曾經為了語氣把 GA4 三個字拿掉。後來查 DataForSEO 才發現,GA4 一個月有 6,600 次搜尋,是整個分類最大的需求。大家搜 GA4,很多時候就是想搞懂報表在講什麼。歸因模型換了,正是最需要有人講清楚的時候。
結論:先承認 GA4 只剩兩條路,再用增量測試校正
規則型歸因模型已經從 GA4 退場。你能選的是資料驅動,或是末次點擊。Meta 在 2026 年又重新切了點擊與互動的界線,前後期的 Meta 數字不能直接比。
現在就能做的有三件事。第一,打開 GA4 的歸因設定,確認你用的是哪一種模型。第二,比較 Meta 前後期數字前,先看有沒有互動瀏覽歸因的分項。第三,挑一個預算最大的管道,排一次增量測試。
歸因報表告訴你誰出現過,增量測試告訴你誰真的有用。兩個一起看,預算才有依據。
資料來源
- Get started with attribution(Google Analytics 說明)support.google.com
- Marketing Attribution Models Explained 2026: 6 Types and How AI Is Closing Their Biggest Gapstapclicks.com
- Meta Engage-Through Attribution 2026: What Changed in March and Why Your Numbers Look Differentgoodmorningco.com
- Multi-Touch Attribution In 2026: AI, Privacy, And True Marketing ROI ExplainedDiGGrowth.com
- How to Measure Influencer Marketing ROI: Beyond Vanity Metrics to Real Attributionsyncly.app
- Influencer Marketing ROI: Measurement Guide 2026digitalapplied.com
