範圍先說清楚。這篇以付費廣告與網站轉換的量測為主，不談品牌聲量調查。
GA4 歸因只剩三種模式可選
Google Analytics 說明中心寫明，最初點擊、線性、時間衰減和根據排序四種歸因模式自 2023 年 11 月起停用。GA4 的歸因報表現在提供 3 種模式：以數據為準歸因、付費和自然最終點擊，以及 Google 付費管道最終點擊。
「最初點擊」、「線性」、「時間衰減」和「根據排序」歸因模式自 2023 年 11 月起停用
數位行銷服務商 Digital Applied 在 2026 年 8 月 14 日的文章裡形容，GA4 剩下的選項不是 100% 歸給最終點擊，就是外部看不進去的機器學習黑箱。
以數據為準歸因（Data-Driven Attribution，簡稱 DDA）依 Google 說明頁的描述，會用機器學習演算法評估轉換和未轉換的路徑，再把功勞分給最可能帶來轉換的接觸點。
這套模型能不能說明因果，兩個來源的說法不同。Google 說明頁寫到，DDA 會把看過廣告的使用者完成轉換的機率，和對照組中類似使用者的機率相比較。Digital Applied 則稱，DDA 是統計估計，不是因果的帳本。
Google 說明頁另外提到，以數據為準歸因在轉換後最多 7 天內可重新歸因轉換。我們的判斷是，DDA 的管道數字在轉換後 7 天內可能還會變動，拿週報做決策時可以把這段時間算進去。
GA4 這一側的規則收窄了，Meta 那一側在 2026 年 3 月也改了點擊歸因的定義。
Meta 把點擊歸因收窄到連結點擊
行銷報表工具 DataSlayer 在 2026 年 4 月 9 日的文章整理，Meta 於 宣布，點擊歸因只認連結點擊。按讚、分享、儲存、留言這類互動，改算進互動型歸因（engage-through attribution），窗口固定 1 天。
依該文的說明，改版前 Meta 的點擊歸因把廣告上任何一種點擊都算數，包括按讚、分享、儲存、留言、點開個人檔案與放大圖片。改版後的連結點擊，指的是把人帶到網站、App、名單表單或其他目的地的那一下。
互動型歸因是 Meta 過去 engaged-view attribution 的新名稱，範圍擴大了。它收兩類行為：沒有點連結的社群互動，以及觀看影片廣告至少 5 秒，這個門檻由原本的 10 秒下修。兩類都要在 1 天內轉換才算，沒有點擊歸因那種 7 天選項。
Third-party tools like Google Analytics have always counted only link clicks
DataSlayer 的意思是，Google Analytics 這類第三方工具一向只算連結點擊，因為只有連結點擊會把人送進網站。Meta 這次改版，讓點擊歸因的定義往這個方向靠。
| 互動類型 | 2026 年 3 月前 | 2026 年 3 月起 |
|---|---|---|
| 連結點擊（到網站、App、名單表單） | 點擊歸因 | 點擊歸因 |
| 按讚、分享、儲存、留言、點開個人檔案 | 點擊歸因 | 互動型歸因（1 天窗口） |
| 影片觀看 | engaged-view 歸因（10 秒門檻） | 互動型歸因（5 秒門檻） |
| 沒有互動的廣告曝光 | 瀏覽歸因（1 天窗口） | 瀏覽歸因（1 天窗口），不變 |
對報表的影響，DataSlayer 的解讀是：點擊歸因的轉換數下降，多半不是成效變差，而是重新分類，原本因按讚或儲存算進點擊歸因的轉換，現在落在互動型歸因欄位。不過也有一部分轉換會從報表總數中消失。如果非連結互動之後，使用者在第 2 到第 7 天才轉換，這筆轉換已經超出 1 天窗口，不會移到其他類別，就是不被歸因。
該文也提到，Meta 確認這次改動只影響報表裡轉換的分類方式，計費不受影響。以網站轉換為最佳化目標的活動，預設歸因設定現在是 7 天點擊、1 天互動型、1 天瀏覽。
互動型歸因要不要開，DataSlayer 的建議依活動類型而定。購買型活動保留預設的 1 天互動型歸因大致合理；名單型活動可以考慮關閉，因為使用者只按讚、沒點進表單，之後的轉換較難有把握歸給廣告；受眾範圍很窄的再行銷活動也一樣，該文認為互動型歸因可能讓數字膨脹、掩蓋實際成效。
報表該怎麼調，該文建議不要直接拿 2026 年 3 月前後的數據相比，改從 2026 年 3 月中旬起設定新基準，並把點擊歸因與互動型歸因分欄呈現。它也認為改版後 Meta 與 GA4 的落差會變小，但不會歸零：GA4 追蹤的是從點擊進站開始的工作階段，Meta 計算的是歸因窗口內的轉換，不管中間發生什麼。
就算兩邊的定義靠近了，還有一個問題沒解決：被歸因的轉換，是不是真的因為廣告才發生？這要換一種方法來回答。
歸因三角測量的三種方法各看什麼
Digital Applied 的量測方法對照表中，DDA 在已記錄的接觸點之間分配功勞，增量測試量出相對保留對照組的因果增量，行銷組合模型（MMM）則從花費與成果的時間序列估計各管道貢獻。
該文稱，最終點擊與 DDA 都只回答功勞該怎麼分給已追蹤的互動，回答不了顧客為什麼購買。沒被追蹤到的 Podcast 提及、同事推薦、本來就會發生的品牌搜尋，兩者都看不見。
第二種方法是 incrementality testing，中文常譯作增量測試。媒體監測業者 Meltwater 在 2026 年 6 月 23 日談網紅行銷歸因的文章中，這樣定義它：
Incrementality testing: Compares customer groups exposed to influencer campaigns against similar groups that were not.
也就是把接觸過網紅活動的顧客群，和沒接觸過的相似顧客群相比。該文寫到，網紅計畫擴大後，行銷主管最終想知道的是，網紅活動帶來的是增量業績，還是只接住了本來就會轉換的顧客。
付費廣告這一側，Digital Applied 建議對花費最大的管道做地區保留對照測試，回答歸因回答不了的問題：沒投廣告的話，本來會發生什麼。它也寫出這種方法的限制：不能常態運行、顆粒度不細，每次測試只回答一個時段的一個問題。
第三種是行銷組合模型，英文縮寫 MMM。Google Meridian 的說明寫到，MMM 使用彙總資料衡量各行銷管道的影響，也把非行銷因素納入，不使用 cookie 或使用者層級的資料。Digital Applied 則指出它的限制：看不到個別路徑與素材層級的細節，而且需要長期歷史資料與有意義的花費變化。
開源工具方面，Google 的 Meridian 是讓廣告主自行建置並執行內部模型的 MMM 框架；Robyn 是 Meta Marketing Science 推出的實驗性開源 MMM 套件。
| 方法 | 量測什麼 | 看不到什麼 |
|---|---|---|
| GA4 以數據為準歸因 | 在已記錄的接觸點之間分配功勞，由機器學習加權 | 未追蹤的管道、線下影響、從未記錄到的路徑 |
| 增量測試 | 相對真正保留對照組的因果增量 | 不能常態運行、不夠細，每次只回答一個時段的一個問題 |
| 行銷組合模型（MMM） | 從花費與成果的時間序列估計各管道彙總貢獻，不需使用者層級資料 | 個別路徑與素材層級細節；需要長期歷史與花費變化 |
三角測量的意思是讓三種方法互相檢查。Digital Applied 的建議之一，就是用增量測試的結果校正 MMM。
要說明的是，歸因三角測量是我們用來描述這種做法的說法。名字不重要，重點在三種方法各自有盲點，單靠一種會被那個盲點帶著走。
道理講完了，接下來的問題很實際：要從哪裡開始？
歸因三角測量從哪一步開始做
Digital Applied 提出的順序是：先用伺服器端收集補齊資料，把 DDA 當方向參考，用增量測試驗證最大的投入，等花費與歷史資料足夠再進到 MMM。
該文也引述 eMarketer 對 Haus 調查的報導：Haus 在 2026 年 1 月訪問 500 名美國資深行銷、財務與高階決策者，對象來自付費媒體預算至少 1,100 萬美元的組織，問他們最信任哪一種量測方法。
最信任獨立增量測試的有 60%，行銷組合模型 40%，平台內建報表 37%。
同一份調查中，78% 的受訪者認為至少有 10% 的行銷支出因量測不足而浪費。Digital Applied 也註明，這是受訪者的看法，不是經過稽核的數字。
綜合上面兩個來源，可以先動手的有這幾件事：
- 檢查是否已用伺服器端追蹤或 Conversions API 補齊資料（Digital Applied 列為所有預算都先做）。
- 依 Google 說明頁，在 GA4 的「管理」中，點選「資料顯示」下方的「事件」，再按「歸因分析設定」，確認報表歸因模式是哪一種。
- 依 Google 說明頁，在 GA4 左側點「廣告」，在「歸因」下方打開「歸因模式」或「歸因路徑」報表，看各管道的功勞怎麼分配。
- 依 DataSlayer 的建議，Meta 報表從 2026 年 3 月中旬起設定新基準，並把點擊歸因與互動型歸因分欄呈現。
- 支出擴大時，依 Digital Applied 的建議挑花費最大的管道做地區對照測試：在相配的地區中，一部分照常投放、另一部分暫停，比較兩邊的轉換。
- 花費與歷史資料累積夠了，依 Digital Applied 的建議導入 MMM，並用增量測試的結果校正；可評估的工具有 Google 的 Meridian 與 Meta Marketing Science 的 Robyn。
預算規模不同，要加上的方法也不同。Digital Applied 建議預算較小時，用 DDA 做每週的管道調整，但對內要標明這是模型估計；增量測試放在擴大支出的階段，MMM 放在多管道規模化的階段。
資料完整度也要先顧到。該文稱，伺服器端追蹤或 Conversions API 能補回被廣告攔截器與瀏覽器追蹤防護擋掉的訊號，但它修的是輸入資料，不會讓任何歸因模型更接近因果。
銷波快觀點：數字最大的那把尺，不一定最準
我們自己踩過一次很像的坑。建立主題分類時，我們曾經用「取該群搜尋量最高的詞當錨點」這條自動規則。結果連錯三次，每一次表面原因都不一樣。以 aeo 這個詞為例，月搜尋量 2,400，後來才發現，服飾品牌與海關認證都叫這個名字。第三次之後才看清楚：量高只代表詞熱，不代表它能代表這個群。
歸因報表也是一樣的道理。GA4 裡數字最漂亮的管道，不等於最重要的管道。三次錯誤表面上各不相同，底下是同一個排序依據出了問題。只看一把尺的人，很難發現尺本身歪了。
數據下滑的時候，我們習慣先把原因分成兩類。一類是直接因素，像素材、文案、銷售頁，這些你改得動。另一類是間接因素，像競爭對手、社群氛圍、環境變動，這些你改不了。
我們的判斷是，Meta 3 月的改版屬於後者：點擊歸因數字掉了，先檢查是不是規則改變造成的，再判斷廣告本身。
還有一件事要先做好，就是資料收得完不完整。訊號不完整，後面哪一種模型都算不準。
預算小的團隊不用一次做滿三把尺。只要有一個流量技術加一個轉換技術，網路上就有一台完整的收單機器。
我們的判斷是，三角測量也可以這樣縮小：先補齊資料、把 GA4 這把尺用對，支出擴大再加上其他兩把。
結論：先補齊資料、看懂 GA4 模式，支出擴大再做增量測試
GA4 現在只剩 3 種歸因模式，Meta 也在 2026 年 3 月把點擊歸因收窄到連結點擊。DataSlayer 認為兩邊的落差會變小，但不會歸零。
對得上，不代表就是因果。依 Digital Applied 的順序，先補齊資料，DDA 用來做每週的管道調整，增量測試驗證最大的投入，MMM 在花費與歷史資料足夠後再加入，並用增量測試校正。今天就能做的，是確認資料有沒有用伺服器端追蹤或 Conversions API 補齊，並打開 GA4 的歸因分析設定確認模式；支出擴大時，再依該文的建議從花費最大的管道做地區對照測試。
想聽更多數據判讀的實戰經驗，可以回頭聽銷波快 Podcast 快 Series EP8〈行銷數據與批判性思考〉。那一集談的就是數字下滑時，怎麼先分清楚可控與不可控的原因。
喜歡這篇？讓行銷變好懂，訂閱銷波快。
資料來源
- Google Analytics 說明中心：開始使用歸因support.google.com
- Meta Attribution Change 2026: What Engage-Through Attribution Is and Why Your Numbers Look Differentdataslayer.ai
- Marketing Attribution in 2026: What Still Worksdigitalapplied.com
- Influencer Marketing Attribution Models: Analytical Methods for Verifying ROImeltwater.com
- Google Meridian（開源行銷組合模型）github.com
- Meta Robyn（開源行銷組合模型）github.com
