多觸點歸因、MMM、增量測試各回答什麼
AI 訪談研究工具業者 Koji 在 2026 年 8 月 11 日的部落格文章把三種方法分開看:多觸點歸因(MTA)呈現轉換前出現過哪些接觸點,行銷組合模型(MMM)呈現哪些支出與整體銷售相關,增量測試則回答沒投廣告會發生什麼。
三種歸因方法中,只有增量測試是因果判斷
該文稱三者之中只有增量測試是因果判斷。
該文指出,多觸點歸因沒有對照組,分不出廣告是促成了購買,還是只碰到本來就會買的人。
該文也提到,行銷人已轉向讓 MMM 與多觸點歸因並行,而不是二選一,再用增量測試校準兩者。
增量測試(Incrementality Testing):依 Koji 的說明,做法是對隨機選出的一組人不投廣告,再和有看到廣告的一組比較結果。
eBay 研究:迴歸估算與隨機實驗的正負號相反
Koji 引述 Blake、Nosko、Tadelis 發表於 Econometrica(2015)的研究:eBay 非品牌關鍵字廣告用傳統迴歸方法估算的 ROI,不加控制變數時超過 4,100%,加入時間與地區控制後仍超過 1,400%。
同一批 eBay 廣告:迴歸估算 ROI 超過 4,100%,隨機實驗是負 63%
同一批活動的隨機實驗,ROI 是負 63%,95% 信賴區間落在負 124% 到負 3%。
Koji 的評語是,錯的不只是幅度,連正負號都錯了。
同一篇研究的另一項測試:eBay 在 2012 年 3 月停掉 MSN 上的品牌關鍵字付費搜尋,原本的付費點擊流量有 99.5% 立即被自然搜尋接走。
這組數字比較的是同一批 eBay 搜尋廣告的 ROI 兩種估算方法,迴歸估算超過 4,100%,隨機實驗是負 63%,不是兩個廣告後台之間的落差。
Facebook 實驗:一半研究的觀察式估算差三倍以上
Koji 引述 Gordon、Zettelmeyer、Bhargava、Chapsky 發表於 Marketing Science(2019)的研究:研究者在 Facebook 內比對 15 個美國廣告實驗,涵蓋 5 億筆使用者實驗觀測值與 16 億次廣告曝光。
其中一半的研究,所有觀察式方法估出的購買增幅都和實驗結果差了三倍以上。
Koji 指出,這些誤差沒有一致的方向,無法用一個固定係數修正。
跨平台數字對不上:指標定義不同、資料分散
閃控猫(已更名智播魔方,直播中控軟體業者)2026 年 4 月 4 日的文章稱,有的平台曝光量以 PV 計算,有的以 UV 計算,有的使用自訂指標,橫向比較因此變得困難。
該文談的是在微信、抖音、小紅書、微博等中國平台投放的情境,也提到各平台資料各自儲存、缺乏互通,廣告主常要登入不同後台、匯出多份報表再手動整合。
行銷資料平台業者 Funnel 另舉跨裝置的例子:使用者先在桌機造訪網站、再用手機購買,在 GA 這類平台很可能被當成兩個人,一次購買算成兩次轉換。
Koji 提到,Google 在 2025 年 4 月 22 日宣布 Chrome 維持第三方 Cookie,但這只是部分緩解,Apple 的 App 追蹤透明度、圍牆花園式的平台報表與歐盟同意模式的缺口都還在。
該公司認為 MMM 不受多觸點歸因承襲的圍牆花園報表扭曲,但也提醒 MMM 仍是對相關支出的迴歸,只在強假設下才算因果。想看追蹤、歸因與報表工具的其他新聞,可以從行銷數據分析分類頁看全貌。
統一指標定義與實驗驗證:兩家業者的建議
閃控猫建議先確定核心 KPI,例如曝光量、點擊率、轉換率、客戶取得成本,並統一各平台的資料定義;也建議建立內部資料字典,明確定義每個指標的計算方式與計算基準。
對於各平台的貢獻怎麼分,閃控猫建議依業務特點選擇線性、時間衰減、首次互動等歸因模型來分配。Koji 則稱這類依規則分配功勞的多觸點歸因沒有對照組,分不出廣告促成的購買與本來就會發生的購買。
Koji 建議不要把歸因後的 ROAS 當成證據,只把它當營運儀表板。
Koji 也建議先在金額最大、最可疑的項目做增量測試,並指出品牌搜尋與再行銷是替代效果最高的地方。
Koji 另建議測試前先估算所需規模,並用實驗校準 MMM,而不是爭論哪個方法才對。估算規模的理由,文中引述 Lewis 與 Rao 整理的 25 個大型數位廣告隨機實驗:中位數活動的規模要再放大 9 倍,才能可靠分辨 ROI 達 50% 的高獲利活動與剛好打平的活動。增量測試的執行門檻,另見MMM 與增量測試的門檻。
預算持平與分析工具趨勢
Funnel 2025 年 11 月 18 日的文章引述 Gartner:2025 年行銷預算占企業營收 7.7%,與前一年相同;59% 的行銷長表示預算不足以執行 2025 年的策略。
該文另引述 The CMO Survey(2025 年春季):行銷主管表示,來自董事會的壓力從 2023 年到 2025 年上升 21%。
BlastX 2026 年 1 月 14 日的分析趨勢文章指出,超過 60% 的企業已在部署 AI 異常偵測工具,這裡指的是分析監控整體,並非專指廣告歸因。
新浪科技 2026 年 5 月 26 日刊出、標示來源為 199IT 的報告摘要,內容以美國與全球廣告市場為主,文中談到 AI 應用時稱,企業最大的瓶頸不是模型能力,而是資料孤島、創意資產管理與組織協同不足。
該文展望,未來的競爭重點不再是誰擁有最多流量,而是誰擁有最完整的資料閉環、最高效的創意生產體系與最強的 AI 協同能力。
銷波快觀點:先分診斷因素,再談歸因
跨平台廣告歸因對不上時,很多人想直接換工具。這裡有個判斷要先過:先分「直接可控」跟「間接不可控」兩類因素,再決定要不要動歸因架構。
直接可控是廣告素材、文案、銷售頁轉換率,這些數字歪掉可以直接改。間接不可控是競爭對手動作、社群氛圍、大環境變動,這些跑進歸因模型會被算成廣告效果衰退,實際上是外部訊號。分不出來就急著換歸因框架,會把好模型調成壞模型。
另一個提醒是資料尺度。小預算容易把百分比放大,有時只是樣本量作祟;極端值也會造成偏差,一張大訂單就能讓短期 ROAS 看起來很好看。看跨平台廣告歸因的數字,要像看股票一樣看長期趨勢,不糾結每天的波動。只看短期數字為什麼會漏算品牌投資,可延伸讀廣告遞延效應的說明。
Koji 引述的實驗顯示歸因估算可能連方向都錯;我們的判斷是,除了用實驗檢驗,換工具之前也要先把診斷框架與資料尺度立起來。
結論:對齊定義,並用實驗檢驗歸因
Koji 引述的 eBay 研究中,迴歸估算的 ROI 超過 4,100%,隨機實驗是負 63%;Facebook 的 15 個美國實驗中,有一半的研究,所有觀察式方法估出的購買增幅都和實驗結果差了三倍以上。
跨平台比較還要面對各平台指標定義不同,閃控猫建議先統一定義、建立資料字典;Koji 則建議把歸因後的 ROAS 當營運儀表板,用增量測試校準 MMM。
我們的判斷是,第一步可以先拿出自家各平台的廣告報表,逐項對照「花費」「轉換」「歸因窗口」的定義,寫成一份指標字典,再決定要不要投入增量測試。
喜歡這篇?讓行銷變好懂,訂閱銷波快。
資料來源
- Marketing Mix Modeling vs Attribution vs Incrementality (2026): What Each One Can and Cannot Provekoji.so
- 廣告數據效果如何跨平台統一分析?shankongmao.com
- The ROI reckoning and why CMOs need marketing intelligence in 2026funnel.io
- 2026 Analytics Trends: Beware the Growing Gap Between AI and Actionblastx.com
- 2026年廣告、營銷與數據展望:持續演化finance.sina.com.cn