末次點擊歸因把功勞全給最後一個觸點
IMH 把末次點擊歸因（Last-Click Attribution）列為單點歸因的一種，與首次點擊、平台預設並列。
博客園作者 JackYang 在 2025 年 5 月 26 日發表的文章，把末次觸點歸因定義為將轉換功勞 100% 歸給使用者下單前的最後一個觸點，並以中國平台舉例：使用者可能在抖音廣告第一次認識產品，再到小紅書看評測，最後從微信小程式下單；只看末次觸點，抖音和小紅書的貢獻會被完全忽略。
Influencer Marketing Hub（以下簡稱 IMH）2026 年 7 月 21 日的文章舉的是網紅行銷的例子：使用者在 Instagram 限時動態發現產品，又在創作者的 YouTube 評測再看到，幾天後點 TikTok 廣告轉換；在末次點擊下，TikTok 拿走 100% 功勞，即使它只是最後推一把。
末次點擊下，功勞全歸 TikTok 廣告
Influencer
IMH 稱，單點歸因（首次點擊、末次點擊或平台預設）因為容易導入而仍然普遍，但用在網紅活動上，結構上有缺陷。
數位行銷代理商 Digital Applied 在 2026 年 4 月 25 日發布的統計頁稱，調查了 1,200 多個 B2B 行銷團隊，截至 2026 年 4 月，多觸點歸因採用率為 47%（2023 年為 31%），末次觸點為 41%。
該頁也說明，各項加總超過 100%，是因為多數團隊同時跑兩種模型，該頁舉的常見組合是多觸點歸因加行銷組合模型；只用單一模型的團隊已經是少數。該頁標示的資料來源包括 Forrester、Dreamdata、HockeyStack 等。這組數字的樣本是 B2B 行銷團隊，不能直接套用到消費品牌或台灣市場。
平台自報轉換加總，為什麼會超過實際成交
Databox 在推廣自家分析儀表板的部落格文章中稱，把所有廣告平台自報的轉換數加起來，經常得到實際成交客戶數的 150% 到 250%；文中沒有說明這個區間的樣本或計算方式。
該文舉的例子是：Google Ads 認領 47 次轉換，Meta 認領 52 次，LinkedIn 認領 31 次，CRM 裡實際成交的客戶是 38 位。它的說法是，各平台認領的轉換總和經常比實際客戶數多 50%，有時多 100% 以上。該文沒有說明這組舉例和 150% 到 250% 區間的關係；舉例中三個平台合計的認領數，高於該區間的上限。
該文把原因歸到平台的誘因結構，機制是歸因窗口衝突：Meta 預設 7 天點擊／1 天瀏覽，Google 預設 30 天點擊，LinkedIn 另有自己的規則，同一位客戶可能同時落在幾個平台的窗口裡，三個平台、一位客戶，就算成三次轉換。
該文舉的瀏覽型歸因例子是：潛在客戶看到 Meta 的展示廣告但沒有點擊，之後在 Google 搜尋這家公司並轉換，Meta 也會把這筆算進去，而平台預設開啟瀏覽型歸因。
窗口規則本身也在變，而且這次是讓 Meta 算到的轉換變少：Databox 稱，Meta 在 2025 年 10 月宣布、2026 年 1 月 12 日起從 Ads Insights API 永久移除 7 天瀏覽與 28 天瀏覽兩個歸因窗口；它引述未具名的業界分析，依賴這些較長瀏覽窗口的帳戶，轉換數下降 15% 到 30%。該文也提到，2026 年 3 月 Meta 調整點擊的認定，按讚、分享、收藏不再觸發 7 天點擊歸因窗口，只有連結點擊才算。
先移除瀏覽窗口，再收緊點擊認定
Meta
Databox 稱，衡量成效的一方和販售被衡量產品的一方是同一家時，量測結果每次都會偏向賣方。
歸錯的規模，Databox 引述自家一份未載明樣本數的歸因研究：四分之一的 GTM 負責人表示，上一季至少四分之一的商機因點擊資料缺失或錯誤而被歸錯，近 7% 回報錯誤率達 50% 以上。同一研究中，32.43% 的受訪者每月花 16 到 30 小時清理與核對歸因資料。
Google 怎麼說明資料驅動歸因
Google Ads 說明中心稱，資料驅動歸因在分配轉換功勞時，會考量使用者如何與各則廣告互動，以及如何決定成為客戶。
做法是比對轉換客戶與未轉換客戶的路徑，從促成轉換的廣告互動中找出規律，並把較多功勞分給有價值的互動。模型用的是各帳戶自己的轉換資料，所以每個廣告主的模型都不同。
這套模型分析搜尋廣告（含購物廣告）、YouTube 廣告、多媒體廣告與需求開發廣告（Demand Gen）帶來的網站轉換，也是大多數轉換動作的預設歸因模型。
資料量方面，說明頁寫的是：不論轉換量或互動量多少，所有轉換動作都符合使用資料驅動歸因的條件。Google 另外建議在 30 天內於支援的廣告聯播網取得至少 200 次轉換與 2,000 次廣告互動，模型才能更準確分析。
說明頁也提到，依資料多寡，最終點擊歸因與資料驅動歸因在某些情況下可能得出相同結果。以上引用的是該頁的簡體中文版，頁面註明可能含 AI 翻譯內容。
對帳順序、holdout 測試與成熟團隊的做法
Databox 建議每週做一次對帳：把各平台的轉換總和，和 CRM 同期的新名單或成交數比對；平台總和超過 CRM 實際數 10% 到 15% 以上，就當成追蹤品質問題，而不是預算成功。
| 順序 | 資料 | Databox 的說法 |
|---|---|---|
| 第一 | CRM 成交資料 | 排在最前面 |
| 第二 | 伺服器端事件資料 | 包括 Meta Conversions API、Google Enhanced Conversions 與伺服器端 GTM，從廣告主自己的基礎設施發送，不依賴瀏覽器端像素 |
| 第三 | GA4 | 排在伺服器端資料之後 |
| 最後 | 廣告平台後台 | 只用於投放優化，不拿來證明預算 |
它對伺服器端資料的說法是，這類資料仍會經過平台的身分比對，不等於事實本身，但是 CRM 之下最可靠的訊號。
IMH 提的是另一種做法：內部系統只支援基本歸因時，可以跑短期 holdout 測試，暫時停掉部分創作者或族群，觀察品牌字搜尋、回訪或平均客單價的變化。
Digital Applied 針對 B2B 行銷團隊的統計則稱，歸因較成熟的團隊，中位數是同時跑兩種模型，通常是用多觸點歸因（MTA）做戰術性的管道決策，用行銷組合模型（MMM）做策略性的預算分配。
銷波快觀點：對不起來的帳，是不同的問題
診斷數據問題時，我們習慣先把因素分成 2 類。直接影響因素是自己可控的，像廣告素材、文案、銷售頁的轉換率。間接影響因素是不可控的，像競爭對手動作、社群氛圍、Meta 或 Google 的政策調整。歸因爭議看起來像直接因素的技術問題，實際上大量落在間接因素那一側。Databox 引述的業界分析提到，Meta 移除較長的瀏覽歸因窗口後，依賴這些窗口的帳戶轉換數下降 15% 到 30%，沒有任何一個廣告主可以控制這件事，能做的是知道它發生了，並且在對照歷史數據時把這個斷點標出來。
另一個容易踩的坑是用現有數字來排優先序。我們自己整理 9 個內容分類時犯過這個錯。依既有點擊數排序，看起來很合理，因為既有排名是資產。但這個排法會系統性地漏掉最大的市場，原因是沒碰過的領域點擊當然是 0。後來用 DataForSEO 掃過才發現，有些分類真正的大詞每月 5,400 次搜尋，而既有內容全部在打每月 320 次的長尾。預算分配是一模一樣的結構。用平台自報的轉換數來排管道優先序，等於讓平台的商業設計決定你的預算順序。
還有一個判斷習慣要改。數字大不等於有代表性。我們曾經用「取搜尋量最高者」當作自動規則去選主題錨點，連續選錯 3 次。有一次選中的詞月搜尋量 2,400，查下去才發現那是一個服飾品牌的英文縮寫，量是假的。每一次的表面原因都不一樣，共同點是把「量」誤當成「代表性」。回到歸因場景，某個管道在後台的轉換數最高，只說明它最常出現在可追蹤路徑的末端，跟它創造了多少生意是兩件事。
最後補一個正在長出來的盲區。顧客與 LLM 的對話目前多半不進任何一份歸因報表。他在 ChatGPT 或 Perplexity 裡問過「哪個牌子比較好」，看過你的品牌名，然後直接搜尋品牌名進站下單。這筆訂單在報表上會被記成品牌搜尋或直接流量。顧客在 AI 搜尋裡已經見過你，而你不知道。這一層接觸點的量測方法目前還沒有定論，先知道它存在，比急著給它一個數字重要。
實務上可以先補的是訊號完整性。Meta Conversions API 走伺服器端傳送，與瀏覽器端的 Pixel 形成雙軌。EMQ 事件匹配品質分數是另一個要顧的指標，分數直接影響受眾分層做得多細。訊號補得越完整，後續不管用哪一種歸因模型，輸入的資料品質都會好一點。這件事不解決歸因的方法論問題，但它是所有方法論的地基。
結論：先量出平台總和與成交的差距，再談換模型
Databox 稱，各平台自報轉換加總經常是實際成交客戶數的 150% 到 250%，但沒有說明樣本；它建議每週把平台總和與 CRM 同期數字對照，差距超過 10% 到 15% 就當成追蹤品質問題處理。
Google 對資料驅動歸因的說明是，轉換量多少都可以使用，但建議 30 天內至少 200 次轉換與 2,000 次廣告互動，模型會更準確。IMH 則針對網紅活動建議，內部系統只支援基本歸因時，可以暫停部分創作者或族群跑短期 holdout 測試，觀察品牌字搜尋、回訪或客單價的變化。
我們的判斷是，先把平台總和與 CRM 的差距量出來，再決定要不要換歸因模型；差距沒量清楚之前，換模型只是換一種分配功勞的方式。
喜歡這篇？讓行銷變好懂，訂閱銷波快。
資料來源
- The Ad Attribution Problem: Every Platform Claims Creditdatabox.com
- 以数据为依据的归因模型简介（Google Ads 官方说明）support.google.com
- Marketing Attribution Statistics 2026: Multi-Touch Adoptiondigitalapplied.com
- 末次触达归因的挑战与突破：从单点归因到全局视角的进化cnblogs.com
- Social Media Attribution Modelinginfluencermarketinghub.com
