身份识别：从确定性匹配到概率性推断
跨设备追踪的步，是判断“手机上的你”和“电脑上的你”是同一个人。Google主要依赖两种手段。种是确定性匹配：当你登录同一个Google账号（如Gmail或YouTube）在不同设备上时，Google会分配一个统一的用户标识符，设备间的关联就变得直接而准确。第二种是概率性推断：对于未登录或无法直接关联的场景，Google会分析设备的IP地址、操作系统、浏览器类型、屏幕分辨率、使用时段等数十个信号，通过机器学习模型计算这些设备属于同一用户的概率。这种概率性方法不依赖单一标识符，而是构建一个“设备指纹”的相似度网络。
归因模型：从后一次点击到数据驱动
识别出同一用户后，下一步是判断哪个广告触点促成了转化。传统归因模型如“后一次点击”会将全部功劳归于购买前后一次广告点击，但这会忽略手机上的早期影响。Google Ads采用更精细的模型，例如“数据驱动归因”。该模型利用机器学习，分析数百万次转化路径中每个触点的实际贡献。具体来说，它会对比有该广告触点与无该触点时转化率的变化，从而计算出每个设备、每个广告形式的增量贡献。跨设备场景下，模型还会考虑设备间的“助攻”效应——手机上的展示可能为电脑上的搜索广告铺平了道路。
技术实现：隐私沙盒与聚合报告
近年来，随着用户隐私意识增强，Google逐步限制第三方Cookie，跨设备追踪转向更注重隐私的技术。例如“隐私沙盒”中的“主题API”和“归因报告API”，允许在不暴露个人身份的前提下，通过聚合数据报告跨设备转化。归因报告API会延迟发送模糊化的转化数据，并加入噪声，使得单个用户无法被识别，但整体统计趋势仍然可用。这标志着跨设备追踪从精确追踪个人，转向在保护隐私的同时衡量广告效果。
总结
Google广告的跨设备追踪并非魔法，而是身份识别与归因模型协同工作的结果。身份识别通过账号登录和概率指纹将设备关联，归因模型则用数据驱动方法分配转化功劳。随着隐私技术演进，这套系统正从“追踪具体的人”转向“理解群体的行为模式”，在效果衡量与用户隐私之间寻找新的平衡点。
