从“后一次点击”说起
早的归因模型非常简单：谁后被点击，功劳就归谁。这就是“后一次点击归因”。它的统计逻辑是“确定性匹配”——用户点击广告时，Google会在浏览器中写入一个标识符（如GCLID），当转化发生时，系统读取该标识符并记录来源。这种方法实现简单、数据直接，但缺陷也很明显：它完全忽略了用户决策路径中更早的接触点。一个用户可能先看到品牌视频广告，再搜索品牌词，后点击购物广告下单——后一次点击模型会把全部功劳记给购物广告，而视频广告的贡献被归零。
多触点归因的统计思维
为了更公平地分配功劳，多触点归因模型引入了“路径分析”的统计思想。常见模型包括线性归因（所有触点平分功劳）、时间衰减归因（越接近转化的触点权重越高）、位置归因（首次和末次触点各占40%，中间平分20%）。这些模型背后是加权分配算法，权重通常基于经验规则或历史数据拟合。例如，时间衰减模型常用指数衰减函数，假设用户记忆和兴趣随时间递减。Google Ads中的“数据驱动归因”则更进一步，它使用机器学习中的Shapley值方法——源自博弈论，计算每个触点对转化概率的边际贡献，再按贡献比例分配功劳。这需要大量转化路径数据来训练模型，因此对广告账户的数据量有一定门槛。
跨设备与隐私时代的挑战
现实中的用户往往在手机上看广告、在电脑上下单。跨设备归因依赖用户登录Google账号后的统一身份标识，但并非所有场景都能匹配成功。随着隐私法规收紧和第三方Cookie退场，确定性匹配的比例在下降，概率性归因（基于设备指纹、IP、行为模式等统计推断）变得更重要。Google近年推广的“增强型转化”和“隐私沙盒”中的归因API，正是试图在保护隐私的前提下，用聚合统计和差分隐私技术维持归因的可测量性。
理解归因，是为了更好地决策
没有一种归因模型是绝对“正确”的，它们只是不同视角的统计近似。后一次点击适合评估直接响应渠道，多触点模型适合理解品牌与效果的协同。关键在于：明确你的业务问题，选择匹配的归因逻辑，并意识到任何模型都有其统计假设和盲区。归因不是终点，而是优化广告投放的起点。
