归因模型：功劳该记在谁头上
归因模型是评估广告转化路径的基础框架。常见的“末次点击归因”把全部功劳给用户下单前后点击的那条广告。它简单直接，但会严重低估TikTok这类“种草型”平台的价值——用户可能在TikTok刷到产品产生兴趣，几天后却在Facebook广告的引导下完成购买，末次点击会把功劳全部记给Facebook。与之相对的是“首次点击归因”，它把功劳给用户接触的个广告触点，适合评估拉新效果，但同样片面。更精细的做法是“线性归因”或“时间衰减归因”：前者将功劳平均分配给路径上的每个触点，后者让越靠近转化的触点获得越多权重。近年来，数据驱动的归因模型（如Shapley值方法）开始受到关注，它通过分析大量转化路径中每个触点的边际贡献来分配功劳，更接近真实情况，但对数据量和统计能力要求较高。
数据追踪：跨平台归因的技术难题
归因模型再合理，也需要可靠的数据支撑。问题在于，Facebook和TikTok各自在自己的“围墙花园”内追踪用户行为，跨平台的数据打通并不容易。目前主流的追踪手段有三类：一是平台自带的像素或SDK，分别在Facebook和TikTok生态内记录曝光、点击和转化事件；二是UTM参数，通过在广告链接中附加标记，让第三方分析工具（如Google Analytics）识别流量来源；三是转化API（如Facebook的CAPI和TikTok的Events API），通过服务器端直接回传转化事件，减少浏览器端追踪因隐私限制（如iOS的ATT框架）而丢失的数据。值得注意的是，2021年苹果推行ATT框架后，跨应用追踪需要用户明确授权，大量转化数据变得“不可见”，这促使行业加速向服务器端追踪和聚合归因（如Google的Privacy Sandbox方案）转型。
实践中的关键原则
评估转化路径时，没有“万能模型”。合理的做法是根据营销目标选择归因模型：品牌拉新阶段可关注首次点击或线性归因，效果投放阶段可参考时间衰减归因，同时用多模型对比来交叉验证。此外，应尽量统一两个平台的追踪口径——比如都使用UTM参数标记落地页、都部署服务器端转化回传——减少因数据口径不一致导致的误判。后，归因结果应作为预算调整的参考而非唯一依据，结合增量实验（如地理对照测试）才能更准确地判断每个平台带来的真实增量转化。
归根结底，评估Facebook与TikTok广告的转化路径，是归因模型与数据追踪技术的协同工程。理解每种模型的假设与局限，正视跨平台追踪的技术约束，才能让预算决策建立在可靠的数据逻辑之上，而非平台各自“报喜”的数字游戏。
