多触点归因（Multi-Touch Attribution）

大多数买家不会看到一条广告就转化。他们先在社交媒体上注意到某个品牌，几周后读到一篇对比文章，再点击一条搜索广告，最后才注册。多触点归因（MTA）就是要给这些时刻各自分配合理的功劳，而不是把全部功劳都交给恰好排在最后的那次触点。如果你曾和同事争论过品牌广告"到底有没有用"，那你已经遇到了 MTA 想要解决的问题。

为什么末次点击会失灵

末次点击归因是大多数广告平台的默认方式，因为它简单：转化前的最后一次点击拿到 100% 的功劳。问题在于，最后一次点击通常是最容易、最便宜的触点——品牌词搜索、再营销广告、或一封用户本来就会打开的邮件。展示、视频、付费社交和内容这些创造需求的渠道什么都拿不到，于是显得浪费而被砍掉。砍掉之后，几个月后那些"高效"的成交渠道会悄悄变弱，因为已经没有东西在为它们供给需求。这正是更宏观的归因思路要纠正的核心失效模式。

多触点模型如何分配功劳

MTA 分两步。首先它把分散的事件——广告点击、网站访问、线索、商机——拼接成每个人或每个账户的一条旅程。然后用一个模型来决定如何拆分功劳：

• 线性模型给每个触点相同份额。简单，但把一次随手划过的曝光等同于一次决定性的演示。
• 时间衰减模型给越接近转化的触点越高权重。适合短周期，但仍偏向漏斗底部。
• 基于位置（U 形）模型把功劳集中在第一次和最后一次触点，中间触点平分剩余部分。对许多团队是合理的默认选择。
• 算法 / 数据驱动模型用你自己的转化数据来学习权重。强大，但只和喂给它的数据一样可靠。

没有哪个模型是"真相"。每个都是对购买如何发生的不同看法，所以挑一个其假设与你销售周期相符的，并写清原因。

工具的作用

跨广告平台、分析工具和 CRM 手工搭建旅程并不现实，因此团队会借助能自动完成拼接与建模的平台。电商品牌常用 Triple Whale 或 Northbeam；而衡量销售管线而非结账收入的 B2B 团队，会选择像 Dreamdata 这样在账户层面拼接旅程的工具。无论选哪个，都要把它的仪表盘当作有力的假设，而非定论。

MTA 诚实的局限

MTA 只能看到它能追踪的部分。浏览型曝光、围墙花园内的行为、线下沟通和口碑，要么不可见、要么靠猜测，这意味着模型还原出的旅程永远是局部的。所以 MTA 绝不该是你唯一的视角。用增量测试来验证它的结论——通过留出对照组或地理实验，看关停某渠道后究竟发生了什么变化——再把细粒度的故事与媒体组合建模的自上而下视角交叉对照。当三者大致一致时，你就可以放心地调整预算；当它们彼此矛盾时，这个差距本身就在告诉你追踪的薄弱之处。如果你想系统地走一遍这些衡量概念，效果路线按顺序做了梳理。

常见问题

多触点归因比末次点击更好吗？ 就跨渠道分配预算而言，是的——它能防止你高估成交渠道、饿死需求创造渠道。但它更复杂、也更容易被误读，所以它是对末次点击的补充，而非替换你所有的报表。

新手该从哪个模型开始？ 基于位置的模型是合理的默认：它同时给引入买家的渠道和最终成交的渠道功劳，而不假装某一次中间广告做了全部工作。写下你的选择，并随着了解加深再回头审视。

MTA 能证明某渠道是增量的吗？ 不能。MTA 分配的是观察到的功劳，并不证明因果。只有刻意保留一部分人群不曝光的实验——留出对照或地理实验——才能告诉你某渠道是否真的带来了额外转化。