CTV Measurement: Attribution to Contribution

摘要

CTV 广告在报表上显示“零转化”，多数团队的第一反应是削减预算，但文章指出，真正的问题在于测量体系，并非渠道表现。CTV 本身是家庭级投放、没有 cookie、库存碎片化，且几乎没有点击信号；它所带来的认知与购买意图，往往延后在其他设备、其他渠道上才转化。若沿用 last-touch 的点击逻辑，功劳会被付费搜索或再营销拿走，CTV 自然“看起来不达标”。与此同时，预算迁移的速度远超测量能力的建设：IAB 预测 2026 年美国数字视频广告支出将达 800 亿美元，线性电视份额首次跌破 40%。

文章强调必须区分 attribution（归因）与 contribution（贡献）。归因回答的是“把转化功劳分给谁”，而贡献回答的是“这个触点在多大程度上真正带来了增量”。多触点、时间衰减、位置加权等模型虽优于 last-touch，但仍依赖跨设备统一身份，而身份恰恰在 CTV 与移动端这一边界处断裂，也就是这个边界对 CTV 最关键。要回答贡献问题，只能依赖增量测试：通过 geo-holdout、ghost bidding 或 PSA 对照组，量化暴露组与对照组的转化率差值，即真实增量 lift。

在技术实现层面，文章以 AppsFlyer 为例拆解了 CTV 归因链路：CTV 广告播放的瞬间触发携带设备 IP 的 impression URL，同户移动设备安装并首次打开 App 后回传事件，系统在可配置的浏览归因窗口内（最低 24 小时）按 IP 做概率匹配，而非确定性匹配；由于匹配依赖 IP，CTV OneLink 模板会主动关闭 deep linking。回看窗口的设置直接影响结论：Moloco 的数据显示，66% 的安装发生在曝光后 6 小时内，且窗口关闭后仍有可观量级持续到达，窗口过短会系统性低估渠道表现。Playtika 的案例说明，增长团队在缺乏可靠测量手段时不会新增渠道，只有在 CTV 能被运行、分析并与其他渠道横向对比之后，CTV 才进入媒体组合；目前该团队仍在持续调优 media mix 与 lookback window。

指标体系方面，文章主张把 CTV 指标拆成四层，不宜停留在 delivery：第一层 delivery（曝光、独立家庭数、家庭频次、可见曝光占比），第二层 engagement（VCR、25/50/75/100% 完播四分位、互动广告参与度），第三层 outcome（归因安装、站点访问、CPA、ROAS，这些正是 last-touch 最容易算错的数字），第四层 contribution（增量 lift，也是唯一能在预算会上站得住脚的一层）。文中给出一个典型场景：某品牌把 CTV 与付费搜索、再营销并行投放四周，last-touch 显示搜索贡献大头、CTV 几乎为零；但同步进行的地理对照组显示，暴露区域转化率显著高于对照区域，说明 CTV 一直在带来真实的净新增收入，只是报表看不见。

在工具选型与统一测量上，文章给出判断框架：若 CTV 只是跨渠道（含移动与 Web）组合中的一个触点，MMP 更合适，因为它能用与其他渠道相同的基础设施把 CTV 曝光关联到下游安装或事件，且多数提供原生增量测试；带测量层的 DSP 适合单一购买平台内的投放优化，但无法覆盖其生态之外的移动端与站内事件；Nielsen、iSpot、Comscore 等纯测量厂商擅长品牌层面的受众测量与线性/CTV 去重，适合 reach 与 frequency 规划，但不擅长归因到具体的安装或购买。评估时应追问：能否跨 CTV 与移动端去重、增量测试是原生还是外包、无 cookie 与无统一用户 ID 时如何做身份解析、VTA 窗口的上下限是否可配置，以及能否把 CTV 曝光关联到站内购买而非仅到安装——安装只是信号，收入才是结果。文章最后给出执行清单：上线前锁定 KPI 层级、确认 impression URL 与 VTA 窗口配置、预先设计好 holdout 区域并同步给媒体方；投放中同时校验曝光端与转化端两个端点，不要用 last-touch 数据做 CTV 的实时优化；投放后分开汇报 delivery、attribution 与增量结果，当 last-touch 与 geo-holdout 结论明显分歧时（对 CTV 而言这很常见），以 holdout 为准。