Why attribution fails: How to fix it

摘要

归因之所以失效，根源不在数据管道，而在激励机制。Meta、Google、TikTok、Amazon 各自运营封闭的归因引擎，自带回溯窗口、触点定义与转化判定逻辑，既卖广告又评效果，中间没有任何独立审计方。于是同一个月里，Meta 报 40 万美元、Google 报 35 万美元、财务系统只有 31 万美元，三方测的是同一批用户、同一批campaign，却注定对不上。同一笔用户购买被三到四个平台同时认领，归因总收入常年是实际收入的2到4倍，而所有预算决策都建立在这份结构性虚高的数据之上。

文章将失效拆解为四个可诊断的原因。其一是平台自评自判：SAN 之间不互通数据，CTV DSP 自报触达与频次却无闭环归因，零售媒体网络各有一套逻辑，AI 推荐场景甚至没有归因层，每新增一个投放面就多一个只为自己说话的报表方。其二是数据天然孤岛：Web 收入在 GA4 或 Adobe，App 收入在 MMP，CTV 曝光在 DSP，零售数据锁在各自的花园里；一个用户先在 Meta 看到广告、经 YouTube 安装、在 iOS 消费 50 美元、又在 PC 消费 100 美元，最终 Meta 记 0、YouTube 认领 100、iOS 的 50 美元沦为自然量，真实 150 美元的 LTV 无法计数，真正拉新的 campaign 反被砍掉。其三是身份断裂：IDFA、cookie、CTV 设备 ID、零售商登录 ID 四套体系互不映射，iOS 14.5 与 ATT 落地后确定性归因失效，概率归因只是近似，未经对账时35%到45%的付费安装会默认归为自然量，cookie 退场则让跨会话、跨设备归因同时崩塌。其四是模型用错了问题：首触、末触、线性模型各自只回答一个特定问题，末触高估再营销与品牌词，线性把 CTV 曝光与漏斗底部点击等同，而面对大量不可见触点，模型再正确也只是在残缺地图上计算；MTA 与 DDA 更可靠，但需要足够的信号量与跨全端的承载平台。

代价具体且可量化。预算错配表现为向自报效果好、漏斗底部的渠道过度投入，而压制 CTV、品牌等难以归因却驱动长期价值的渠道；ROAS 虚高则是重复计功的直接结果，账面上1美元换4美元的 campaign，去重后可能只有1.5美元；当市场、财务与各平台口径不一，管理层对归因数据彻底失去信任，决策回落到拍脑袋，这是另一种昂贵的成本。按 AppsFlyer 数据，平均15%的广告花费可通过归因去重回收，反作弊保护还能再省约7%。更危险的是 AI 放大效应：自动化出价只会朝着“最会抢功”的渠道加预算，喂养的信号越错，错配扩散得越快。

可信的归因需要四件事同时成立，而多数团队至少缺两项：一个摄入全渠道信号、在报表前完成冲突消解的去重单一事实源，输出的是一笔转化一个数字，而非四张平台报表；一套贯穿 iOS、Android、Web、PC 与 CTV 的 CUID，把同一用户跨端产生的事件串成一条旅程、一个 LTV，并回溯到最初的获客来源；一个独立于任何媒体采买方的归因层——GA4 是 Google 测 Google，平台像素自报，只有独立 MMP 才能执行你的业务逻辑而非平台的逻辑；以及模型与增量实验的结合，归因回答“谁拿了功”，增量实验回答“这份功是否真的挣来”。解决方案还必须覆盖全端，若把 CTV、零售媒体与 AI 场景继续留作盲区，只是把同一个孤岛问题换了个更好听的包装。

这也是 AI 优化的前置条件。调整出价、重新分配预算、触发再营销的 Agentic AI 套件，其可靠性上限由喂给它的数据决定，先修好测量，自动化才谈得上有效。AppsFlyer 的定位正基于此：它不是媒体采买方，对任何渠道都没有多认领一分功劳的财务动机，这种结构性独立才让去重具备公信力，也是平台自归因永远无法提供的东西；其独立去重覆盖12000多个渠道网络，可在冲突进入报表之前完成裁决。