
结合 AI 的无 Cookie 归因,指的是在不依赖第三方 Cookie 的前提下,把订单与其背后的营销、搜索和 AI 智能体触点关联起来。它会用第一方数据、服务端事件、浏览器聚合报告和模型来补足缺口。对电商店铺来说,除了这个问题,还有第二层挑战:越来越多的发现行为发生在 AI 购物智能体内部,消费者可能从未点击广告,而智能体推荐的是一个商品,最终购买的却是另一个。本指南会解释这两部分问题、应先搭建什么,以及无论怎么做,哪些数据都仍会有模糊地带。
TL;DR
- 无 Cookie 归因是一套组合,不是单一工具:包括第一方数据、服务端事件、平台 API 和模型估算,而且每一层都有已知限制。
- 以隐私保护为前提的测量,是用精度和速度换合规。要预期数据会有延迟、经过聚合,有时还会带噪声。
- AI 智能体又增加了一层新问题:在把一笔销售归因给某个智能体之前,先要知道它是否真的推荐了你的商品。
- 商品信息质量会改变智能体行为。在已发布的实验中,哪怕只改动少量描述文字,也会让市场份额波动几个百分点。
- 先建立干净的第一方数据基线,单独标记 AI 引荐流量,再按固定周期用真实智能体测试你的商品信息。
无 Cookie 归因到底是什么
多年来,第三方 Cookie 让广告平台可以一路跟踪消费者:从别的网站上的一则广告,到你店铺中的一次购买。无 Cookie 归因则用其他信号替代这条链路。这些信号包括经用户同意收集的登录信息和电子邮箱地址、来自你自有平台的订单数据、服务端事件流,以及由浏览器本身生成的报告。
这个短语里的“AI”通常指向两类情况之一:
- AI 作为测量引擎。 当直接链路缺失时,模型会估算哪些触点应获得归因权重。这也是大多数归因厂商主打的卖点。
- AI 作为渠道。 消费者会向ChatGPT、Gemini、Claude或Perplexity询问该买什么,答案会把他们带到某家店铺,或直接代其完成购买。这里的归因,指的是判断AI购物智能体何时选择了您的商品,以及这带来了多少价值。
大多数指南只讲第一种情况,却忽略第二种。对于经营 Shopify 或 WooCommerce 店铺的商家来说,这两者都必须应对。
第三方 Cookie 的现状
时间线一再变化。Google 原计划在 Chrome 中逐步淘汰第三方 Cookie,但在 2025 年表示将继续支持它们,并推出 用户选择模式 ,而不是单独的同意提示,同时 Privacy Sandbox API 仍然可用。实际结果是形成了一个混合环境。有些访客仍带有第三方 Cookie,而另一些则使用 Safari、Firefox、隐私扩展程序,或启用了 Chrome 中阻止第三方 Cookie 的设置。
这也是为什么等待并不是好策略。对相当一部分访客而言,您的数据已经不完整,而且这一比例会因受众不同而变化。无论浏览器政策如何变化,建立一套不依赖 Cookie 的测量体系,都是更稳妥的做法。
无 Cookie 归因体系的核心组成
第一方数据
这是基础。您的店铺知道是谁下单、买了什么,以及使用了哪个优惠码。再加上购买后问卷(“您是怎么知道我们的?”),就能获取像素无法看到的信号,包括“我问了 ChatGPT”。用户自报归因并不完美,但很多 AI 辅助发现行为,往往只会出现在这里。
服务端追踪
您不再从消费者浏览器触发所有事件,而是从自己的服务器向广告平台和分析工具发送转化事件。这样事件更容易绕过广告拦截器,同时您也能控制哪些数据离开店铺。这并不意味着在法律要求的场景下可以跳过用户同意,也无法神奇地恢复已经丢失的身份识别能力。
浏览器级隐私 API
Google 的 Attribution Reporting API 会生成由浏览器创建的报告,在限制跨站追踪的同时,将广告互动与转化进行匹配。它的设计包含两种输出形式。根据 Google 的 系统概览,事件级报告通常会延迟 2 到 30 天送达,而可聚合报告会在一小时内随机延迟发送,但需要聚合服务才能生成汇总结果。对于大多数中小型店铺而言,通常会通过广告平台来使用这些功能,而不是自行搭建。关键在于理解这类数据的特征:延迟、部分缺失且经过聚合。
模型化转化
广告平台和分析工具会使用统计模型填补缺失数据。这对预算方向判断很有帮助,但并不适合作为单笔订单的审计记录。应将其视为带有误差范围的估算结果,并定期与自己的订单总数进行核对。
谁都无法彻底消除的权衡
监管机构和研究人员描述的是同一种权衡。新加坡 IMDA 关于隐私保护归因的案例研究提到 在隐私与实用性之间取得平衡,这通常意味着需要接受更低的精度,或以小时、天为单位的报告,而不是实时数据。差分隐私技术会故意加入噪声,因此对于每天做促销决策的店主来说,细粒度的当日分析会变得更加困难。
第二个需要注意的问题来自学术研究。分析广告技术公司如何定义隐私的研究人员发现,隐私在很大程度上被 定义为匿名性和对个人追踪的限制,他们也提醒,不要默认所有“隐私保护”标签都意味着绝对的数据安全。对商家而言,这意味着需要谨慎看待供应商的宣传,并核查收集了哪些数据、数据会流向哪里,以及需要获得哪些用户同意。
还需要记住,归因只是观察问题的一种视角。一些代理机构认为 单靠归因并不足够 解释营销回报,而在如今数据噪声比过去更大的情况下,这一点尤为重要。可以用归因来做渠道间的方向性比较,同时结合总收入与总支出等混合指标一起分析。
新问题:AI 购物智能体的归因
Cookie 丢失是一个已知问题,也已有相应解决方案。AI 智能体带来的是另一类问题。消费者向助手询问预算范围内最好的防水夹克。助手会读取商品页面、比较选项并推荐几个商品。消费者可能会点击,也可能稍后把品牌名复制到搜索框中,或者直接让智能体完成购买。您的分析系统可能会将其记录为直接流量、品牌搜索,或者什么都记录不到。

有三个因素让这件事变得困难。
智能体不是人类消费者。 研究人员构建了一个名为 ACES 的沙盒,用于测试 AI 智能体会购买什么,并发现 明显且因模型而异的敏感性 ,涉及商品信息结构、价格和背书信息。某项优化可能对一个模型有效,却对另一个模型几乎没有作用。
最后点击会误导判断。 一篇关于电商推荐的论文描述了 “点了 A,买了 B”的模式,即用户与一个商品发生互动,之后却购买了另一个商品。在 AI 智能体场景下,获得推荐的商品与最终进入购物车的商品可能并不相同,因此只给最后一次点击归因,会扭曲真实情况。
来源标签并不完整。 有些 AI 产品会在外链中加入来源参数,有些则不会,而且很多提及根本不会产生点击。您在分析系统里看到的,只是下限,而不是总量。
您的商品信息真的会被选中吗?先衡量这一点
在把销售归因给 AI 智能体之前,先确认智能体是否真的会选择您的商品。这是 Cookie 从未覆盖的上游指标,也是您可以直接优化的部分。
ACES 实验是一个很有参考价值的案例。优化商品描述后,卖家的平均市场份额提升了 2.69 到 5.64 个百分点,具体取决于模型:Claude Sonnet 4 为 +2.69,GPT-4.1 为 +5.64,Gemini 2.5 Flash 为 +4.83。这些是在模拟市场中的实验结果,并不代表您的店铺一定会达到同样效果,但它说明内容优化确实会影响智能体的选择,而且不同模型反应不同。

信息溯源同样重要。一项关于对话式购物智能体的研究指出, 引用准确的商品信息 可将用户互动提升 3% 到 10%,而引用生成方法可使溯源表现提升 13.83%。页面上清晰、可验证的商品事实,会让智能体更放心地重复引用。
如果想更全面了解 AI 在各类店铺中的应用,这篇关于 电商中的 AI 应用案例 的汇总,展示了内容优化正在产生效果的方向。
适用于 Shopify 或 WooCommerce 店铺的实操方案
这套流程适用于大多数店铺,而且不需要专门的数据团队。
- 先锁定基线数据。 以店铺平台数据为准,按周记录订单量、收入、新老客户占比以及广告支出,而不是依赖广告后台。这才是您的真实数据来源。
- 添加购买后问卷。 选项中可包括搜索、社交媒体、朋友、播客,以及“AI 助手(ChatGPT、Gemini 等)”。每月复查一次。
- 发送服务端事件 到您的主要广告平台,并确保同意机制符合客户所在地区的法律要求。
- 拆分 AI 引荐流量。 在分析工具中为已知 AI 来源建立独立渠道分组,避免它们继续混在引荐流量或直接流量中。随着新产品出现,每季度更新一次列表。
- 进行对照测试。 在某个地区或某一周暂停一个渠道,观察总收入变化。当追踪数据变得模糊时,增量测试是最可靠的答案。
- 测试智能体可见性。 检查 ChatGPT、Gemini、Claude 和 Perplexity 是否会针对消费者常问的问题推荐您的商品,并与占据这些推荐位的竞品进行比较。
- 重写、重新发布、重新检测。 修复测试发现的问题后,再次测试,因为模型行为会不断变化。
第 6 步和第 7 步,往往是大多数店铺完全没有流程覆盖的部分,同时也是小改动最容易带来收益提升的地方。
理想的 AI 归因视图应该是什么样
| 问题 | 信号 | 可信度 |
|---|---|---|
| 智能体是否推荐了我们? | 模拟或抽样的智能体查询 | 对测试提示词可信度高,但整体仍不完整 |
| 是否带来了流量? | 分析工具中带标签的 AI 引荐流量 | 只是下限,会遗漏未打标签的访问 |
| 是否产生了订单? | 引荐订单加购买后问卷回答 | 中等 |
| 是否提升了总收入? | 对照测试与混合收入趋势 | 最高,但较慢 |
没有哪一行数据能单独给出答案。把它们放在一起,才能形成一个连贯的判断,同时也能诚实地区分哪些是实际测量结果,哪些是推断结果。
我们的观点
我们创建 ecentic,是因为店主提出的问题已经变了。过去的问题是“哪次点击应该获得归因?”现在的问题是“AI 智能体会不会选择我的商品,为什么没有选择?”无 Cookie 归因解决的是旅程后半段,也就是用户到达之后发生的事情。但它对前半段几乎无能为力,而前半段恰恰是智能体决定提及谁的地方。
这也是为什么我们会模拟真实的 AI 购物智能体,而不是仅仅按照通用 SEO 因素给页面打分。一个商品信息页面在人类看来可能很完美,但依然会输给竞品,因为智能体对结构、价格信号或缺失属性的权重判断不同。当您知道具体输在哪里时,就可以修复问题,将修复内容发布到 Shopify 或 WooCommerce,然后重新检测,看商品被选中的比例是否发生变化。我们还会把这一循环与归因订单关联起来,让优化结果对应到收入,而不是停留在虚荣指标上。
关于测量,我们的建议是:不要等待一个完美的归因工具,因为它不会存在。先建立第一方数据基线,标记 AI 渠道,把精力投入到真正能改变结果的地方,也就是商品信息本身。
— Xhurian
测试 AI 智能体如何看待您的店铺
如果您经营的是 Shopify 或 WooCommerce 店铺,ecentic 会先提供一次免费的入门检测,展示 AI 购物智能体如何评估您的商品页面。之后可以升级到不同方案:Compete 为每月 $14.90,Scale 为每月 $44.90,Dominate 为每月 $149。此外,每笔由 AI 归因的订单还会收取 3% 的绩效费用。查看 套餐与定价,或试用 UCP Playground 来测试智能体如何评估店铺。关于商品信息优化,可阅读 AI 商品信息优化.
让商品信息更容易被智能体引用
归因告诉您发生了什么,而商品信息优化决定接下来会发生什么。以下几个习惯,对不同模型都有帮助:
- 明确写出商品属性:材质、尺寸、兼容性、保修和配送条款应放在结构化字段中,而不只是图片里。
- 保持标题具体明确。我们的 AI 商品标题 指南详细介绍了如何测试标题效果。
- 让声明可验证。正如前文研究所示,基于准确且可引用事实的智能体表现更好。
- 覆盖消费者会提出的对比问题,例如您的商品与某个知名替代品有何不同。
- 每次修改后都重新检测。想了解分步骤的方法,可参考如何 为 AI 购物智能体优化商品信息 以及如何打造 AI 可读的商品页面.
关于商品类型,还有一点需要注意。有关消费者反应的研究发现,对于 搜索型商品(即定义明确的标准化商品),消费者认为 AI 比人类专家更透明、更可信;而对于依赖主观判断的体验型商品,这种偏好会减弱甚至反转。如果您销售的是后者,除了智能体友好的规格信息,还应搭配评价、演示和真人内容。
需要避免的常见错误
- 只相信一个仪表盘。 每个平台都在给自己打分。请与店铺总数据进行核对。
- 期待实时精准数据。 这类保护隐私的报告在设计上就会延迟提供,并以聚合形式呈现。
- 忽视用户同意。 服务端方案并不等于无需用户同意。请与隐私专业人士一起确认您销售市场中的相关规则。
- 把所有智能体都视为一样。 实验表明,不同模型对同一项修改的反应并不相同。
- 只统计点击。 智能体的一次提及,可能会在一天后带来品牌搜索。问卷和对照测试能捕捉点击遗漏的部分。
FAQ
无 Cookie 归因是否比基于 Cookie 的归因更不准确?
通常只是粒度更粗、速度更慢,并非毫无价值。隐私保护方法往往会用降低精度和延迟报告来换取合规性。相比依赖单一来源,将第一方数据、模型估算和对照测试结合使用,能得到更可靠的答案。
AI 能弥补 Cookie 缺失带来的数据缺口吗?
部分可以。模型能够估算不同触点之间的归因权重,但它们依赖推断而非直接观察,因此一定会存在误差。可将其用于预算方向判断,并通过自己的订单数据进行验证。
我如何知道 ChatGPT 或 Gemini 是否带来了销售?
在分析工具中标记已知 AI 引荐来源,在购买后问卷中加入 AI 选项,并追踪品牌搜索趋势。这些只能提供下限,因为很多智能体提及并不会产生带标签的点击。先测试智能体是否会推荐您的商品,才能看到更上游的情况。
为了应对 AI 购物,我需要新的归因工具吗?
不一定。先建立清晰的第一方数据基线和服务端事件。大多数店铺真正缺少的,是对智能体如何给商品信息排序的可见性,而这与点击归因是两件不同的事。
参考来源
- Google Privacy Sandbox:Attribution Reporting API 概览
- Google Privacy Sandbox:Attribution Reporting 系统概览
- JENTIS:Google 不会淘汰第三方 Cookie
- IMDA:隐私保护归因与测量案例研究
- Private attributes:隐私保护广告技术的含义与机制
- What Is Your AI Agent Buying?(arXiv)
- Click A, Buy B:重新思考电商推荐中的转化归因(arXiv)
- Cite Before You Speak(arXiv)
- 人类推荐与 AI 推荐对消费者反应的影响
探索相关主题