
无论用户是在Google搜索、去Amazon,还是询问聊天机器人,AI都会给出带有商品的回答,而大多数电商品牌并不知道怎样才能让自己的商品出现在这个回答里。全渠道AI归因,就是用机器学习来判断线上和线下每个渠道分别对一笔订单贡献了多少。它需要干净的触点数据、几个月的历史数据,以及一种能验证其答案是否具有因果性而不只是看起来合理的方法。
我的看法是:归因一直都是数据对过去做出的叙述,而AI主要是让这个叙述更流畅。这当然有用,前提是你记得这是谁写出来的。与此同时,一个新渠道已经出现:购物者的助手会读取你的商品数据,挑选商品,有时还会直接下单。大多数归因看板里根本没有这一列。
摘要
- 全渠道归因会把所有触点,包括线下渠道和自有渠道,整合成一幅完整图景。多渠道归因通常是逐个比较各个数字渠道。
- AI模型需要用户级的触点和转化数据。Adobe 表示,一个好的模型至少需要 90 天数据和 1,000 次转化。
- 归因描述的是发生了什么。只有实验才能告诉你哪些结果是营销真正带来的,因此要用留出组来校准模型。
- 分阶段推进:先设定 KPI,审计数据,集中管理数据,测试模型,然后再调整投放并观察结果。
- AI助手现在已经成为访问和订单的来源。要把它们标记为独立渠道,并修复它们读取的商品数据。
全渠道归因在实际中意味着什么
多渠道归因会在你运营的各个数字渠道之间分配功劳:付费搜索、社交媒体、电子邮件、联盟渠道。每个渠道都会分到一部分订单功劳。全渠道归因则试图更进一步。它把购物者视为同一个人:这个人看过联网电视广告、到过门店、打开过邮件,随后又在网站上下单;它要回答的是,这些渠道是如何相互强化的。
不同供应商给出的定义都会有些差异,而这很重要,因为供应商的数据规则决定了“全渠道”实际涵盖什么。以Klaviyo为例,它的 关于全渠道归因的帮助中心文档 说明,会将已识别用户的网站会话与Klaviyo消息互动结合起来。在开启相应设置后,也可以纳入购物者后来被识别后、其此前的匿名活动。来自其他来源的会话,只有在带有归因参数且落在已配置时间窗口内时才会被计入。对于电子邮件和短信平台来说,这样的设计完全合理。但相比电视广告策划者理解的“全渠道”,它的范围也更窄。
实操上的检验方法是:当一个工具说自己支持全渠道时,要问清它到底能实际看到哪些触点,又是推断哪些触点。一个同时有POS、入驻平台和Shopify站点的商家,手上会有三个几乎很少能在客户身份上达成一致的数据源。归因层能整合到什么程度,取决于其下方的身份层整合到了什么程度。
AI部分增加了什么
经典规则很简单。首次触点把功劳记给第一次互动,末次触点记给最后一次互动,线性模型则平均分配。基于AI的模型改为从数据中学习这些权重。
Adobe的文档是个很具体的例子。它的 Attribution AI 概览 写道,这项服务会计算客户在各个渠道和旅程阶段中的互动所产生的影响和增量影响,包括展示曝光、邮件发送与打开,以及付费搜索点击。同一页面也列出了它支持的规则型评分:首次触点、末次触点、线性、U形和时间衰减。所以,即便是AI产品,也保留了这些旧模型用于对比,我认为这种做法是对的。
第二部分是线下触达。Adobe的 统一建模文档 介绍了一种因果AI模型,把聚合层面的营销组合建模与事件级多触点归因结合起来。事件级部分解释用户旅程。聚合层面部分则捕捉线下渠道、边际回报递减,以及各渠道如何相互作用。单靠任何一种方法都做不完整,这正是混合方法存在的主要原因。
那么,AI到底带来了什么?按我阅读这些系统的经验,主要有三点:
它能处理大量触点,而不用你手动设定权重。它可以建模滞后效应,这对慎重型购买尤为重要。它还会随着行为变化重新估计。但它带来的不是真相,而是一个拟合得更好的猜测。
它需要哪些数据
大多数项目都会卡在这里,通常是在模型建立之前。
Adobe的 Attribution AI 输入和输出文档 讲得很具体。模型需要触点和转化的身份字段与时间戳字段,需要触点的渠道和营销字段,以及商业转化数据。一个好的模型至少需要90天数据和至少1,000次转化,而默认训练与回溯设置则要求236天输入数据。Adobe还建议尽可能纳入更多转化列和触点列。
把这个要求放到小店铺的情况里看就很清楚了。如果你每月只有200个订单,那么在90天这个最低周期内,你达不到1,000次转化。这不是在评价你的营销做得好不好,只是在说明那个特定产品的适用范围。规模较小的团队,更适合使用简单、透明的模型,再配合少量执行良好的留出测试。
正如 同一份Adobe概览 所说。基于图的神经网络方法对数据要求更高。Kumo的 关于转化归因的技术文档 指出,这类方法需要用户级旅程数据、时间戳和清晰的转化事件;如果你手上只有聚合后的渠道数据,就不适用。
说白了,在任何模型真正有帮助之前,你得先具备三样东西:
| 你手上有什么 | 适合什么 |
|---|---|
| 按周汇总的投放花费和销售额,没有用户级旅程数据 | 营销组合建模和简单的留出测试 |
| 用户级网站和电子邮件数据,单一身份标识 | 规则型和数据驱动型多触点归因 |
| 覆盖网站、App、门店和广告的用户级数据,加上足够的数据量 | 机器学习归因,并用实验进行校准 |
这张表反映了上文Adobe和Kumo文档里的数据要求。要选你现在所在的那一行,不要选你希望自己所在的那一行。
归因不等于增量效果
如果在购买归因工具之前你只读一件事,那就读懂这两个概念的区别。
IAB 的 商业媒体增量测量指南于 2025 年 11 月发布,对两者做了清晰区分。归因和 ROAS 描述的是已观察到的贡献,也就是实际发生了什么。增量衡量的是营销额外带来的结果,相对于一个可信的“未进行营销”的反事实场景。指南列出了能够实现这一点的方法设计:随机对照组、保留组或幽灵广告、匹配市场以及合成控制。指南还警告,季节性、定价、促销、竞品、同期活动、选择偏差、多重共线性以及曝光关联不完整,都会扭曲测量结果。
这最后一组因素,就是为什么 Black Friday 的数据很难解读。所有变量都在同时变化。
研究人员正在努力缩小这一差距。一项发表于《Management Science》的研究《 通过实验预测增量效果》于 2026 年 10 月 8 日发布,使用了 2,226 个 Meta 实验,学习如何将实验结果映射到非实验营销活动。研究报告称,每单位投入(以 dollars 计,币种未注明)带来的增量转化的样本外 R² 达到 0.88,而七天最后点击归因仅为 0.19。研究还指出,其方法与基于实验的决策在 8% 到 12% 的营销活动中存在分歧,而最后点击归因的分歧比例为 12% 到 20%。

我从中得到两个结论。第一,最后点击并不能很好地预测广告真正带来的效果,这点大多数人其实早有怀疑。第二,即便是表现最好的方法,依然建立在随机实验学习之上。AI 没有取代实验,而是在扩展实验。
需要公平说明的是:这项研究只覆盖单一平台上的广告活动。它并不能说明电子邮件、门店流量或自然渠道的表现。因此,应将它视为对方法有效性的证据,而不是你的业务基准。
本季度即可落地的实施方案
IAB 的 跨渠道测量实施手册 给出了一个适用于大多数电商团队的实施顺序。按实际执行流程如下:
- 定义目标和 KPI。 明确模型需要影响的决策,例如在付费社媒和电子邮件之间调整预算。如果没有任何决策依赖这个结果,就不要启动这个项目。
- 梳理渠道和触点。 Dataiku 的 归因指南 建议列出所有触点,并记录其数据来源和限制,因为对数据理解不足会同时削弱准确性和利益相关方的信任。
- 集中管理数据。 IAB 手册建议将所有渠道整合进数据仓库或数据湖,建立治理机制,并尽可能自动化 ETL(数据移动与清洗任务)。
- 并行测试多种模型。 同一份手册建议,将机器学习驱动的数据归因,与单触点和基于规则的多触点模型同时使用。当它们得出不同结论时,本身就是有价值的信息。
- 如实设置回溯窗口。 Adobe Mix Modeler 支持团队定义 1 到 52 周的回溯窗口 ,并为不同渠道配置 adstock 和延迟效果,避免把慢渠道当成立即生效的渠道。
- 检查隐私和用户同意。 这件事应在系统构建前完成,而不是上线后补做。
- 调整投放,然后观察。 Dataiku 指出,归因模型无法像普通预测模型那样打分,因为没有已知标签可供对照。实际可行的测试方式,是根据模型调整预算,然后观察业务结果。
第七步往往最容易被团队忽略。没有人真正采取行动的模型,本质上只是一个仪表盘。
明确说明限制与隐私问题
IAB 的 跨渠道测量最佳实践指南 将主要障碍归纳为数据孤岛、归因复杂性、技术壁垒和隐私问题。其建议方案包括集中化数据管理、细粒度曝光级记录、与业务问题匹配的归因模型、预测分析、仪表盘以及同意管理。这些都不是什么复杂的新技术,本质上更多是基础治理,而真正决定模型是否有效的,往往就是这些基础工作。
IAB 的 《2026 数据现状报告》是一项于 2026 年 2 月发布的美国研究。报告指出,隐私监管和平台变化,已经让数据分散到彼此断开的系统中。报告还将法律、安全、准确性、数据质量、可访问性、部署复杂度、成本以及偏差问题,列为 AI 在测量领域落地的主要障碍。
隐私保护技术是有代价的。一项 针对 108 项研究的 2026 年系统性综述 指出,在已记录的设置中,差分隐私会根据隐私预算不同,使精度下降 2% 到 33%。同一综述还表示,在已记录的部署中,联邦式方法大约保留了集中式方案 90% 到 95% 的性能,但其泛化能力和因果可信度仍缺乏充分验证。研究还发现,深度学习归因虽然可以提高预测准确性,但如果没有实验校准,依然无法建立明确的因果关系。
因此,比较诚实的总结是:更强的隐私保护,通常意味着模型更模糊;而更“锐利”的模型,也不一定更正确。这两点都说明,实验仍然需要保留在流程中。
大多数归因体系忽略的渠道
这里是我开始不同意标准方法论的地方。它默认点击的是消费者本人。但越来越多的商品发现过程,如今是由 AI 助手代替消费者读取你的数据完成的。助手不会访问你的首页,它读取的是商品信息流、商品目录,以及商品页面中的结构化数据(也就是说明商品是什么、价格多少、如何发货等机器可读标签)。
在美国的 Google AI Mode 和 Gemini 中,智能体甚至可以通过 UCP(Google 的开放式智能体结账标准)替消费者完成结账。相比之下,ChatGPT 会跳转到商家自己的结账页。OpenAI 有 ACP,Google 有 UCP,而 Amazon 选择封闭体系。
这会给归因带来两个问题。第一,来自助手的访问通常会被归入“直接流量”或“引荐流量”,导致这个渠道实际上不可见。第二,助手的选择发生在任何可测量触点之前。如果你的商品数据在比较中输了,你甚至不会获得可归因的访问。

我们已经看到这种选择有多么不均衡。在我们基于同一商品目录进行的模拟购买中,ChatGPT 选择某商品的频率大约是 Claude 或 Gemini 的三倍,分别为 51.6% 和约 18.5%。实际上,每个助手都像一个拥有自身规则的独立渠道。如果想深入了解测量部分,可以参考以下内容: 如何追踪 AI 购物流量, AI 归因在电商中可以测量什么 以及 基于 AI 的无 Cookie 归因。如果正在选择软件,我们的 AI 归因工具对比 列出了不同方案及其适用对象。
需要说明的是:ecentic 并不是完整的全渠道归因套件。它不会对电视广告支出或线下门店客流进行建模。在 Shopify 上,它会追踪来自 AI 助手的访问,用于补足上文提到的缺口,但不会追踪收入或销售额。其余部分仍需依赖你的主归因系统。
我们对归因下一步发展的看法
我们认为,下一场归因之争的核心不再是 Cookie,而是谁能在点击发生前被选中。当 AI 智能体只向消费者推荐一个商品时,在比较中落败的品牌根本不会出现在任何报表里,无论模型多聪明。
因此,我们专注于门店本身:智能体用于购买的商品 feed、商品目录和结账流程。ecentic 可连接 Shopify、WooCommerce 或商品 feed,让 ChatGPT、Claude 和 Gemini 将每个商品与指定竞品进行比较,并显示落败原因。当商家点击 Apply 时,ecentic 会重写标题、描述和结构化数据,并发布到店铺。
在 Shopify 上,ecentic 会将修正内容推送到 Google Merchant Center,并跟踪来自 AI 助手的访问。在 WooCommerce 上,免费的 ecentic 插件可让智能体通过 UCP 搜索商品、将商品加入购物车并完成结账。普通商品数据源工具并不具备这一结账能力。
这些数据还处于早期阶段,我们也明确说明了这一点。在首个试点客户 DUA Flavours 中,来自 AI 助手的访问和直接流量在 2026 年 4 月到 7 月期间增长了 12%。这是访问量数据,而不是销售数据,我们不会将其表述为更多。
我认为更合理的顺序是:继续测量传统渠道,通过实验进行校准,并确保智能体首先能够读取并从你的店铺完成购买。持续测量一个你正在输掉的渠道,只会让你更精准地看着自己输。
Xhurian Shaba
在自己的商品上试试看
如果想了解助手如何将你的商品与指定竞品进行比较,可以先使用免费检测。它覆盖前 10 个商品,无需绑定银行卡。系统会用通俗易懂的英文说明为什么智能体选择了其他商品,帮助你明确该如何调整标题、描述和结构化数据。

付费方案从 Compete 开始,价格为每月 $14.90,最多支持 100 个商品。Scale 为每月 $44.90,最多支持 1,000 个商品,并提供一键修复功能。Dominate 为每月 $149,额外提供 Google Merchant Center 同步和智能体结账配置。另有按使用付费方案,按 AI 归因订单的 3% 收费,每月上限为 $500。当前条款详见 ecentic 定价页面, 工作原理 页面则详细介绍了模拟、诊断和优化流程。
FAQ
全渠道归因和多渠道归因有什么区别?
多渠道归因通常是在你运营的数字渠道之间分配贡献,并按渠道分别分析。全渠道归因则试图围绕同一个消费者,连接包括线下渠道和自有渠道在内的所有触点。实际效果取决于工具到底能关联哪些数据,因此需要确认它实际能看到哪些触点。
AI 归因需要多少数据?
这取决于产品。Adobe Attribution AI 文档指出,一个有效模型至少需要 90 天数据和 1,000 次转化,默认设置则要求 236 天输入数据。低于这一规模的店铺,通常更适合使用简单模型和保留组测试。
AI 归因能证明哪个渠道促成了销售吗?
不能,至少不能单独做到。IAB 指南指出,归因描述的是已经发生的结果,而增量测量需要可信的反事实对照,例如保留组或匹配市场。模型用于提出假设,实验用于验证假设。
全渠道归因会覆盖来自 AI 助手的流量吗?
只有在你主动配置的情况下才会。很多系统会把助手访问归入直接流量或引荐流量。应将助手单独标记为流量来源,并确保它们读取的商品数据完整,这样它们才有机会首先选择你的商品。
参考来源
- 理解全渠道归因,Klaviyo 帮助中心
- Attribution AI 概览,Adobe Experience Platform
- 统一建模,Adobe Marketing Campaign Analytics
- Attribution AI 的输入与输出,Adobe Experience Platform
- 广告技术中的转化归因,Kumo
- 商业媒体增量测量指南,IAB
- 通过实验预测增量效果,《Management Science》
- 营销人员跨渠道测量实施指南,IAB
- 使用机器学习强化营销归因,Dataiku
- 在 Mix Modeler 中构建模型,Adobe
- 营销人员跨渠道测量最佳实践,IAB
- IAB《2026 数据现状报告》
- 值得信赖的营销测量 AI:系统性综述,SSRN
探索相关主题