归因模型没告诉你什么

本文探讨了归因模型在现代营销中的重要性及其局限性，强调了多层归因、营销组合模型和增量测试的结合使用，以应对隐私法规和技术变化带来的挑战。

可靠的数据显示出成功 martech 策略的核心，为营销人员提供足够的清晰度来做出关于绩效和优化的决策。尽管对及时、准确数据的需求从未改变，但数据的应用随着商业目标与预期的变化而不断演变。

如今，衡量工作需要居于核心位置。没有对效果清晰理解的方向就无法进行优化。然而，最近的变化——技术进步与日益严格的隐私法规——打乱了 marketers依赖的归因模型。如今，仅靠一种测量方法已经不够用了。

因此，营销人员必须采用更灵活、层次化的策略，既反映客户旅程的复杂性，也适应传统追踪日益受到限制的趋势。通过结合多层归因（MTA）、营销组合模型（MMM）和增量测试，可以构建一个更加全面、准确的绩效驱动模型。

每种方法都有其独特的作用。关键在于知道何时使用哪种方法。

多层归因

理解客户如何通过用户层面触点进行互动并转化始终是任何营销人员的重要工具。无论是在谷歌广告（Google Ads）、Facebook 还是 DV360 等主要平台上进行大额投标和报告，用户层面的归因总是必要的。它支持对 Google、Facebook 和 DV360 等主要平台的主要核心功能。

然而，随着法规变化与用户数据受到越来越严格的审查，归因模型出现了缺口。无论是欧盟的《通用数据保护条例》（GDPR）还是美国的《加利福尼亚消费者隐私法案》（CCPA），都对数据共享和处理提出了新的限制，加速了对第三方cookie的弃用。

因此，获取一个清晰、直接的用户行为视图——尤其是上沿活动——变得越来越复杂。仅靠多层归因就无法提供完整的视图，因此必须与替代测量方法相结合。

营销组合模型

在隐私和追踪近期发生重大变化之前，营销组合模型就已经帮助营销人员理解销售的更广泛因素了。

传统上，MMM 输出以 6–12 个月为周期的静态报告，并将输出归纳到数字媒体、线下媒体和电视等大类中。这通常使应用者难以将其应用于战术决策。但借助机器学习的进步，这些能力现在可以在更频繁、更详细和更易获取的格式中提供，使其更容易让品牌上手并采取行动。

MMM 最大的优势之一是其能够整合大量数据源的能力，以理解真正影响绩效的因素。经过精心设计的模型可以考虑从 branded search、CTV 和 Meta 广告等 branded spend 到库存、季节性、价格和竞争对手活动等外部因素的一切内容。

这使营销人员能够回答战略业务问题——例如如何在渠道之间分配预算、预测ROI或区分折扣的影响与营销努力。尽管多层归因最适合日常优化，但MMM提供了战略视角，支持长期规划和跨部门协作。

历史上，访问 MMM 需要大量的技术投资和许可证。然而，Meta 的 Robyn 和 Google 的 Meridian 等开源工具的发布降低了这一门槛。虽然这些工具仍然需要数据科学家和营销专家的混合技能，但它们已经民主化了高级测量——既适用于经验丰富的用户，也适用于新接触 MMM 的品牌。

增量测试

尽管其优势显著，但MMM依赖于历史数据来评估绩效并预测未来结果。然而，在新渠道或产品推出时，由于缺乏历史数据，MMM 的效果会大打折扣。

在这种情况下，增量测试就证明了它的价值。统计上，它仍然是可用的最稳健的测量方法之一。无论是通过地理实验还是用户层面的 A/B 测试，设置严格的对照组和暴露组允许营销人员隔离一个特定变量的影响——例如渠道、广告或定价变化——并衡量其对销售额的实际影响。像 MMM 一样，增量测试不受隐私限制的影响，因此是任何品牌测量策略中不可或缺的一部分。

增量测试的一个显著优点是可以验证其他测量方法的发现。例如，一个地理实验可以确认将预算从affiliate 转移到 CTV 是否真的提高了ROI。即使测试没有取得预期结果，它们也能提供关键输入——帮助校准MMM模型并完善未来的决策。

然而，重要的是记住，增量测试只是某一特定时刻的快照。一个月前的一个通用搜索测试的成功并不意味着未来会有同样的效果。为了保持对营销效果清晰、及时的理解，品牌应该定期运行这些测试，并根据可能的情况进行分组。这样做可以揭示更深入的见解——例如，哪种通用关键词带来了最多的增量价值。