轉換歸因模型比較評測：用同一組示範路徑並排五種模型的分配結果

沒有最準的歸因模型，只有適合問題的模型。最後點擊看收尾，首次點擊看開發，線性與時間衰減看過程，根據位置兼顧頭尾，數據導向則需要足夠轉換量。拿同一組路徑並排計算，差異一目了然。

這篇是比較評測。我不談理論定義的細節，而是拿三條示範轉換路徑，用五種模型各算一次，把結果放在同一張表上。數字是示範用的，不是任何客戶的實際資料，目的是讓你看清楚模型之間的差異長什麼樣子。

評測前要知道的一件事：GA4 報表裡的模型變少了

依 Google Analytics 說明中心 的公告，GA4 在 2023 年下半年起移除了首次點擊、線性、時間衰減與根據位置這四種規則式模型。報表裡主要剩下數據導向模型，以及最後點擊相關的選項。實際可選的項目以說明中心最新內容為準。

這代表一件事：如果你想比較不同模型，不能只靠 GA4 的下拉選單。你需要把轉換路徑匯出來，自己算。好消息是，規則式模型的算法都很單純，一張試算表就能完成。

另一件事是歸因視窗。模型決定功勞怎麼分，視窗決定多久以前的接觸點算數。兩者要一起看。視窗的選法可以參考 依商品週期選擇歸因視窗的判斷方式。

評測設定：三條示範轉換路徑

假設一家賣居家清潔服務的公司，某段期間有三筆成交。每筆成交記為一百分，我們看五種模型怎麼把三百分分給四個管道：社群廣告、自然搜尋、電子報、品牌字搜尋廣告。

• 路徑一：成交前十四天點社群廣告，前七天從自然搜尋讀到一篇文章，前兩天點電子報，當天搜尋品牌名稱點廣告後成交。
• 路徑二：成交前十天從自然搜尋進站，當天搜尋品牌名稱點廣告後成交。
• 路徑三：只有一個接觸點，點電子報後當天成交。

這三條路徑刻意設計得不一樣長。真實帳戶裡的路徑長短差很多，模型差異也主要來自長路徑。如果你的成交多半是單一接觸點，換模型其實不會改變太多。

五種模型的分配規則

• 最後點擊：成交前最後一個接觸點拿走全部分數。
• 首次點擊：路徑上第一個接觸點拿走全部分數。
• 線性：所有接觸點平均分配。
• 時間衰減：越接近成交的接觸點分數越高。本文設定半衰期七天，也就是早七天的接觸點，權重是當天的一半。
• 根據位置：第一個與最後一個接觸點各拿四成，中間的接觸點平分剩下兩成。只有兩個接觸點時，兩者各半。

數據導向模型不在這張表裡。它的分配方式是由系統根據帳戶內轉換與未轉換的路徑比較後學出來的，無法用固定公式手算。後面會另外說明它的使用條件。

並排結果：三百分落在哪裡

路徑一的時間衰減計算方式如下：四個接觸點距離成交十四天、七天、兩天、零天，權重依序約為零點二五、零點五、零點八二、一。正規化之後，社群約十分、自然搜尋約十九分、電子報約三十二分、品牌字約三十九分。路徑二同理，自然搜尋約二十七分、品牌字約七十三分。

模型	社群廣告	自然搜尋	電子報	品牌字廣告
最後點擊	0	0	100	200
首次點擊	100	100	100	0
線性	25	75	125	75
時間衰減	10	46	132	112
根據位置	40	60	110	90

看這張表，有三件事很明顯。

• 品牌字廣告在最後點擊拿到最多，在首次點擊拿到零。同一個管道，可能是明星，也可能毫無貢獻，完全取決於你選的模型。
• 社群廣告在最後點擊是零。只看最後點擊的團隊，很可能在下一季把社群預算砍掉，然後發現品牌搜尋也跟著變少。
• 電子報在每一個模型都拿到不少分數。原因是它同時出現在路徑中段與單一接觸點的成交裡。分數穩定的管道，通常是比較不受模型選擇影響的管道。

品牌字在最後點擊被高估的問題，有一篇專門的討論：最後點擊模型與其他模型的四場對質。這裡的重點是，並排比較本身就是一種診斷工具。分數在不同模型間變動越大的管道，越需要你多想一下它真正的角色。

每一個模型在回答什麼問題？

選模型之前，先問自己要回答什麼問題。下面這張表把模型、它回答的問題、適合的情況與容易誤導的情況放在一起。

模型	回答的問題	適合的情況	容易誤導的情況
最後點擊	誰負責把人推過終點線	單一接觸點多、決策週期短	低估開發型管道，高估品牌搜尋
首次點擊	誰負責把新人帶進來	評估開發新客的管道	忽略後段培育的努力
線性	每個管道是否都有參與	路徑長且各階段都重要	把順手經過的接觸點也算成功勞
時間衰減	靠近成交的接觸點貢獻多少	有明確促銷期或短決策週期	低估很早期的品牌接觸
根據位置	開發與收尾各貢獻多少	想同時保護開發與收尾預算	中段內容被系統性低估
數據導向	根據實際路徑，各管道的邊際貢獻	轉換量足夠、追蹤完整	轉換量少時結果不穩，且無法手動驗證

數據導向模型什麼時候值得信？

數據導向模型的優點，是它比較了有轉換與沒有轉換的路徑，而不是套用固定比例。缺點是它像一個黑盒子，你看不到每一筆的計算過程。

我自己判斷要不要信它，看三件事。第一，轉換數量是否足夠。Google 對數據導向模型的資料需求有說明，條件以 Google Analytics 說明中心 與 Google Ads 說明中心 的最新內容為準。第二，追蹤是否完整。如果電話、LINE 詢問或門市成交沒進資料，模型只能根據看得到的部分學習。第三，結果是否穩定。連續幾個月看同一個管道的分數，如果大幅跳動又找不到業務上的原因，就不要拿它決定預算。

另外，廣告平台自己的歸因報告，與 GA4 的歸因結果本來就會有落差，因為兩邊看得到的資料不同。這部分的對帳方法，可以參考 廣告平台回報與 GA4 落差的拆解方式。

用試算表重建規則式模型的步驟

如果你想在自己的資料上做這張並排表，可以照下面的順序。

• 從 GA4 的探索報表匯出轉換路徑，欄位至少要有成交編號、接觸點順序、管道名稱、距離成交的天數。
• 每筆成交一列一個接觸點，同一筆成交的列放在一起。
• 新增五個欄位，各自填入五種模型給這個接觸點的分數。最後點擊與首次點擊用順序判斷，線性用一除以接觸點數，時間衰減用二的負天數除以半衰期次方再正規化，根據位置依接觸點數套用四成、兩成、四成的規則。
• 用樞紐分析表，以管道為列、五個模型為欄加總。
• 在旁邊加一欄「最大值減最小值」，找出分數變動最大的管道，作為下次討論預算時的優先議題。

這張表第一次做大約需要一個下午。之後每月只要更新資料，樞紐分析表會自動重算。

依生意型態挑主模型

評測的結論不是選一個贏家，而是決定主模型與對照模型。主模型用來每月追蹤，對照模型用來在預算會議上提醒大家另一個角度。

生意型態	建議主模型	建議對照模型	原因
短決策的電商促銷	最後點擊或時間衰減	首次點擊	收尾效率重要，但要看新客從哪來
長決策的 B2B 服務	根據位置	線性	開發與收尾都關鍵，中段內容要另外檢視
轉換量大的成熟帳戶	數據導向	最後點擊	資料足夠，但需要可理解的基準對照
剛開始投放的小帳戶	最後點擊	線性	資料少，先求穩定，再用線性看整體參與

適用與不適用的情況

這套並排比較，適合有兩個以上行銷管道、成交路徑常有多個接觸點、而且每月要討論預算分配的團隊。它特別適合在預算會議前使用，讓大家看到同一份資料能有多種讀法。

以下情況不適用。第一，大部分成交是單一接觸點，換模型幾乎不會改變結果，花時間比較不划算。第二，追蹤本身有缺口，例如轉換事件設定錯誤、跨網域沒有串接，這時任何模型都只是在錯的資料上計算，應該先修追蹤。第三，規則式模型無法回答增量問題。要知道某個管道到底有沒有帶來額外成交，需要設計對照實驗，而不是換一個歸因模型。

如果你需要協助建立歸因比較表或修整追蹤設定，可以參考我們的 數據分析與行銷顧問服務。