用 AI 做归因分析：方法、陷阱与建议

一个用户早上刷到 A 渠道的信息流广告，中午点了 B 渠道的搜索链接，晚上从 C 渠道的推送下单。这笔订单该记在谁头上？如果三家渠道各自统计，加起来往往是实际成交额的两三倍。归因分析要处理的就是这类「一笔钱被记了好几遍」的问题。下面讲清四件事：几种归因口径差在哪，AI 在整条链路里能接手哪几步，相关不等于因果会以哪三种方式让人算错，以及什么做法比任何归因模型都可靠。

归因真正要回答的，是多出来的那一部分

渠道报表上的数字，回答的是「谁碰过这个用户」，并不回答「谁让这个用户买了」。用户只接触一个渠道时，这两件事几乎重合；用户接触五六个渠道时，它们就彻底分开了。归因模型做的是把功劳按规则切开，切法不同，各渠道的名次就会换位置。

这件事在预算决策里的位置很靠前：钱往哪个渠道加，取决于上一轮各渠道的贡献排序。排序错了，下一轮的钱就投错地方，而错误要两三个月后才在整体转化率上显形。所以归因的价值不在「算得准」，而在「口径稳定、能看出偏差朝哪个方向偏」。

四种口径，差别只在功劳怎么切

首次归因把全部功劳给第一个触点，适合评估拉新；末次归因给最后一个触点，适合评估临门一脚的转化位；线性归因在所有触点间平分，适合触点数量少、间隔短的链路；时间衰减归因让越靠近成交的触点权重越高，适合决策周期长的品类。数据驱动归因则是用模型学出每个触点的边际贡献，听着最客观，但它学的仍然是历史数据里的相关性。

这四种口径没有对错，只有立场。用首次归因，品牌广告的功劳会被系统性放大；用末次归因，搜索和信息流的功劳会被放大，因为它们离成交最近。所以让 AI 同时跑四套、把差异列出来，比只跑一套「最先进」的模型有用得多。模型给出的解释是否站得住，可以对照可解释性里的几种归因方法去核。

从触点日志到结论，AI 能接手四步

四步的先后顺序不能颠倒，第二步跳过，后面全是空谈：

归因这一步最容易糊弄过去。模型很擅长给出一段听起来合理的解释——「该渠道在决策后期出现频次高，因此末次归因下权重更大」，这句话只是把规则复述了一遍，不包含任何新信息。真正的解释要看数据：换口径后名次上升的渠道，是不是恰好集中在某类人群、某个时段。

相关不等于因果，三种陷阱会让结论翻车

第一是辛普森悖论。假设 A 渠道整体转化率 3.1%，B 渠道 3.4%，看起来 B 更好；但按新老用户拆开，A 在新客里是 4.2%、B 是 3.8%，在老客里 A 是 6.1%、B 是 5.5%，两段都是 A 更高。原因是 A 拿到的多是新客，新客本身转化率低，把整体拉下去了。只看汇总数，会得出与分层结果完全相反的结论。

第二是选择偏差。愿意点某个渠道广告的人，往往本来就是高意向用户。报表上这个渠道转化率高，可能只是因为它筛到了更容易下单的人，与广告本身关系不大。这类偏差一旦被模型学进去，还会在后续投放里自我强化，样本偏差如何进入模型讲的就是这条路径。

第三是遗漏变量。大促期间所有渠道的数据一起上涨，如果模型没把促销日历放进去，就会把季节性涨幅分配给当时投放最多的那个渠道。三种陷阱有个共同点：数据本身没错，错在把「一起出现」读成了「一个造成另一个」。分层之后结论是否显著，可以用假设检验的基本思路做一次粗筛。

归因结果能信几分，取决于链路之外的东西

模型只对它看到的日志负责。用户手机上看、电脑上买，两条链路对不上，这次转化就归不到任何渠道；线下看到电梯广告再回家搜索，前半段根本没有记录；本来就会复购的老客，被算成了广告的功劳。这几类缺口加起来，通常足以让渠道之间的差距失去意义。

还有一层是数据获取本身的收缩。跨应用追踪受限之后，能拿到的标识变少，模型只能用统计方法去补，补出来的部分误差不可控。所以看到一份归因报告，先问三个问题：覆盖了多少触点、跨设备怎么合并、自然转化怎么扣除。这三个问题答不上来，报告里的百分比就只是相对排序，不能当绝对值用。

小范围随机实验，比任何模型都硬

想回答「多投这笔钱能多带来多少单」，可靠的办法是做增量实验：把人群随机分成两组，一组能看到投放，一组看不到，两组转化率之差就是增量效果。它不依赖归因规则，也不怕跨设备断裂，因为比的是两组人，不是两次点击。

代价是成本和周期。样本量要够大才能压住随机波动，实验期要覆盖一个完整的购买周期，投放侧的配合也要谈。所以务实的做法是分工：日常用归因模型看趋势、找可疑渠道，遇到大额预算调整时，用小范围实验去验证。模型负责提问题，实验负责给答案。

速查：归因分析的四条自检

• 先问口径：这份报告用的是首次、末次还是数据驱动，换一套排序会不会变
• 再问覆盖：跨设备合并了多少，线下触点和自然转化扣了没有
• 看到高转化渠道，先按新老用户、时段、地域分层看一遍
• 大额预算调整前，用随机分组实验验一次增量，别只信模型