先講一個會讓你不舒服的事實：那個「臨門一腳」帶來訂單的廣告，很可能是最不需要你付錢的一個。因為顧客早就想買了，只是剛好又看到它一次。真正把陌生人推進購物漏斗的，往往是三週前那支你正打算關掉、因為「沒有直接轉換」的品牌影片。
這就是歸因（Attribution）要處理的核心問題：一筆訂單背後有好幾個接觸點，功勞到底算誰的？算錯了，你就會砍掉真正有效的渠道，把錢加碼在只是收割現成需求的渠道上。這篇文章，我把電商最常用的五種歸因模型，一種一種拆給你看。
為什麼你花的每一塊錢，可能都被算在錯的地方
想像一位顧客的購買旅程：星期一在 Instagram 滑到你的品牌短影音（第一次接觸），星期三 Google 搜尋你的品牌名點進官網逛了一圈沒買，星期五收到你的 EDM 再回訪，星期日看到再行銷廣告，終於下單。這條路徑上有四個接觸點：社群影音、自然搜尋、EDM、再行銷廣告。
問題來了：這筆訂單的功勞給誰？如果你只看最後一個，那所有預算都會流向再行銷。但再行銷之所以有效，是因為前面三個接觸點已經把人養熟了。歸因模型，就是決定「功勞怎麼分」的那套規則。不同規則，會把同一筆訂單算給不同渠道，你的決策也就完全不同。
先搞懂歸因在分什麼：功勞分配的本質
記住一個框架就好：歸因＝把一筆轉換的價值，沿著接觸點路徑，用某種規則分配下去。所有模型的差別，只在「規則」兩個字。有的規則把 100% 給某一個點，有的平均分，有的按時間遠近加權。
再記一組對照詞：單一觸點模型（只給一個接觸點功勞）與多重觸點模型（把功勞分給多個接觸點）。最終點擊、首次點擊屬於前者，簡單但偏頗；線性、時間衰減、數據驅動屬於後者，接近真實但複雜。搞懂這條分界，下面五種你就不會混。
五種歸因模型逐一拆解
最終點擊（Last Click）
把 100% 功勞給轉換前最後一個接觸點。這是 GA4、多數廣告平台的傳統預設，也是最容易誤導人的一種。它的優點是簡單、好對帳；缺點是嚴重高估「收割型」渠道（再行銷、品牌字搜尋），完全忽略前期的品牌經營。如果你只看這個報表，你會誤以為社群、內容行銷「沒用」。
首次點擊（First Click）
相反，把 100% 功勞給第一個接觸點。它凸顯「誰把新客帶進來」，適合看開發新客的效率。但它同樣偏頗：完全忽略後面所有臨門一腳的努力，會讓你高估認知型渠道、低估轉換型渠道。
線性（Linear）
路徑上每個接觸點平均分配功勞。四個接觸點，各拿 25%。它的好處是承認「每一步都有貢獻」，公平但天真——現實中，接觸點的重要性本來就不一樣，把它們一視同仁反而失真。
時間衰減（Time Decay）
越接近轉換的接觸點，分到越多功勞，越早的越少，通常以「半衰期」計算（例如每往前 7 天，權重減半）。這對促銷檔期、短決策週期的商品很合理，因為臨門一腳確實更關鍵。但它會系統性低估品牌前期投資。
數據驅動歸因（Data-Driven Attribution, DDA）
這是目前 Google Ads 與 GA4 的預設方向。它不套用固定規則，而是用機器學習比較「有接觸 vs 沒接觸某渠道」的轉換機率差異，反推每個接觸點的真實貢獻，功勞分配是小數、動態、因帳戶而異。它最接近真實，但也最像黑盒子。
同一筆訂單，五種算法算出五個答案
用前面那位顧客的四接觸點路徑（社群影音→自然搜尋→EDM→再行銷）舉例，一筆 3,000 元訂單會被這樣拆：最終點擊把 3,000 元全給再行銷；首次點擊全給社群影音；線性四個各 750 元；時間衰減可能是社群 300、搜尋 600、EDM 900、再行銷 1,200；數據驅動則可能算出社群 1,050、搜尋 450、EDM 600、再行銷 900，因為模型發現「有看過社群影音的人」轉換率明顯較高。
看懂了嗎？同一筆真實訂單，換個模型，社群影音的價值可以從 0 元跳到 1,050 元。你如果用最終點擊的報表去砍社群預算，砍掉的其實是你最會開發新客的渠道。這就是為什麼「用哪個模型」不是技術細節，而是攸關生死的商業決策。
怎麼選：依產品週期與行銷階段對號入座
給你一套可以直接套用的判斷：
- 決策週期短、客單價低（快消、食品、日用）：時間衰減或數據驅動。臨門一腳確實重要，但別完全無視前期。
- 決策週期長、客單價高（家具、3C、B2B）：一定要用多重觸點（線性、位置基礎或 DDA），因為顧客會反覆研究，單一觸點會嚴重失真。
- 剛開始衝新客、要看開發效率：搭配首次點擊當輔助視角，找出「誰在帶新客」。
- 資料量夠大（每月轉換數百筆以上）：直接上數據驅動，讓模型自己學。
- 資料量太小：DDA 會不穩，先用時間衰減這種規則清楚、可解釋的模型。
破一個迷思：沒有「最正確」的歸因模型，只有「適合你當下問題」的模型。成熟的做法是同時看兩三種模型交叉比對，而不是迷信單一數字。
AI 怎麼幫你讀歸因報表
歸因報表最大的痛點不是算不出來，是「算出來一堆數字，看不懂要幹嘛」。這正是 AI 派上用場的地方。你可以把 GA4 的歸因比較報表（例如同時匯出最終點擊與數據驅動兩組數據）貼給 AI，請它幫你找出「在兩種模型下功勞差異最大的渠道」，這通常就是你被傳統報表低估或高估的渠道，是最值得重新分配預算的線索。
AI 也能幫你把冷冰冰的歸因結果，翻譯成「如果把社群預算砍一半、加碼到再行銷，預期會發生什麼」的白話推演，加速你的討論。但一定要誠實面對它的限制：AI 只能根據你餵給它的數據推理，它不知道你上個月換了包裝、對手在降價、或某支影片剛好被演算法推爆。這些「數據之外的脈絡」，永遠要靠你自己補上。把 AI 當成加速你思考的副駕駛，而不是替你做決定的黑盒子。
結尾劃重點
三句話帶走：第一，歸因就是功勞分配的規則，規則不同、決策就不同，它不是技術細節而是商業判斷。第二，單一觸點模型（最終／首次點擊）簡單但偏頗，會害你砍錯渠道；多重觸點模型（線性／時間衰減／數據驅動）更接近真實，資料量夠就上數據驅動。第三，永遠交叉比對兩三個模型，別迷信單一數字，並且用 AI 幫你找出模型間差異最大的渠道，那裡藏著你重新分配預算的最大機會。把錢算在對的地方，你才會知道哪一塊真的該加碼。