廣告成效是怎麼計算的？認識成效歸因-Attribution

2022 年 11 月 30 日

每一筆線上訂單的產生，成效到底歸屬於哪一個來源媒體，其中的歸因邏輯與歸因模型，就是「Attribution」的議題。

「顧客旅程(Customer Journey)」可以幫助我們理解很多的事情，也是DMP或CDP裡面很重要的一種數據基礎。顧客旅程可以幫助我們理解消費者的購買意圖，因此可以協助我們思考「媒體佈局」策略，了解「再行銷」運作的原理。（延伸閱讀：廣告追蹤碼到底在追蹤什麼？—重建「顧客旅程」（Customer Journey）)

顧客旅程也可以協助釐清「廣告成效認列」，或者是「廣告成效歸因」，也就是數位行銷越來越熱門的題目- Attribution。

什麼是 Attribution？什麼是成效認列？什麼是成效歸因？

用一個顧客旅程來看（下圖），同一個一個消費者，因為不同的媒體(或廣告)：Facebook、Google、Line，進來了你的網站，創造了四個不同的瀏覽工作階段（什麼是工作階段？），在最後一個流量來源為Facebook的工作階段，結帳下了一筆訂單，這張訂單的轉換成效，應該算作是哪一個流量來源媒體？

就普遍理解的認列邏輯，這張訂單成效，應該歸因給Facebook，算做是Facebook的廣告成效。

但Google帶入了這個消費者，第一次認識這個網站，Line也有效助攻，讓消費者多做了考慮，把商品加入了購物車，其實從整個顧客旅程來看，這兩個媒體也絕對有貢獻。

所以一筆訂單的產生，到底歸屬於哪一個媒體帶來的貢獻，其中的認列邏輯與認列模型，就是「Attribution」的議題。

從顧客旅程的Raw Data 看 GA電子商務轉換的歸因邏輯

顧客旅程的原始資料（Raw Data）長什麼樣子？原始的消費者網站行為資料，其實就是消費者每一個點擊（Click or Tap），一個點擊一筆資料，一筆一筆累積出來的。

依據時間順序，我們可以看到一個消費者從第一個點擊開始，通常就是從外部媒體（或廣告）進入網站的到達頁（Landing Page），然後開始一個新的工作階段（Session），消費者在這個工作階段點了好幾個網頁（Pageview），每一個點擊都會有是一筆行為資料。

從上圖的原始資料做為案例，我們可以看到這個消費者在21:45分進來了網站，流量來源（UTM_source）是Criteo，然後每一分鐘點了不同的頁面，甚至在21:56分的時候加入了購物車，但最後消費者在21:58分時，停止了繼續點擊（可能去洗澡？）。

然後，這個消費者的行為又在 22:40分又開始了，繼續點擊到 22:51分，消費者下單成立了一張訂單，但最終在GA的電子商務報表上，這筆訂單的轉換是算在(direct)（直接流量），不會算在Criteo。

因為但依據GA計算工作階段的方式，如果用戶行為閒置超過30分鐘以上，就會切割成另一個新的工作階段。所以雖然這個消費者因為Criteo廣告進來了網站，最終也成立了訂單，但21:58分的時候，他停留在瀏覽商品的畫面，然後可能跑去洗澡了（冷靜一下？），洗好回來之後，繼續從原本停住的畫面繼續點擊，但因為已經超過30分鐘了，這個工作階段就變成(direct)，所以最後結帳成立的訂單，依據GA電子商務報表的邏輯，計算在(direct)上，而不是Criteo。

如果把上面的原始資料範例，轉換成同樣顧客旅程的示意圖，就會看到這個顧客的旅程，雖然有紀錄到一連串連續的網站點擊行為，但依據Session Based的認列邏輯，閒置超過30分鐘以上的行為，會重切成一個新的工作階段，並且流量來源通常就會變成(direct)（直接流量）。

這種歸因認列方式，是「以google工作階段(session based)的定義基礎，用last-click做最終點擊認列」。

Look-back window — 歸因時間 / 認列時間

因為GA電子商務報表的認列方式，對很多廣告商來說，總覺得很吃虧。所以侯來廣告商發展出了另外一種歸因認列方式，是以「歸因時間」（look-back window）為基礎來認列廣告成效。

例如「認列24小時」，就是以消費者的顧客歷程來回推，成立訂單回推24小時內，只要流量來源的媒體帶進了這個消費者，在24小時內有產生購物行為（成立訂單），都算是這個媒體帶來的成效。

這是Facebook預設的的歸因方式，而且Facebook預設歸因時間是7天，也就是成立訂單回推7天點擊，只要有Facebook廣告帶進來的流量來源，都算是Facebook的成效。

成效重複認列問題

但用Look-back window（歸因時間）作為的成效認列方式，會產生一個非常有趣的「成效重複認列」問題。

現在大多數的品牌，都會嘗試多元的流量來源，並且會在同一時間做多元的廣告佈局，除了儘可能接觸各種消費者之外，也想透過同一時間的多元廣告投放，來比較各媒體的成效，看投放哪種廣告比較有效。

但常常越比越糊塗，怎麼每一個媒體的成效報告，看起來效果都很好，但如果把每個媒體的轉換業績加總起來，遠遠大於實際上的網站業績，這就是因為廣告成效被個媒體搶著認列，重複認列了。

如同上圖所示，這個消費者有好幾的不同的工作階段，分別是不同的流量來源，有Google、Facebook、Line。如果所有的廣告商報表，都用認列24小時來歸因自己的成效，等於這個消費者最後3,000的訂單，每一個媒體都認走了，形成了所謂廣告成效重複認列的問題。

換句話說，等於這段期間，所有廣告成效轉換業績的加總（9,000元 = 3,000 + 3,000 + 3,000），遠遠大於真正的網站業績（3,000元）。

這是目前網路廣告非常普遍的現象。而且就算不同的媒體，歸因時間一樣都設定一天，都一樣會照成廣告成效重複認列的問題。

Attribution model — 歸因模型 / 認列模型

為了解決這個重複認列的問題，通常需要一套第三方的Attribution工具，並用一樣的歸因時間，再加上設定一樣的「歸因模型」（Attribution Model），才能真正用同樣的標準，檢視所有的媒體的真正導流成效，而且避免重複認列的問題。

什麼是歸因模型？所謂的「歸因模型」，就是在多個流量來源的情境下，計算最終轉換（成立訂單）應該歸屬於哪一個流量來源（或媒體）的計算方式。

一般來說比較容易理解的有以下幾種模型：

Last Click（最終點擊）- 最後結帳的那個工作階段的流量來源。其實也就是GA電子商務轉換報表的基本歸因模型。以上圖來看，會是direct，所有廣告商都認不到。
Last non-direct Click（最終非直接流量） - 這個模型就是為了避免上述的狀況，所以只要最終工作階段是Direct，就往前推一個工作階段，以前一個工作階段的流量來源來認列成效。（以上圖來看會是 Line）
First-in（首度接觸）- 以特定歸因時間內，把成效歸因給這個消費者第一次進來網站的最初來源媒體。
Linear（平均分配）- 以特定歸因時間內（例如7天），把成效「平均分配」給所有的來源媒體。例如一張3,000元的訂單，7天內該消費者被三種不同的流量來源導入，則平均每個流量來源可認列成效1,000元（3,000 / 3）。
Time Decay（時間衰減）- 以特定歸因時間內，越接近結帳時間的媒體，可以認列更多比率的成效。例如20% 30% 50%，最後越接近結帳時間的媒體，可以認列到50%的業績（例如3,000X50%）。

不同的廣告媒體，提供的後台報表（像是Facebook的廣告報表），其實都隱含一個自己的歸因模型，當然相對會設法讓成效的結果是對自己有利的。某種程度就是一種球員兼裁判的概念。

第三方的歸因報表才能有效並統一的標準檢視所有廣告商的成效。因此大家會習慣用GA的電子商務轉換報表，來看各種媒體來源的成效。

然而基本的GA的電子商務報表的歸因模型，是以Session-based為基礎，用last-click作為歸因模型來計算，雖然相對嚴謹，但也會讓整個成效會有所偏頗，某些種類的廣告會在這樣的歸因模型下佔優勢（像是Re-targeting廣告）。

因此許多Attribution的工具陸續推出（包含Google自己），讓品牌可以自訂歸因時間、歸因模型，來交叉比對所有廣告媒體的成效，更能釐清品牌全通路廣告成效的真實的樣貌。