AI 投放的 ROAS 可以信嗎？平台同時花錢又報成績，成效判讀要看增量與自家訂單對帳

平台 AI 同時負責花錢與回報成效，後台 ROAS 依平台自己的歸因規則計算，只能當參考。判斷 AI 投放是否真的有效，要看對照組比較出來的增量，再用自家後台的訂單對帳。

增量（incrementality）指的是：如果沒有投這筆廣告，就不會發生的那部分訂單。增量測試透過隨機分組或可信的對照設計，把受眾或地區分成有投放與不投放兩組，校正兩組規模後比較訂單或營收差距，估計廣告新增的生意，並同時看結果的不確定範圍。單純比較停投前後，會混入檔期與季節的影響，不足以當作增量。

歸因、實驗、對帳與模型，回答的是不同問題

以下四種衡量方式的分工為本文提出，簡稱四把尺。

四把尺的分工很清楚：後台 ROAS 負責每天怎麼調，增量測試負責這筆錢該不該花，自家訂單負責最後算總帳。AI 投放之後最常見的錯，是用後台歸因報表去判斷這筆錢有沒有帶來新增的生意。

eBay 停掉品牌字廣告之後，生意幾乎沒有少

eBay 研究團隊做過一個很有名的實驗，2014 年發表為美國國家經濟研究局（NBER）工作論文。他們在 Yahoo! 與 MSN 停掉品牌關鍵字的付費搜尋廣告，停投之後，eBay 從搜尋引擎來的總點擊只少了約 0.5%，原本點付費廣告的人幾乎都改點下方的自然搜尋結果：使用者本來就要找 eBay，沒有付費廣告，他們就點下方的自然搜尋結果，品牌字廣告在短期內沒有可測量的效益。另一組實驗在美國約三成的地區停投非品牌字廣告 60 天，再與配對的對照地區比較，發現廣告主要影響新客與不常購買的人，常客的購買行為幾乎不受影響，卻吃掉大部分廣告費。

這份研究發表在 AI 投放普及之前，說明歸因報表和實際新增生意之間的落差早就存在，AI 投放同樣需要檢驗。那時候後台報表上的品牌字廣告 ROAS 非常漂亮，因為搜尋品牌名的人本來就很想買。eBay 是知名度極高的美國大型平台，這個結果不宜直接外推成任何品牌都可以停投品牌字，比較穩當的做法是用自己的資料做一次對照測試。

月底對帳時，那份讓人沉默的報表

很多品牌都經歷過這樣的月底：Meta 後台說帶來三百多筆訂單，Google 也說帶來兩百多筆，兩邊加起來比自家後台這個月的總訂單還多（數字為示意）。行銷主管盯著 Excel，不知道該拿哪個數字去跟老闆報告。

這個沉默的時刻，就是 AI 投放成效判讀的起點。數字對不上不見得是誰算錯，而是每個平台都用自己的規則認領訂單。品牌要的答案，平台後台給不了。

高購買傾向、歸因規則與重複認領，都會讓後台成績偏高

以下拆法為本文提出，用來說明 AI 投放的後台成績為什麼需要校正。

1. 系統會挑本來就會買的人：自動化活動的目標是轉換，系統自然把預算放在購買機率最高的人身上，例如剛加入購物車、最近才買過的會員。這些人的訂單有一部分就算不投廣告也會發生，但符合歸因條件時，可能被計入廣告成績。
2. 認領規則由平台自己定：哪些訂單算廣告帶來的，由平台的歸因設定決定，看過廣告幾天內購買算不算、只看過沒點擊算不算，規則一改，同樣的花費就換了一張成績單。Meta 在 2026 年 3 月 3 日宣布，以網站或門市轉換為目標的活動，點擊歸因自當月起逐步改成只計算連結點擊，按讚、分享、收藏這類互動帶來的轉換移到另一個類別，同一批廣告的點擊歸因成績就跟著變了，細節可以看 Meta 2026 歸因邏輯改版解讀。
3. 多個平台會重複認領：同一位顧客看過 Meta 的廣告、又點過 Google 的搜尋廣告，兩個平台都可能把這筆訂單算進自己的成績，加總就可能超過真實出貨。

這些偏差在手動投放時就存在。AI 投放之後，受眾與出價改由系統決定，品牌更難從後台看出錢花在誰身上，也就更需要另一把尺來檢驗。

研究與平台官方，都在提醒同一件事

觀察式衡量常常高估廣告效果

西北大學與 Facebook 研究團隊 2018 年的工作論文（2019 年刊登於 Marketing Science）用 15 個 Facebook 上的大型隨機對照實驗，比較常見的觀察式衡量方法與實驗結果。他們發現觀察式方法多數情況下高估廣告效果，在 14 個以結帳轉換為結果的研究中，有 7 個的觀察式估計與實驗結果持續相差超過三倍，而且就算用上詳細的人口與行為資料，也無法穩定校正回來。

這個結果對 AI 投放特別重要，因為平台後台的歸因報表也屬於觀察式衡量。

Google 的增量測試刻意不看歸因設定

Google Ads 說明中心對 Conversion Lift 的說明寫得很清楚：它先把使用者分成可投放廣告的實驗組，與被保留、不投放廣告的對照組，刻意忽略一般的轉換追蹤設定與歸因規則，只算兩組全部轉換的差距。平台自己的說明也顯示，要知道廣告的因果效果，必須跳出歸因報表。

做增量測試的門檻也降低了。Google 在 2025 年的說明中心公告寫到，過去一次增量實驗可能要花超過 10 萬美元，現在最低 5,000 美元就能做；Google 也宣稱改良的統計方法，讓測試得到明確結論的頻率最多提高 50%。最低花費不代表每個帳號都符合資格，能不能得到明確結論，仍取決於轉換量與測試設計。

長期的預算分配則可以參考行銷組合模型。Google 開源的 Meridian 就是這類工具，並可以用地區實驗的結果去校正模型；它需要足夠長的時間序列，以及各通路投入與其他影響銷售因素的資料。

Advantage+ 與 PMax 的成效，照這個順序判讀

自動化活動的成效判讀，可以照下面的順序走。四步回答的是不同問題，越往後通常越花時間。

1. 先看後台趨勢：在同一套歸因設定下，看 ROAS 與單次成效的週趨勢，用來判斷素材與預算該怎麼調。改過歸因設定的前後期不要直接比。
2. 再拆新客與舊客：自動化活動容易把錢花在既有會員身上，把成效拆成新客與回購客來看，若成績幾乎都來自最近買過的人，就是該做增量測試的線索；舊客訂單不等於沒有增量，新客訂單也不等於全由廣告帶來。
3. 接著做增量測試：用隨機的使用者對照組或地區對照，比較有投與沒投的訂單差距；若採停投一段時間的做法，要有可信的對照區，並控制檔期與季節的影響。對照組怎麼切、樣本要多大，可以參考 增量測試的對照組設計。
4. 最後用自家訂單對帳：以自家後台的實際訂單與營收為準，先統一日期、幣別、退貨取消、稅運與轉換延遲的口徑，再檢查各平台認領的總和是否合理。三本帳怎麼對，GA4 與 Meta 後台的三本帳對帳法有完整步驟。

歸因數字與增量結果打架時，該聽哪一邊，我們在歸因與增量兩套結論打架的處理那篇整理過分工原則。

自家訂單這本帳，要先把會員對成同一個人

四把尺裡，只有自家訂單這一本掌握在品牌手上，但它也最容易對不齊。同一位顧客在官網、App 與門市各有一個身分，廣告帶來的線上瀏覽最後在門市成交，平台看不到，品牌自己若沒有把會員歸戶也看不到。

做法是把同一位顧客在官網、App 與門市的身分對成同一個人，再把廣告期間的實際消費依顧客彙整。這樣做增量測試時，對照組與實驗組比的是完整的線上加門市消費，而不只是平台看得到的那一段。拿來評估預算與獲利門檻的歷史基準，也會更貼近真實。做地區對照時，用口徑一致的地區彙總營收也可以，不一定每次都要做到個人層級。

讓 AI 投放的成績單更誠實：從歸因設定到增量測試

1. 固定一套歸因設定當日常基準：歸因窗口與計算方式定下來就不要隨意改，改了就在報表上標註改版日期（預期效果：週與週之間的趨勢可以比；建議週期：每季檢視一次設定是否仍合用）。
2. 每月產出新客與回購客的拆分報表：用自家會員資料區分廣告訂單是新客還是近期回購（預期效果：看出自動化活動是否過度集中在既有會員；建議週期：每月一次）。
3. 定期安排增量測試：主力活動輪流做使用者對照或地區對照，先算好需要的樣本量再開跑；結果無法排除零效果時，記錄為不確定，不直接判定無效（預期效果：知道後台 ROAS 裡有多少是新增的生意；建議週期：依轉換量與決策需求安排，轉換量足夠的主力活動約每季一次）。
4. 用增量結果決定預算，不直接改寫後台目標：增量測試算出的是新增貢獻，用來評估這個活動的預算該增該減、獲利門檻是否達標；後台目標 ROAS 仍要依平台實際優化的轉換價值口徑設定，不能直接把增量 ROAS 填進去；增量結果只適用於該次測試的預算、期間與受眾，加碼時仍要分段驗證新增預算的效果（預期效果：預算跟著新增貢獻走；建議週期：每次增量測試結束後檢討一次）。目標值的設定方法，可以參考 tROAS 與預算結構的校準手冊。

清單裡的新客與回購拆分、自家訂單對帳，前提是官網、App 與門市的訂單能對到同一位會員。91APP 的 MediaOne 在投放端就把這件事接起來，廣告成效直接對回後台實際訂單，三個通路的交易透過 OneID 對成同一人，門市成交也算得進來。它回答的是廣告來源的訂單有多少、值多少；這些訂單有多少是額外帶來的，仍要交給上面的增量測試。

讓成績單誠實，才能放心把方向盤交出去

回到月底那份對不上的報表。平台後台的數字沒有說謊，它只是用自己的規則算自己的成績。AI 投放把受眾與出價都交給了系統，品牌能做的，是在系統之外留一把自己握得住的尺。

成績單誠實了，品牌才知道哪一筆錢該繼續花，也才能放心讓 AI 去跑。

Advantage+ 帶來的購買者怎麼分清官網首購和品牌首購，可以參考 Meta 廣告新客怎麼算？。

品牌最常問的 AI 投放成效問題

Q1：AI 投放的 ROAS 可以信嗎？ A1：可以當參考，但不能當最終成績。平台 AI 同時負責花錢與回報成效，後台 ROAS 是依平台自己的歸因規則認領的結果，可能包含本來就會發生的訂單。要判斷 AI 投放是否真的有效，需要用設計適當的增量測試比較有投與沒投的差距，再以自家後台的訂單對帳。

Q2：增量測試是什麼？ A2：增量測試是透過隨機分組或可信的對照設計，把受眾或地區分成有投放與不投放兩組，校正規模後比較訂單或營收差距，估計廣告新增的生意，並看結果的不確定範圍。它不依賴平台的歸因設定，可以回答這筆廣告預算多帶來多少訂單。

Q3：Advantage+ 的成效怎麼衡量？ A3：建議分四步：先在固定的歸因設定下看後台 ROAS 趨勢，再把成效拆成新客與回購客，接著用隨機對照組或地區對照做增量測試，最後以自家後台訂單對帳。Advantage+ 這類自動化活動容易把預算集中在高購買機率的既有會員，拆新舊客與做增量測試特別重要。

Q4：Meta 廣告成效衡量要看什麼？ A4：日常調整看後台的 ROAS、單次成效與趨勢，並固定歸因設定；判斷預算該不該花看增量測試結果；結算看自家後台的實際訂單與營收。Meta 在 2026 年 3 月宣布把網站與門市轉換的點擊歸因逐步改成只計算連結點擊，改版前後的數字不宜直接比較。

Q5：做一次增量測試要多少預算和時間？ A5：依平台與測試設計而定。Google 在 2025 年的說明指出，增量實驗的最低花費已從過去可能超過 10 萬美元降到 5,000 美元，但最低花費不代表每個帳號都符合資格。時間長短取決於轉換量與想偵測的提升幅度，開跑前應先估算需要的樣本量，避免跑完得到無法解讀的結果。

Q6：平台後台的訂單數和自家後台對不上，怎麼辦？ A6：先確認差距來源：歸因窗口與計算方式不同、多個平台重複認領同一筆訂單，或線上廣告帶來的門市成交平台看不到。處理方式是以自家後台訂單為準，把會員跨通路歸戶後彙整實際消費，再用增量測試確認廣告的新增貢獻。

Q7：MediaOne 的成效是看平台 ROAS 還是看實際訂單？ A7：MediaOne 以品牌後台的實際訂單驗證廣告成效，從廣告來源追到成交與營收金額，不只看點擊與平台後台 ROAS。

Q8：MediaOne 看得到廣告帶來的門市消費嗎？ A8：可以。MediaOne 透過 OneID 串聯官網、App 與門市交易，把同一位會員在不同通路的消費對在一起，看見廣告帶來的線下成交。

Q9：有了 MediaOne 的訂單歸因，還需要做增量測試嗎？ A9：建議仍要做。訂單歸因讓品牌看清廣告來源的成交與金額，增量測試回答的是這些訂單有多少是廣告額外帶來的。兩者搭配，預算判斷才完整。

延伸閱讀

AI 廣告投放系列的其他文章：

• AI 廣告投放和傳統投放差在哪？自動化廣告是什麼，品牌的控制權搬到資料與驗證
• AI 廣告投手還要做什麼？從智慧出價、Advantage+、PMax 到 AI Max，廣告投放把參數一路交給平台
• AI 廣告投放和以前差在哪？Meta、Google 官方成效數字比較了什麼
• AI 廣告投放能接手哪些工作？受眾與出價交給平台，目標、資料、品牌安全與驗證仍由品牌負責
• AI 廣告投放的第一方工具和第三方工具差在哪？Advantage+、PMax 與跨平台工具的分工
• 只用 Advantage+ 和 PMax 夠不夠？電商什麼時候需要第三方 AI 廣告工具
• 第一方數據怎麼餵給廣告 AI？Advantage+ 受眾建議與 PMax 客戶名單的實務
• AI 廣告投放第一方和第三方工具成效差多少？美國調查與 Meta、Google 官方數字的正確讀法
• AI 廣告投放的反應速度差在哪？平台 AI 每次競價出價，第三方工具受報表與 API 節奏限制
• Meta AI 廣告素材哪些該開？Advantage+ 生成素材依改動程度分級，開到真的多賣為止
• Meta 訊息廣告怎麼提升成交？AI 客服接手後，從對話到訂單的轉換清單

其他相關文章：

1. Meta 廣告自動化怎麼做？用帳戶的三個層級，把手動調整變成規則
2. 衡量大改版 2026：Meridian 進 GA、Qualified Future Conversions、ABS 怎麼重算歸因
3. Meta 廣告成效不好？根本問題要看這 3 層

更多廣告歸因與衡量的實務拆解，可以在 廣告歸因專欄 找到。