廣告歸因報表說賺錢、增量測試說沒差：兩套結論打架時，先分用途再分預算

各平台都說訂單是自己帶來的，加總卻超過品牌實際出貨

月結時，把 Meta、Google Ads 與另一個廣告平台後台認領的訂單放在共用表格，總數竟然高於品牌實際出貨訂單。這不是誰在造假。每個平台都只看得到自己參與的片段，也都依自己的規則，把碰過廣告的訂單記在名下。某位顧客看過廣告、搜尋品牌、收到再行銷後下單，便可能在三張成績單裡各算一次。

這個落差牽動的是真金白銀。DMA 2024 年台灣數位廣告量統計顯示，台灣數位廣告市場總量達 636.83 億元，全年成長 4.32%；其中電商產業投放 103.67 億元，年成長 5.49%，首度突破 100 億元。如此龐大的支出，品牌判斷成效時，常用的依據仍是平台自己交出的成績單。報表很即時，答案卻未必適合拿來決定下季的錢。

會議室裡停住的幾秒

我們都能代入那個季度檢討畫面。投影幕上兩張表互相打架，一張顯示某檔 ROAS 4.2，建議加碼；另一張顯示隨機留下一組三週沒被投放到的顧客，他們的購買金額跟有被投放的那組差不多。行銷主管被問「所以到底要不要續投」時停了幾秒。那個沉默不是不懂數字，是手上的兩個數字互相否定，團隊又沒有共用規則，說清楚哪個數字管哪件事。

報表失靈，往往從決策問題放錯位置開始

本文提出的三個誤判，會讓行銷團隊在欄位齊全的儀表板裡，做出方向相反的決策。

1. 把相關當因果。平台報表數的是廣告出現過的訂單，包含點擊後購買、看過後購買，以及曾被再行銷碰到的顧客。這些紀錄能說明廣告曾參與路徑，無法單獨證明訂單由廣告造成。
2. 把總和當總量。各平台採用 self-attributed 的自行歸因方式，彼此不知道別人已經記帳。view-through 認領、歸因窗口重疊、轉換事件定義不同，會讓相同訂單被多個平台同時認領，直接加總自然可能高於實際出貨。
3. 把一套數字當一個答案。素材優化要快速分辨哪張圖、哪群受眾的相對表現較好；年度預算要回答少投這筆錢會少掉多少生意。前者容許一致的系統偏差，後者需要接近因果效果，所需精度並不相同。

當兩套結論打架，先別急著挑一張相信。先問這張表原本要服務哪個決策，通常就能看出爭議卡在哪個層次。

漂亮歸因不等於新增生意，實驗與口徑都曾提出警告

下面三個案例在本篇的用途，是回答「報表為什麼會高估、高估多少」，不是重新論證衡量廣告需要對照組。前兩個來自公開的隨機實驗研究，第三個來自平台自己的公告。三者指向同一件事：歸因報表的數字會被結構性放大，而放大的來源是可以逐一指認的。

eBay 實驗揭開「攔截成交」的高 ROAS

品牌關鍵字搜尋廣告最容易製造安心感。顧客輸入品牌名，點進廣告，很快便完成購買；後台因此留下清楚的點擊與轉換，成本也可能顯得划算。可是這條路徑藏著關鍵問題：這位顧客已經知道品牌，甚至已經準備成交。廣告取得了最後點擊，也可能只是把原本會走自然搜尋、書籤或直接輸入網址的人，攔到付費入口。

Blake、Nosko、Tadelis 在 2015 年發表的 eBay 大規模隨機實驗中，透過實際停止部分付費搜尋投放，檢查沒有廣告時購買是否真的消失。研究把品牌關鍵字與非品牌關鍵字分開看，得到兩組不同的結論。品牌關鍵字廣告沒有可衡量的短期效益，使用者在廣告關掉後直接點自然搜尋結果。非品牌關鍵字則出現明顯的族群差異：新顧客與低頻使用者確實會被廣告影響，高頻使用者占掉多數廣告支出、購買行為卻沒有改變，兩者相抵之後平均報酬為負。整體而言，付費搜尋的實際報酬只是非實驗估計的很小比例。

這個結果拆穿了歸因報表最容易混淆的地方。報表看見「點擊後成交」，所以把訂單配給廣告；實驗觀察「拿掉廣告後是否少成交」，才發現許多訂單仍會出現。廣告確實參與了路徑末段，新增生意卻很有限。雙方記錄的是不同問題，數字才會呈現漂亮與冷淡的對比。

放回台灣零售現場，品牌字、商品名搜尋與既有會員再行銷都屬於高風險區。會員可能先在門市試用，回家搜尋品牌，再從廣告進站購買；平台會把成交記給搜尋廣告，但需求可能早在門市體驗、會員經營或口碑階段形成。若團隊依品牌字的帳面 ROAS 持續加碼，可能是在付費買回已經屬於自己的需求。

因此，看到品牌字或再行銷表現特別好，適合先問「停掉後會少多少」，再討論加碼。這也解釋了文章開頭的情境：被保留下來、三週沒收到廣告的那組顧客照樣下單，不代表後台算錯；平台可能忠實記下顧客點過廣告，卻沒有回答廣告是否改變了購買決定。這裡要區分兩件常被混為一談的事：直接把整組廣告關掉、再拿前後期業績相比，只能算是警訊，季節、促銷檔期、競品動作與廣告的遞延效果都可能互相抵銷；能拿來當裁決證據的，是把顧客隨機分成有投放與沒投放兩組、在同一段期間內比較的結果。

Facebook 對照研究顯示，觀察式校正仍可能離因果很遠

有些團隊知道最後點擊會偏，於是把更多顧客特徵、瀏覽行為、購買紀錄放進模型，試圖找出「看過廣告者」與「沒看過廣告者」的差異。做法聽起來嚴謹，難點在於廣告曝光通常不是隨機發生。更活躍、更常逛站、更接近購買的人，本來就更可能被系統選中，也更可能成交。模型可以控制已經量到的變項，仍可能漏掉沒有被記錄的購買意圖。

Gordon、Zettelmeyer、Bhargava、Chapsky 於 2019 年在 Marketing Science 發表Facebook 廣告觀察式方法與隨機實驗的對照研究。研究涵蓋 15 個美國廣告實驗、5 億筆使用者實驗觀測與 16 億次廣告曝光。研究者讓常用觀察式方法與隨機實驗正面對照，即使模型控制大量人口與行為變項，仍經常無法還原實驗測出的效果。

這不是小數點後幾位的誤差。要注意的是，該研究的措辭是這些方法「經常」無法還原實驗結果，不是宣告所有觀察式模型一律失效；結論也限於它自己的資料與情境。可以帶走的判斷是：模型變複雜不等於答案更接近因果，所以當歸因報表與增量結論打架時，「我們的歸因模型比較進階」本身不構成把增量結論丟掉的理由。

台灣品牌常碰到的尷尬，是平台受眾鎖定越準，歸因報表反而越容易顯得有效。演算法找到最可能購買的人，廣告後台隨即認領這些人的訂單；可是「找到會買的人」與「讓原本不買的人開始買」仍是不同成果。前者對投放效率與素材學習很有價值，後者才回答預算增加帶來多少新增營收。

因此，增量測試出現「沒差」時，不宜立刻責怪實驗，也不宜用平台 ROAS 把它蓋掉。團隊要檢查測試設計、分組污染、轉換事件與觀測期間，再看平台報表是否主要集中在高意圖族群。衡量廣告因果效果，需要沒有被投放到的對照組，相關思路可先參考把沒看見廣告的人保留下來，才能辨認真正新增的訂單。至於保留組怎麼切、樣本需要多大，應在測試前先寫進設計，避免看到結果後才調整判準。

平台改動口徑，相同支出便換了成績單

即使廣告、素材、受眾與訂單都沒有改變，平台調整歸因定義，報表結果也會跟著變。這類變動提醒團隊，成績單的尺規會隨產品政策、資料可得性與衡量策略更新。

Meta 官方的 click attribution 公告把網站與實體店轉換的 click-through attribution 定義收窄，只計算 link clicks；影片的 engaged-view 門檻由 10 秒改為 5 秒，並改名為 engage-through，同時把分享、收藏這類非連結互動帶來的轉換一併收進這個欄位。Meta 說明，調整原因是縮小自家報表與 Google Analytics 等第三方工具的落差。對品牌而言，同樣有人看影片、點擊與購買，哪些互動能被認領已經改變，改版前後的數字便不適合直接相減。

Google Ads 也收斂了可選模型。Google Ads 說明中心目前只保留兩種歸因模型，分別是 last click 與 data-driven；first click、linear、time decay、position-based 這四種模型已不再支援，data-driven 成為多數轉換動作的預設模型。相同的轉換路徑，交給不同模型分配功勞，各活動與關鍵字收到的轉換價值會重新排列。

所以，季度報表突然變好或變差，應先查版本、窗口與事件，再談投放能力。對帳時可沿著先分清楚是口徑差還是真下滑，才知道該修報表或修廣告的順序處理；Meta 的定義調整，也可配合平台改口徑時，歷史基準必須跟著重建一起檢查。否則團隊可能為了報表制度變更而停掉好素材，也可能把口徑放寬造成的成長誤認為行銷成果。

三個案例的證據強度要分開看。前兩份隨機實驗研究能支持「歸因數字會高於因果效果」這個判斷；第三個案例的平台公告只能證明「認領規則會變」，本身不構成任何平台 ROAS 被高估多少的證據。合起來能得到的結論是：歸因報表善於記錄廣告碰過哪些成交，卻會受到既有需求、受眾選擇與平台規則三者影響；增量實驗刻意造出「沒有這次投放」的比較基準，用來估計廣告造成的差額。它們出現衝突，往往是衡量任務不同，不需硬把其中一張判成廢紙。

先拆放大器，再讓增量測試裁決

表象是兩張報表數字不同，機制則藏在自行歸因的結構裡。常見放大來源有 view-through 認領、歸因窗口重疊，以及廣告攔截既有需求。

view-through 認領的出發點合理：廣告可能沒有獲得點擊，仍影響顧客後續購買。問題在於「看見」的門檻可能很低，顧客滑過動態牆、影片播放到規定時間，幾天後自行回站下單，平台便可能在窗口內認領轉換。當高頻會員同時接觸大量廣告，曝光與成交很容易在時間上相鄰，報表便把接觸關係放大成貢獻。view-through 適合觀察曝光素材的相對差異，直接把全部認領營收當成新增營收，會把偶然共現與既有購買傾向一起算進去。

歸因窗口重疊讓問題再擴大。Meta 可以看見自家廣告互動，Google Ads 可以看見搜尋與點擊，其他平台也各自保存接觸紀錄。顧客在各自窗口內成交，每個平台都依規則記帳，彼此沒有跨平台會計負責沖銷。品牌把報表匯出後相加，相同出貨訂單就可能出現多份功勞。窗口長短、事件時間採下單或付款、帳戶時區是否一致，也會讓跨日與跨期數字錯位。因此，先對齊口徑才能判斷成效落差來自記帳規則或真實變化，這一步比急著比較 ROAS 更重要。

廣告攔截既有需求，是最容易讓報表漂亮的放大器。品牌字搜尋、購物車再行銷、近期購買會員與高活躍會員，本來就接近轉換。廣告在路徑末段出現，取得訂單歸屬，卻可能沒有改變顧客的購買決定。這不表示攔截毫無用途，它可能防守競品、提醒結帳或縮短決策時間；只是這些價值要另外定義，不能全部包裝成新增訂單。

拆到最後，歸因處理的是「分配問題」，已經發生的訂單要怎麼分給各個接觸點；增量處理的是「反事實問題」，這筆訂單在沒有投放時原本會不會發生。

分配規則只要先約定，總能產出答案；反事實無法從某位顧客的既有紀錄直接看到，必須另外造一個可比較的替代情境。隨機分組的保留組是最直接的做法，但不是唯一選項：切不出個人層級保留組時，還有地理實驗、差異中的差異、合成控制，以及用實驗結果去校準的行銷組合模型可用，它們各有適用條件與限制。兩套數字必然打架的根本原因，就在於它們解的是不同問題。

這也說明，歸因與增量不該互相取代。日常投放仍需要平台資料快速調素材、出價與受眾；季度與年度預算則需要增量證據，估計拿掉支出後會少多少訂單。增幅歸因與受眾提升度是兩把不同的尺，各自回答不同層次的成效。Meta 也把 Conversion Lift定位為透過隨機分配測試組與對照組，衡量廣告因果影響的工具，和日常歸因報表分工不同。

本文提出的四步排查順序，目的在於先清掉能對帳的誤差，再把昂貴且需要設計的實驗留給真正的因果爭議。

1. 先確認口徑差。逐一核對歸因窗口、轉換事件定義、下單與付款狀態、報表時區，並標記平台規則生效日期。若差異可由定義解釋，就重算比較基準。
2. 再確認重複認領。多數品牌拿不到 Meta 或 Google Ads 可直接下載的逐筆歸因訂單清單，所以這一步要分兩種做法：手上有交易編號與伺服器端事件明細時，以自家訂單編號為主鍵逐筆比對，看相同訂單同時出現在哪些平台與活動；拿不到明細時，退而以自家資料倉儲或 GA4 的彙總口徑對照，至少確認跨平台認領總和與自家出貨總量的落差幅度。無論走哪一種，跨平台總和都不要直接視為總訂單。
3. 再確認是否攔截既有需求。把品牌字、再行銷、既有會員與新客分開，看高 ROAS 是否高度集中在原本就接近成交的族群。
4. 前三步都排除後，才動用增量測試裁決。保留組怎麼切、樣本要多大、觀測期要拉多長，屬於測試設計的功課，本篇不展開，設計細節見上面談保留組設計的那篇。這一步在本篇的重點是：實驗結果回來之後，怎麼跟平台報表對質。

前三步是對帳，第四步才是裁決。每次看見平台與自家營收落差就啟動實驗，會把資料定義問題誤送進因果檢驗，也讓團隊花力氣回答原本靠對帳便能處理的問題。

實驗結果回來之後，四種情況各有各的處置

多數團隊卡住的地方，是實驗跑完了卻不知道怎麼跟平台報表對質。下面這張表把常見的四種結果與對應動作列出來，開會前先把本次落在哪一格說清楚，討論就不會繞回「你的數字比較準還是我的比較準」。

還有一件事要寫進規則：預算排序看的是「下一筆錢投進去的邊際增量」，不是各活動的平均增量效果。平均值高的活動可能已經接近飽和，再加錢的回報遞減；平均值中等但還沒觸頂的活動，往往才是下一筆預算該去的地方。

要問訂單原本會不會發生，先握住品牌自己的真相

增量判斷的前提，是品牌手上要有不依賴任何廣告平台的訂單與會員真相。平台可以協助分組與投放，但最後有沒有付款、退貨、到店購買，仍要回到品牌自己的交易紀錄確認。否則測試組依 Meta 轉換計算，對照組卻在門市發生交易，實驗再工整也會漏掉 OMO 路徑。若品牌只採平台轉換作為結果，跨裝置與門市成交還會讓測試雙方失去共同分母，結論照樣可能偏斜。

91APP CDMP 在這裡適合扮演的是資料底座。透過 OMO 歸戶，把官網、App 與實體門市訂單對到統一會員 ID，品牌才能在自家資料上計算測試組與對照組的購買差額。顧客先看廣告、後到門市結帳，或先在門市體驗、回家從品牌字廣告下單，都不會只剩某個平台看得到的片段。

會員標籤則能協助團隊把既有會員、新客、高活躍族群與沉睡會員分開來看。若增量只出現在特定族群，預算就能依增量效果調整，不必被整體平均掩蓋；若高 ROAS 集中在既有高頻會員，團隊也能更早察覺廣告可能正在攔截既有需求。

這裡要把能力邊界講清楚，免得被誤讀。顧客資料平台能提供的是統一的結果資料、族群分類與名單基礎；受眾名單回送讓測試設計落得到實際投放，但名單回送本身不等於隨機分派，也不保證對照組完全沒接觸到品牌的其他活動。隨機指派、排除規則與因果估計，仍要由實驗工具或分析流程完成。結果計算也不建議只看兩組的訂單金額相減，比較穩的做法是換算成每人轉換率或每人營收，再附上信賴區間，這樣才知道差距是真的還是抽樣造成的。

重點仍是計算權回到品牌手上。平台報表繼續服務素材與活動優化，自家訂單與會員資料則負責判斷新增多少生意。這種分工也能處理行銷團隊常見的難題：明明說得出某個接觸點很重要，卻證明不了它帶來多少成效。當分母、訂單狀態與會員身分都由統一規則管理，兩張表就有共同的對照基準，討論也能從互相否定，轉向各自負責的決策。

把兩套數字寫進不同的決策表

1. 先建立以自家後台為準的唯一真相訂單表。做法是統一訂單編號、付款狀態、取消退貨與線上線下來源，所有平台都回來核對自家出貨結果；預期能辨認重複認領與漏單，讓總量不再跟著平台相加；建議每週更新，月結前完成核對。
2. 把各平台歸因窗口與轉換事件定義寫進報表口徑說明。每次平台調整規則，就記錄生效日期、click-through、view-through、事件與時區；預期能分開制度變動與投放波動，避免錯怪素材；建議每月檢查，平台公告變更時即時補記。
3. 日常優化只使用平台報表的相對排序，而且只在可比條件下比。做法是限定同一個平台、同一個轉換事件、同一組歸因窗口、投放目標也相近時，才拿素材、受眾與活動互相比較，並且不把平台認領營收直接當新增營收。相對排序不是天然免疫於偏差，view-through 比重、受眾購買意圖、版位與素材型態都可能讓不同活動承受不同程度的高估，所以排序結果要定期用實驗結果校準；預期能保留快速學習的優點，又降低絕對值膨脹造成的誤判；建議依投放節奏每週檢視，每季用實驗結果回頭修正一次。
4. 預算分配與續投判斷改掛增量結論。做法是在對帳完成後，比較測試組與對照組的每人轉換率或每人營收並附上信賴區間，不要只看兩組訂單金額相減；資料歸戶與族群分類可由 CDMP 承接，隨機指派與統計檢定仍要另外做；預期能把錢移向確實增加訂單的活動；建議重大活動結束後檢討，年度預算前彙整。
5. 每季固定校準平台報表，但要用對算式。校準係數等於同期間的增量 ROAS 除以平台歸因 ROAS，估算時是拿平台 ROAS 乘上這個係數，不是反過來除。留意三種不適用的情況：增量結果為零、為負、或信賴區間跨過零時，係數會失真甚至無定義，這時只能標記為不可校準。係數也只在支出水位、受眾、素材、季節與轉換口徑都相近時可以暫時沿用，一有新實驗就更新；預期能讓沒有天天跑實驗的團隊，也有可持續修正的預算尺；建議每季執行並保留版本。

這五項不要求團隊停用熟悉的報表。它們替每張表加上職責：平台數字負責快，自家訂單負責真實總量，增量結果負責預算裁決。職責清楚後，報表衝突會變成可追查的差異，不再是誰的數字比較有權威。

能回答續投的，是事先談好的數字分工

回到季度檢討的會議室，行銷主管停住的那幾秒，承受的是兩張表要求相同答案的沉重。若團隊事先約定，ROAS 4.2 用來比較同口徑下的素材與受眾，隨機保留組測出來的差額用來裁決續投與預算，那個沉默就有了出口。

讓行銷主管答得出「要不要續投」的，不是再找號稱更準的報表，是先講好哪個數字管哪件事。歸因負責把日常投放調好，增量負責判斷這筆錢有沒有帶來原本不會發生的生意；兩套結論各就各位，預算討論才有一致的語言。

常見問題

Q1：廣告歸因和增量最大的差別是什麼？

A1：歸因從已發生的訂單出發，依規則把功勞分給接觸過的廣告與通路，適合支援日常優化。增量建立測試組與對照組，估計沒有投放時少掉多少訂單，適合續投與預算判斷。各自回答的決策不同，出現相反結論不代表其中一方必然算錯。

Q2：已經有 GA4，還需要做增量測試嗎？

A2：需要視決策而定。GA4 能用一致框架整理跨來源路徑，協助減少平台各自認領造成的混亂，仍然是觀察已發生行為。若問題是某筆廣告費停掉後業績會不會下降，仍需測試組與對照組建立反事實比較。先用 GA4 對帳，再讓實驗處理因果裁決。

Q3：預算有限的小品牌也能做增量測試嗎？

A3：可以，但順序要對。預算有限時先把口徑差與重複認領排查完，這兩步不花實驗成本，卻能解掉多數的報表打架。真的要測，從風險最高、答案最能改變決策的地方開始，例如品牌字、再行銷或既有會員投放。樣本規模與檢定力要怎麼估，屬於測試設計的題目，本站另有專文說明。

Q4：增量測試多久能看到可用結論？

A4：沒有適用所有品牌的固定天數，取決於訂單量、廣告觸及、預期效果大小與購買週期。從裁決的角度看，更該問的不是「跑多久」而是「跑到什麼程度才算有結論」：信賴區間要窄到不再跨過品牌設定的決策門檻，結果才拿得出來用。中途不要因為短期波動提前收手，也不要因為結果不如預期就延長觀測期。

Q5：開始前要準備哪些資料？

A5：從裁決需求回推，至少要有一份不依賴任何廣告平台的訂單真相，包含訂單編號、下單時間、付款與退貨狀態、線上線下來源，以及可去識別化比對的會員或受眾 ID 與分組標記；時區與轉換事件定義也要先統一。顧客數據平台可以承接歸戶與族群分類，但資料定義、排除條件與成功門檻仍要由團隊先寫清楚，否則結果出來還是會各說各話。

Q6：增量測試的結論可以直接推翻平台報表嗎？

A6：不建議這樣解讀。增量測試只對特定受眾、活動、期間與設計條件有效，不能自動延伸到所有投放；平台報表仍能提供素材與受眾的相對訊號。若結論衝突，先檢查口徑、重複認領、分組污染與樣本穩定度，再把通過檢查的增量結果用於相應預算決策。

延伸閱讀

1. EDM 與 LINE 推播成效怎麼算：送達、歸屬、增量要分開記帳
2. Meta 廣告成效不好？別再照抄 AI 問答給的資訊，根本問題要看這 3 層
3. OMO 做了卻沒成效，是制度問題還是系統問題：從業績歸屬規則就看得出來

如果團隊正卡在平台報表與實際業績互相矛盾，可以先整理目前的歸因窗口、訂單口徑與續投問題。91APP 團隊可陪同盤點資料與決策流程，找出應先對帳的落差，以及需要用增量測試裁決的預算問題。