广告界的百年难题：哪一半浪费了？

百货业之父John Wanamaker在100年前说过一句名言：「我知道有一半广告费浪费了，但我不知道是哪一半。」2026年，AI技术已经能自动驾驶、能写代码、能画画，但这个问题——广告效果的精准归因——仍然没有被完全解决。

为什么这么难？因为广告效果归因本质上是一个「因果推断」问题：用户因为看了广告才购买，还是本来就会购买？这个问题在数据层面是不可知的。你永远无法同时观察「用户看了广告」和「用户没看广告」两个状态，这是归因的「反事实困境」。

2026年的AI归因技术，正在用各种方法逼近这个不可知的问题。我们来看看这些方法有多靠谱——以及它们为什么不靠谱。

归因模型进化史：从「最后点击」到「数据驱动」

第一代：末次点击归因（Last Click Attribution）——把100%的转化功劳归给用户最后点击的那个广告。这是最简单、最流行、也最不准确的归因方式。它的逻辑漏洞是：用户可能在看到第一个广告时就被「种草」了，之后的所有行为都是「收割」，但功劳全给了最后一个广告。这导致品牌广告的价值被系统性低估，效果广告的价值被系统性高估。

第二代：多触点归因（Multi-Touch Attribution, MTA）——把转化功劳按比例分配给用户接触过的所有广告触点。分配比例可以基于规则（如时间衰减、位置加权），也可以基于统计模型。MTA比末次点击归因更合理，但它有一个致命问题：它只能分析「产生了转化」的用户，无法分析「没产生转化」的用户。这导致样本偏差。

第三代：营销组合建模（Marketing Mix Modeling, MMM）——用宏观时间序列数据（广告投放总额、季节因素、促销活动等）来建模广告对销售的影响。MMM不需要用户级别的数据，因此不受隐私政策的影响。但它的粒度太粗——你只能知道「品牌整体广告投入对销售的影响」，无法知道「每个具体广告的贡献」。

第四代：AI驱动归因（Data-Driven Attribution, DDA）——2026年最前沿的归因方法。用机器学习模型（通常是深度神经网络或Shapley值方法）分析用户级别的全链路数据，自动学习每个广告触点的贡献权重。Google Ads的DDA和Meta的Conversion Lift都是这个路线的代表。

AI归因的核心方法：Shapley值

2026年，AI广告归因中最流行的方法是「Shapley值」——一个源自博弈论的概念。简单说，Shapley值计算的是：每个广告触点「边际贡献」的加权平均。

举个例子：一个用户依次接触了三个广告（A、B、C），然后完成了购买。Shapley值会遍历所有可能的广告组合（A、B、C、AB、AC、BC、ABC），计算每个广告「加入」组合时带来的增量转化概率，然后加权平均，得到每个广告的「公平」贡献。

听起来很科学，对吧？但Shapley值有一个致命的问题：计算量巨大。 如果有N个广告触点，需要计算2^N种组合。N=10时是1024种，N=20时是104万种，N=30时是10亿种。这在实际计算中是不可行的。

所以Google和Meta的DDA实际上用的是Shapley值的近似算法，而不是精确算法。近似算法的误差有多大？没人知道，因为这是一个黑箱。

AI归因的三大「不能说的秘密」

秘密一：AI归因无法处理「有机转化」。 如果用户没有点击任何广告，直接搜索品牌名并下单，这叫「有机转化」——没有广告触点，但用户可能之前被品牌广告影响过。AI归因完全无法捕捉这种「广告→有机转化」的间接效应。结果就是品牌广告的贡献永远被低估。

秘密二：AI归因无法处理「线下影响」。 用户可能在抖音上看到了广告，然后去线下店购买。AI归因在线上的数据闭环里自洽，但线下的影响完全不可见。对于有线下渠道的品牌，AI归因的偏差可能高达50%以上。

秘密三：AI归因的「黑箱」特性让广告主无法质疑。 当Google DDA告诉你「这个广告系列的ROAS是3.2」，你无法验证这个数字的准确性。你只能选择相信，或者不相信。广告平台天然有动机「优化」归因结果，让广告看起来效果更好——因为这意味着你会继续投钱。

广告主应该如何应对？

第一，不要依赖单一的归因模型。 同时使用末次点击归因、多触点归因、营销组合建模三种方法，对比三者的结论。如果三种方法得出一致的结论，那结论可信度较高。如果三种方法矛盾，说明数据有问题，需要深入调查。

第二，多做「增量测试」。 增量测试（Incrementality Testing）是验证归因准确性的「黄金标准」。方法是：随机选择一组用户「不投广告」（对照组），另一组用户「正常投广告」（实验组），对比两组的转化率差异。这个差异就是广告的「真实增量效果」。如果AI归因的结果和增量测试的结果差距很大，说明归因有问题。

第三，关注「客户质量」指标，不只是「转化数量」。 即使AI归因告诉你「这个广告系列ROAS很高」，你也要看这些转化用户的长期价值——退货率、复购率、客户生命周期价值。低质量的客户可能会带来好看的ROAS数据，但长期来看是不赚钱的。

AI广告归因不是「真理机器」，而是「决策辅助工具」。它能帮你缩小「不知道哪一半浪费了」的范围，但不能完全消除这个不确定性。广告投放的终极智慧，仍然在于对用户的深刻理解，而不是对数据的盲目信任。