總覽
顧客在網站或應用程式中完成購買或其他重要動作之前，可能會先經歷多次搜尋並點按數則廣告。重要動作 (稱為重要事件) 的功勞通常會歸給顧客最後點按的廣告，然而，這則廣告是唯一促使他們決定在重要事件路徑上與重要事件互動的原因嗎？他們之前點擊過的其他廣告呢？
Attribution is the act of assigning credit for important user actions to different ads, clicks, and factors along the user's path to completing the action.
An attribution model can be a rule, a set of rules, or a data-driven algorithm that determines how credit is assigned to touchpoints along a user's path to completing important actions.
Google Analytics 4 資源的歸因報表提供 3 種歸因模式：
- 以數據為準歸因
- 付費和自然最終點擊
- Google 付費管道最終點擊
存取歸因報表
如要存取歸因報表，請按照下列步驟操作：
- 在 Google Analytics 中，按一下左側的「廣告」。
- 在「歸因」下方，點選「歸因模式」或「歸因路徑」。
以數據為準歸因
以數據為準：以數據為準歸因模式會根據每個重要事件的資料分配重要事件功勞。不同於其他歸因模式，這種模式會使用您的帳戶資料來計算每次點擊互動的實際功勞。
以數據為準歸因的運作方式
歸因分析會運用機器學習演算法來評估轉換和未轉換路徑，而產生的「以數據為準」模式則會學習不同的接觸點如何影響重要事件結果。此模式會將重要事件時間、裝置類型、廣告互動次數、廣告曝光順序和廣告素材資源的類型等要素納入考慮，並利用反事實假設法比較實際發生和「可能發生」的情況，藉此判斷哪些接觸點最有可能帶來重要事件，再根據這種可能性，將功勞歸給這些接觸點。
- 視資料可用性而定，以數據為準歸因模式可能會透過資料共用設定運用匯總資料。
- 轉換後最多 7 天內可重新歸因轉換。
以數據為準歸因採用的分析方法 (進階)
以數據為準歸因方法包含 2 個主要步驟：
- 分析可用的路徑資料，為每個重要事件建立重要事件發生率模式
- 將重要事件發生率模式預測結果輸入演算法，為各個廣告互動計算功勞
根據可用的路徑資料建立重要事件機率模式
以數據為準歸因功能會使用路徑資料 (包括已轉換及未轉換使用者的路徑資料)，瞭解是否有特定的行銷接觸點，以及這類接觸點出現的時機對使用者的重要事件機率有何影響。產生的模式會評估使用者與特定廣告互動之後，在重要事件路徑中的任一時間點，與重要事件互動的機率。
此模式會將看過廣告的使用者完成重要事件的機率，與對照組中類似使用者的重要事件機率進行比較 (更技術性的說法是，此模式會使用隨機對照試驗產生的資料進行訓練，以計算出 Google 廣告曝光率的虛擬升幅)。
運用演算法將部分功勞分配給行銷接觸點
以數據為準歸因模式在分配功勞時，會以路徑上每多一次廣告互動對於預估重要事件機率的影響為評估依據。以數據為準歸因演算法會根據廣告互動與重要事件之間的間隔時間、格式類型和其他查詢信號等要素，計算出要分配的功勞。
付費和自然最終點擊
- 「多媒體」>「社群」>「付費搜尋」>「自然搜尋」→ 100% 分配給自然搜尋
- 「多媒體」>「社群」>「付費搜尋」>「電子郵件」→ 100% 分配給電子郵件
- 「多媒體」>「社群」>「付費搜尋」>「直接」→ 100% 分配給付費搜尋
- 直接 → 100% 直接流量
- 「付費和自然最終點擊」和「最終非直接造訪點擊」這兩個名稱都是指同一個歸因模式。
使用者符合下列條件時，系統就會將參與收視計入以數據為準歸因：
- 觀看廣告達 30 秒 (若廣告短於 30 秒，則以觀看到結束為止)
- 點按前導廣告資訊卡
- 點按隨播橫幅廣告或影片牆
- 點按行動號召詞組
- 點按片尾
- 點進廣告主的網站
Google 付費管道最終點擊
- 「多媒體」>「社群」>「付費搜尋」>「自然搜尋」→ 100% 分配給付費搜尋
- 「多媒體」>「社群」>「YouTube 參與收視轉換」>「電子郵件」→ 100% 分配給 YouTube
- 「多媒體」>「社群」>「電子郵件」>「直接」→ 100% 分配給電子郵件 (恢復為最終非直接造訪點擊)
- 直接 → 100% 直接流量