GA4 現在只剩三種歸因模型，資料驅動歸因是預設那一個
GA4 的歸因設定裡只剩 3 個選項，資料驅動歸因是事件層級報表的預設值。首次點擊、線性、時間衰減、位置型這 4 個規則式模型已經從介面上拿掉，選模型這件事實際上已經不存在了。
很多人到現在還在找那個下拉選單。找不到很正常。GA4 保留的 3 個選項分別是資料驅動歸因、付費與自然最後點擊，以及 Google 付費頻道最後點擊。第一個是預設。後面兩個走尾單邏輯，給轉換量少的帳戶當備案。
ALM Corp 在拆解 2026 年 4 月的 GA4 歸因重組時寫得很明白：
Data-driven attribution remains the default reporting attribution model for event-scoped reporting in GA4.
同一篇也把回溯視窗的現況講清楚了。ALM Corp 指出，Google 對獲客類轉換事件記載的是 30 天，另一類轉換事件是 90 天。這 2 個數字不一樣，代表同一份報表裡不同事件的計算範圍本來就不同。拿它們直接相加或直接比較，數字會失真。
GA4 採用的資料驅動歸因是以機器學習分析實際轉換路徑，動態計算每個接觸點的邊際貢獻，再把功勞按貢獻分配下去。它不預設任何渠道比較重要，這是它跟規則式模型最大的差別。
ALM Corp 把這次異動定位成結構性變化。
It is a broader structural change in how GA4 handles key event reporting, conversion management, cross-channel reporting, and alignment with Google Ads.
結構變了，舊報表的比較基準就跟著失效。上一季的轉換趨勢跟這一季擺在一起看，中間隔著一次計算邏輯的更換。這件事沒有人會跳出來提醒你，得自己標注。
資料驅動歸因看不到的那一塊有多大
資料驅動歸因的計算再精細，也只能對它收得到的訊號動手。Improvado 的數字顯示，多觸點追蹤的覆蓋率已經掉下來，現在是 2020 年水準的 30% 到 60%，等於有將近一半的路徑從一開始就不在資料裡。
訊號流失有幾個各自獨立的來源，加起來才是完整的缺口。Improvado 整理的幾組數字把缺口的形狀描了出來。
iOS 14.5 與第三方 Cookie 退場，已使多觸點追蹤覆蓋率降至 2020 年水準的 30% 到 60%；Apple ATT 的全球選擇加入率在 2026 年第一季穩定在 15% 到 25%；Chrome 的第三方 Cookie 退場進度已完成 80%，完整移除預期落在 2026 年第三季。〔來源：Improvado〕
還有一塊更難處理。Improvado 的產業調查指出，B2B 買家有 30% 到 40% 的接觸點發生在無法追蹤的渠道。私訊、群組轉發、線下會面、同事口頭推薦，這些行為不會產生任何可以被歸因的事件。
把這幾個數字放在一起看，結論其實很直接。歸因模型分配的是它看得到的那些接觸點。看不到的部分不會被標記成缺漏，會直接消失。消失的那些功勞不會憑空蒸發，它們會被分配給留在資料裡的渠道。所以 GA4 裡的品牌搜尋跟直接流量常常好得不合理，因為整條路徑上無法歸屬的功勞，最後都落到它們身上。
Nvecta 的觀察補上了行為面的另一半。他們指出，大約 67% 的 B2B 行銷團隊仍然只看最後一次點擊，前面的接觸點一律不計。工具端已經換成資料驅動歸因，決策端還停在尾單思維。
兩件事同時發生，最容易出現的誤判就是把報表數字當成事實。台灣多數廣告主仍把 GA4 報表當成答案，而且是最終那一個。平台端工具的交叉驗證幾乎沒人做。報表沒有說謊。它只是把看不見的部分留白，而留白在視覺上跟 0 長得一模一樣。
六大歸因模型各自回答什麼問題
6 個歸因模型是 6 種分配邏輯，彼此之間沒有高下。選錯的代價會落在預算層，因為分配邏輯會直接決定下一季的預算往哪裡去。
雖然 GA4 已經把規則式模型收掉，理解它們仍然有用。原因有 2 個。第一，別的平台後台跟第三方工具還在用。第二，不知道規則式模型怎麼分配功勞，就沒辦法判斷資料驅動歸因的結果偏向了哪一邊。
| 模型 | 分配邏輯 | 適合回答的問題 | 主要局限 |
|---|---|---|---|
| 最終點擊 | 100% 給最後一個接觸點 | 哪個渠道最會收單 | 前期接觸點完全歸零 |
| 首次點擊 | 100% 給第一個接觸點 | 哪個渠道最會帶新客 | 中段培育與收單被忽略 |
| 線性歸因 | 所有接觸點平均分配 | 整條路徑長什麼樣子 | 分不出高效與低效接觸點 |
| 時間衰減 | 越接近轉換權重越高 | 短週期促銷該加碼哪裡 | 不適合長銷售週期產品 |
| 位置型（U 型） | 首末各 40%，中間分 20% | 獲客與成交兩端誰有功 | 中段培育被系統性低估 |
| 資料驅動歸因 | 機器學習算邊際貢獻 | 實際路徑裡誰真的推動了轉換 | 黑箱、資料量不足時不穩定 |
這張表最常被誤讀的地方，是把最後一列當成前面 5 列的升級版。資料驅動歸因處理的仍然是相關性。它回答的是成交路徑上出現過誰、各自佔多少比重。它沒有回答另一個問題，也就是拿掉某個渠道之後，這筆訂單還會不會發生。
轉換量的門檻也需要留意。GA4 的資料驅動歸因依賴足夠的轉換路徑樣本才能收斂，帳戶月轉換量偏低的時候，它給出的結果反而比規則式模型更不穩定。這種情況下用最後點擊當主報表、資料驅動歸因當對照，是比較務實的做法。
還有一個容易被跳過的動作。具體來說，同時看資料驅動歸因與最後點擊，把兩邊差距最大的 2 到 3 個渠道挑出來，那些渠道在尾單思維下被系統性低估了。差距本身比任一邊的絕對數字更有資訊量。
增量測試回答歸因回答不了的那一題
歸因分配的是路徑上的功勞，增量測試驗證的是因果。前者告訴你成交前誰出現過，後者告訴你少了誰這筆單就不會成交，2 個問題的答案經常不一樣。
Tatvic 用一組對照把這件事講得很簡潔。他們寫道，最後點擊歸因告訴你的是什麼促成了成交，而資料驅動歸因告訴你的是什麼讓這筆交易成為可能。
Last-click attribution tells you what closed the deal. Data driven attribution modelling tells you what made the deal possible.
2 句都還在歸因的框架裡。增量測試（incrementality testing）問的是更前面一層的問題。做法是把受眾切成實驗組與對照組，對照組不投放，再比較 2 組的轉換差距。差距就是這個渠道帶來的額外銷售，跟它在路徑上出現過幾次無關。
成本是真實的。增量測試設定複雜、測試週期至少 2 週，小預算的日常優化撐不起這個節奏。所以實務上的用法是分層。日常投放優化看資料驅動歸因，每季挑 1 到 2 個主力渠道做一次增量測試，用結果去校準歸因報表的偏差。
台灣行銷圈在這件事上的位置比較特別。多數團隊還停在一個階段，把 GA4 報表當成最終答案，因果驗證的思維框架還沒建立起來。這裡面有結構性的阻力。增量測試要求把一部分預算刻意花在對照組上，那筆錢在報表上看起來就是浪費，內部很難通過。
現在該確認的三個設定
歸因架構變動之後，最先出事的通常是拿舊基準做的季度比較。有 3 個確認動作成本很低，做完可以擋掉大部分的誤判。
第一，進 GA4 的歸因設定確認目前使用的模型與回溯視窗。路徑是管理介面裡的歸因設定區塊。ALM Corp 提到的 30 天與 90 天差異就在這裡，獲客類轉換事件跟另一類轉換事件的計算範圍本來就不同。確認完把數字記下來，之後報表對不上時可以往回追。
第二，比對 GA4 與 Google Ads 兩邊的轉換設定是否一致。用 GA4 驗證 Google Ads 的轉換數字之前，得先確定兩邊的歸因邏輯沒有分岔。分岔的時候數字一定不同，那個差距是設定不同造成的必然結果。
第三，在報表上標注基準更換的時間點。這個動作最土，效果也最直接。季度同比的時候，一眼就能看出哪一段是舊基準、哪一段是新的。
做完這 3 件事，報表仍然不會變準。它們處理的是可比性。準確度要靠補訊號與因果驗證，那是另外 2 條路。
銷波快觀點：先把訊號補回來，再談模型
換模型不會把資料變回來。iOS14 的隱私政策讓 Cookie 追蹤數據少掉 30% 到 40%，這段缺口是在資料進到 GA4 之前就發生的。歸因模型處理的是進來之後的分配問題，對進不來的部分無能為力。順序搞反的話，花很多力氣在調整分配邏輯，分母卻一直是殘缺的。
要補訊號，Meta 的 Conversions API 是現在最直接的一條。運作方式是雙軌，Pixel 從瀏覽器端捕捉行為，CAPI 從伺服器端補上帶顧客識別的事件。這在 2026 年已經是再行銷的基礎建設。事件匹配品質評分決定了受眾分層能做到多細，也決定了廣告系統的優化上限。這件事的投資報酬比換歸因模型高得多，因為它動的是分母。
更難處理的是另一層，那一層還沒被納入任何追蹤系統。顧客在 AI 搜尋裡已經見過你，但你不知道。ChatGPT 或 Perplexity 的一次對話、AI 摘要區塊裡的一次曝光，這些接觸點不會出現在任何歸因報表上。已經有工具在把 LLM 互動轉成結構化訊號，識別意圖與參與模式。普及度還遠遠不夠。現階段能做的是承認這塊存在。不要把品牌搜尋的異常成長全部算成自然成長。
數字掉下來的時候，診斷順序比工具重要。先把因素分成 2 類，直接可控的像素材、文案、銷售頁轉換率，間接不可控的像競爭對手動作、社群氛圍、平台政策變動。GA4 的歸因設定變更屬於後者。分清楚之後才有辦法問下一個問題，也就是現有策略能不能跟這個變化互補。
最後一個提醒來自我們自己踩過的坑。建立主題分類的時候，我們用搜尋量最高的詞當錨點，連續選錯 3 次。問題出在用單一數字當排序依據，量高只代表詞熱，不代表它能代表那一群。歸因是同一個結構的問題。最後一次點擊的轉換數最高，不代表那個渠道貢獻最大，只代表它站的位置離成交最近。排序依據跟你想量的東西，中間隔著一個沒人檢查的假設。
結論：先確認設定與補訊號，再回頭挑模型
資料驅動歸因成為 GA4 預設，這件事本身是好的。它不預設哪個渠道比較重要，比人工設定的固定權重合理。問題在於它被當成了終點。
覆蓋率掉到 2020 年水準的 30% 到 60%，B2B 有 30% 到 40% 的接觸點根本不在追蹤範圍內，而 67% 的 B2B 團隊還在只看最後一次點擊。這 3 個數字擺在一起，說的是同一件事。模型的精細度已經超過資料的完整度，繼續往模型那一端投資，邊際效益很低。
可以現在就做的順序是這樣。先確認 GA4 的歸因設定與回溯視窗，把 30 天與 90 天的基準記下來。再用伺服器端追蹤把漏掉的訊號補回來，讓分母先變完整。等資料站得住了，再挑 1 個主力渠道做增量測試，驗證歸因報表給的答案是不是真的。3 件事的成本一件比一件高，效益的順序也一樣。
報表上那個數字永遠是被建構出來的。知道它是怎麼被建構的，比相信它更有用。
喜歡這篇？讓行銷變好懂，訂閱銷波快。
資料來源
- Multi-Touch Attribution：覆蓋率、ATT 選擇加入率與訊號流失數據improvado.io
- GA4 歸因模型四月重組：報表、Google Ads 對齊與 ROI 影響解析almcorp.com
- Data Driven Attribution Modelling in 2026tatvic.com
- Marketing Attribution Models：各模型適用場景與局限nvecta.com
- GA4 Attribution Settings Guide 2026ga4helper.com
- 十二大智能歸因分析模型：演算法歸因如何超越人工規則growingio.com
- 多渠道歸因分析：傳統歸因模型完整梳理zhuanlan.zhihu.com
- 一文理清多種行銷歸因模型、增量測試與行銷組合模型glosellers.com
