attribution-report

/digital-marketing-pro:attribution-report

GA4 AI 助手渠道（添加于 2026 年 5 月 13 日）

针对 GA4 媒体资源生成归因报告时，AI Assistant 默认渠道组现已成为一类独立渠道。GA4 会自动将来自 ChatGPT、Gemini、Claude 和其他已识别 AI 助手的会话归入此渠道（并设置 Medium=ai-assistant）。对于开展 AEO 项目的品牌，请将 AI Assistant 渠道纳入渠道集合，并比较其在所有归因模型（首次触点、末次触点、线性、时间衰减、基于位置、数据驱动）中的贡献。

在此场景下，模型对比视图尤其有参考价值：AI Assistant 流量在首次触点与末次触点模型下的归因往往差异很大，因为用户经常通过 AI 助手发现品牌，却通过后续的品牌搜索或直接访问完成转化。不要仅凭末次触点的数据就得出“AI 搜索无法带来营收”的结论。

来源：GA4 默认渠道组。对于上游的曝光侧数据，请搭配 /digital-marketing-pro:gsc-ai-performance（GSC AI Performance Report 于 2026 年 6 月 3 日推出，特意不包含点击数据，因此 GA4 是你的点击归因界面）。

用途

生成多触点归因分析，展示不同营销渠道和活动如何促成转化。并列比较多种归因模型，在各触点之间分配营收，并根据渠道的真实贡献提供可执行的预算重新分配建议。本命令不再局限于简单的末次点击归因，而是揭示完整的客户旅程——识别哪些渠道促成认知、哪些渠道培育考虑意向、哪些渠道促成转化——从而根据实际贡献而非位置偏差来分配营销预算。

所需输入

用户必须提供（或系统将提示用户提供）：

• 要比较的归因模型：并列运行的两个或多个模型 — first-touch（将 100% 的归因权重分配给开启旅程的首次互动）、last-touch（将 100% 的归因权重分配给转化前的最后一次互动）、linear（在所有触点之间平均分配归因权重）、time-decay（将更多权重按指数方式分配给更接近转化的触点，可配置半衰期，默认为 7 天）、position-based（首次触点分配 40%，末次触点分配 40%，中间互动合计分配 20%）、或 data-driven（根据转化路径模式和反事实分析进行算法分配）。至少应比较两个模型，以揭示归因偏差
• 要归因的转化事件：要分析的转化操作 — purchases（已完成且包含营收的交易）、signups（创建账户或试用）、leads（提交表单、申请演示、联系咨询），或 custom events（用户定义的转化节点，可选填营收值）。可以同时分析多个转化事件，并分别进行归因
• 时间范围：分析窗口 — 指定日期范围、相对时段（过去 30 天、上一季度）或同比对比。更长的时段能提供更多转化路径，从而使模型比较更可靠，但可能会受到季节性因素的影响
• 转化窗口：将触点归因于转化的回溯窗口 — 7 days（短周期购买、冲动消费）、14 days（标准电子商务）、30 days（B2B 线索开发、需考虑的购买），或 90 days（企业级 B2B、销售周期较长的高价值购买）。超出转化窗口的触点不纳入归因
• 要纳入的渠道：要进行归因的营销渠道 — 付费搜索、付费社交、自然搜索、直接访问、电子邮件、引荐、展示广告、视频、联盟营销或特定活动组。默认纳入所有渠道，除非用户限制范围

流程

1. 加载品牌上下文：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用业务模式上下文（SaaS、eCommerce、B2B），设置合适的默认转化窗口和模型建议。检查 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json 中是否有指南。如果不存在品牌，请询问：“要先设置品牌吗（/digital-marketing-pro:brand-setup）？”——或者使用默认设置继续。
2. 从分析 MCP 获取转化路径数据：从已连接的数据源提取多触点旅程数据——Google Analytics MCP 提供转化路径、多渠道漏斗报告和辅助转化数据；Google Ads MCP 提供搜索归因报告和跨网络归因数据；Meta MCP 提供浏览归因和点击归因数据；CRM MCP 提供包含营销触点时间戳的交易阶段进展数据。将触点合并为统一的客户旅程，并对同一互动被多个来源记录的跨平台重复数据进行去重。
3. 对数据应用每个选定的归因模型：针对统一的转化路径数据集运行每个请求的模型。（模型分类——包括定义、最佳适用场景、局限性和选择决策树——统一来源于 skills/funnel-architect/attribution-models.md；以下各模型的数学计算是本报告对这些定义的实际应用，而非另一份模型目录。）首次触点：将每个旅程的转化价值 100% 归给记录到的第一个触点。末次触点：将转化价值 100% 归给转化前的最后一个触点。线性：在所有触点之间平均分配转化价值（n 个触点各获得 1/n 的归因权重）。时间衰减：根据配置的半衰期，从转化时点向前应用指数衰减——距离转化一个半衰期的触点获得的权重，是促成转化的触点的 50%；距离两个半衰期的触点获得 25%，以此类推，然后归一化至 100%。位置型：将 40% 分配给第一个触点，40% 分配给最后一个触点，剩余 20% 在中间触点之间平均分配。数据驱动：分析转化路径模式，识别转化率具有统计显著优势的渠道序列，然后按每个渠道的增量贡献分配归因权重。
4. 计算每个模型下各渠道的收入归因：针对每个渠道和每个模型，计算：归因收入总额（获得归因权重的转化价值之和）、归因转化次数（采用小数计算——获得 40% 归因权重的转化计为 0.4）、每次归因转化成本（渠道支出除以归因转化次数），以及归因 ROAS（归因收入除以渠道支出）。以渠道为行、模型为列呈现为矩阵，便于直接比较。
5. 比较模型并识别归因变化：计算各渠道在不同模型下的归因权重变化。首次触点归因权重显著高于末次触点的渠道是认知度驱动渠道——它们开启旅程，但没有促成最终转化。末次触点归因权重更高的渠道是转化促成渠道。在各模型下归因权重稳定的渠道，是可靠的全漏斗表现渠道。针对每个渠道，量化从首次触点到末次触点的归因收入变化百分比。
6. 生成预算重新分配建议：根据模型对比，识别被低估的渠道——这些渠道的末次触点归因权重极低，但首次触点或线性归因权重较高，说明它们能提升认知度并辅助转化，却在默认的末次点击报告中受到低估。建议增加这些渠道的预算，并提供预估影响。识别被高估的渠道——这些渠道的末次触点归因权重相较首次触点贡献偏高。建议调查其效率，而非盲目削减预算，因为它们仍可能是不可或缺的转化促成渠道。
7. 计算辅助转化比率：针对每个渠道，计算辅助转化与末次触点转化的比率——该渠道出现在转化路径中但并非末次触点的转化次数，除以该渠道作为末次触点的转化次数。比率高于 1.0 的渠道，辅助转化的次数多于促成转化的次数（认知度和考虑阶段驱动渠道）。比率低于 1.0 的渠道，促成转化的次数多于辅助转化的次数（转化促成渠道）。该比率是一个独立于模型的信号，可用于判断渠道在漏斗中的作用。
8. 保存归因数据以跟踪趋势：保存归因分析结果——包括模型输出、渠道评分、辅助转化比率和预算建议——以便进行纵向比较。跟踪营销组合变化时渠道贡献的演变，从而发现渠道饱和、边际收益递减或新兴高价值触点。

输出

包含以下内容的结构化归因分析：

• 归因模型对比表：按渠道和模型划分的矩阵，展示每个模型下各渠道的归因收入、归因转化次数、每次归因转化的成本以及归因 ROAS，便于直观比较不同方法下的功劳分配变化
• 各模型下的渠道贡献变化：逐渠道分析归因收入从首次触点到末次触点及各中间模型的变化，包含变化百分比、方向指标（认知驱动者、转化促成者、全漏斗表现者），以及根据转化路径数量评定的置信度
• 辅助转化分析：各渠道的辅助转化与末次触点转化比率及解读；将渠道划分为认知发起者（比率 > 2.0）、考虑阶段培育者（1.0-2.0）、均衡贡献者（0.5-1.0）或转化促成者（< 0.5），并提供支持各项分类的转化量
• 预算重新分配建议：具体且可执行的预算调整建议，包括应增加投入的渠道（含预计新增转化次数和收入）、需调查效率问题的渠道（含收益递减指标），以及可尝试削减投入的渠道（含风险评估和建议削减比例）
• 路径长度分析：每次转化触点数的分布，包括平均路径长度、中位数，以及按转化类型细分的数据，展示涉及 1、2-3、4-6 或 7+ 个触点的转化占比，并列出各路径长度区间的收入
• 转化用时分析：从首次触点到转化的时间分布，包括平均值、中位数和百分位细分，展示 1 天内、1-7 天、7-14 天、14-30 天以及 30+ 天内发生的转化占比，并列出各时间区间的收入
• 低估/高估渠道识别：按归因差距排列的渠道清单；归因差距指末次触点归因收入与线性或基于位置的归因收入之间的差异，重点标出默认报告显著误报真实贡献的渠道
• 方法说明与局限性：透明记录所用数据来源、转化路径覆盖情况（拥有完整路径数据与仅有单次触点数据的转化占比）、跨设备方面的局限、是否纳入浏览归因，以及可能影响模型准确性的任何数据缺口

使用的 Agent

• analytics-analyst — 从 Google Analytics、Google Ads 和 Meta MCP 收集转化路径数据，在所有选定方法下执行多触点归因模型，计算各渠道的收入归因及成本效率指标，通过模型对比分析识别认知驱动者和转化促成者，计算辅助转化比率，分析路径长度和转化用时分布，并评估数据质量、报告覆盖率和置信度
• marketing-strategist — 从战略角度解读归因变化，将模型结果与营销策略影响相联系；提供预算重新分配建议及预期影响和风险评估；根据归因模式对营销漏斗中的渠道角色进行分类；并在短期转化效率与长期品牌建设和认知培养之间取得平衡，为投资优先级提供指导