首页 / 文章 / 广告归因：游戏买量的"隐形裁判"

广告归因：游戏买量的"隐形裁判"

📅 2026-02-28 📁 广告归因 ⏱️ 12 分钟

这是"广告归因"系列的第一篇。在这个系列里，我们会聊聊游戏行业如何追踪每一笔广告投放的效果——从点击到安装，从安装到付费，每一个环节都在被"归因"这个隐形裁判默默记录着。

一、什么是广告归因

想象一个场景：

你在今日头条看到一个游戏广告，点击了但没下载。第二天，你在抖音又刷到同一个游戏，这次你下载了并充值了648元。

问题来了：这笔648元的收入，应该算谁的功劳？是今日头条的？还是抖音的？

这就是广告归因要解决的核心问题：找到用户行为与广告投放之间的因果关系。

用一个公式来概括：

用户最终行为 = f(广告A, 广告B, 广告C, ...)

归因系统的工作，就是算出 f() 中每个广告的"贡献权重"。

1.1 归因的本质

从技术角度看，归因本质上是一个数据匹配问题：

  1. 广告端数据：谁在什么时候、哪个平台、点击了哪条广告
  2. 用户端数据：谁在什么时候、安装了哪个App、做了什么行为

把这两端数据"连起来"，就是归因的全部奥义。

但这"连起来"三个字，背后却是一门大学问。就像刑警破案需要把嫌疑人的各种线索——指纹、DNA、监控录像、证人证词——关联到一起，归因系统也需要把用户在不同平台、不同时间、不同设备上的碎片行为，拼成完整的"用户旅程地图"。

1.2 为什么叫"归因"而不是"统计"？

统计只是记录数据，归因是判定责任。

统计告诉你"今天有1000个新用户"，归因告诉你"这1000个用户里，300个来自抖音广告（花了5000块），200个来自今日头条（花了3000块），剩下500个是自然量"。

用一个更形象的比喻：统计是记分员，归因是裁判员。

记分员只管记录"进了几个球"，裁判员要判定"这球算谁的"。在广告世界里，每个新用户就是一记"进球"，归因系统要判定这个进球应该归功于哪个渠道、哪条广告、哪次点击。

有了归因，你才能回答一个灵魂拷问：我的广告钱，花得值不值？

1.3 归因系统的"三位一体"

一个完整的归因系统，其实在做三件事：

这三件事环环相扣，缺一不可。追踪是基础，匹配是核心，归因是输出。没有准确的追踪，匹配就是"垃圾进垃圾出"；没有可靠的匹配，归因就是"瞎猜"。

二、为什么游戏行业需要归因

游戏行业对归因的需求，可以用"迫切"来形容。原因很简单：买量是游戏获客的主要方式，而买量很贵。

2.1 游戏买量的"烧钱"属性

2023年，中国移动游戏市场实际销售收入约3000亿元，其中相当比例用于广告投放。头部游戏的单用户获取成本（CPA）已经达到：

如果一个游戏每月新增10万用户，按50元/用户计算，仅获客成本就是500万。如果不知道这500万花在哪了、效果如何，基本上就是在"盲投"。

更可怕的是，游戏买量往往是"前置投入"——你先花钱买用户，然后等用户在游戏里慢慢付费回本。这个回本周期可能是30天、90天，甚至更长。如果归因数据不准，你可能花了半年才发现"原来这个渠道一直亏钱"，那时候已经烧掉了几百万。

2.2 游戏行业的特殊性

游戏行业对归因有特殊要求，主要体现在三个方面：

普通App可能靠广告变现，游戏主要靠用户充值。一个"大R"（高付费玩家）可能贡献几万甚至几十万收入。归因不仅要追踪"安装"，还要追踪"付费"，甚至追踪"LTV（生命周期价值）"。

这意味着归因系统要有"长周期追踪"的能力——用户可能今天安装，下个月才首次付费，三个月后才成为大R。归因系统要能把三个月后的付费行为，准确关联到三个月前的广告点击。

游戏投放渠道动辄几十个：巨量引擎、腾讯广告、快手、百度、Unity、AppLovin、IronSource、Facebook、Google Ads、TikTok……每个渠道都有自己的数据格式和API。归因系统要像一个"万能翻译器"，把所有渠道的数据统一到一起。

举个例子：巨量引擎的点击数据可能包含 click_id、adgroup_id、creative_id，而Unity Ads可能用 campaign_id、source_id、game_id。归因系统要能识别这些不同格式的参数，并统一映射到自己的数据模型中。

广告投放讲究"快"。今天投的广告，明天就要知道效果，后天就要调整策略。归因数据如果不能实时或准实时产出，就失去了决策价值。

在实际运营中，游戏团队往往需要"小时级"甚至"分钟级"的数据反馈。上午发现某条素材CTR（点击率）异常高，下午就要加大投放；晚上发现某个渠道的CPI（单用户成本）飙升，第二天就要及时止损。没有实时归因数据，这些决策都无法实现。

2.3 没有归因会怎样？

没有归因系统，游戏公司会面临这些问题：

一言以蔽之：没有归因，买量就是一场豪赌。

2.4 一个真实案例

某中型游戏公司在做一款SLG游戏的海外发行，月广告预算50万美元。最初他们只用各广告平台自己的后台数据做决策，发现"Facebook的效果最好"。

后来接入第三方归因系统后，才发现真相完全不同：

调整投放策略后，在同样预算下，月新增付费用户提升了35%，ROI从0.8提升到1.3。这就是归因的价值。

三、归因是如何工作的：完整流程详解

现在让我们深入技术层面，看看归因系统到底是怎么工作的。我会用一个完整的用户旅程，带你走一遍归因的全流程。

3.1 用户旅程的全景图

假设用户"小明"的完整旅程是这样的：

Day 1 上午10:00  在今日头条看到游戏广告（曝光，未点击）
Day 1 下午14:00  在抖音刷到同一游戏广告，点击但未安装
Day 2 晚上20:00  在快手再次看到广告，点击后跳转应用商店
Day 2 晚上20:05  完成下载和安装
Day 2 晚上20:10  打开游戏，完成注册
Day 3 下午15:00  首次付费6元（首充）
Day 7 晚上21:00  再次付费30元（月卡）
Day 30 下午16:00 充值648元（大额充值）

归因系统要追踪这个完整旅程中的每一个节点，并最终回答：这些付费行为，应该归功于哪些广告？

3.2 第一步：广告点击追踪

当小明在抖音点击广告时，归因系统会生成一条点击记录：

click_id: clk_abc123
timestamp: 2026-02-28 14:00:00
channel: douyin
campaign: slg_launch_spring
adgroup: high_value_users
creative: video_30s_001
device_id: IDFA:XXXX-XXXX-XXXX  // 如果有权限
ip: 123.45.67.89
user_agent: Mozilla/5.0 (iPhone; CPU iPhone OS 16_0...

这条记录会被发送到归因服务商的服务器（如AppsFlyer、Adjust、Branch等），并存储在点击数据库中。

3.3 第二步：应用安装追踪

当小明下载并打开游戏App时，App内的归因SDK会采集设备信息并发送给归因服务器：

install_time: 2026-02-28 20:05:00
activation_time: 2026-02-28 20:10:00
device_id: IDFA:XXXX-XXXX-XXXX  // 如果有权限
ip: 123.45.67.89
user_agent: Mozilla/5.0 (iPhone; CPU iPhone OS 16_0...
app_version: 1.0.0
os_version: iOS 16.0

3.4 第三步：归因匹配

这是归因系统最核心的步骤：把安装事件和点击事件"匹配"起来。

归因服务器会执行以下匹配逻辑：

1. 查找过去7天内，同一设备ID的所有点击记录
2. 如果找到多个点击，按归因规则选择（通常选最后一次点击）
3. 如果没有找到设备ID匹配，尝试用IP+UA做"概率匹配"
4. 如果都匹配不上，标记为"自然量"

在小明的案例中，匹配过程如下：

  1. 找到Day 1的今日头条曝光记录（但未点击，不参与归因）
  2. 找到Day 1下午的抖音点击记录
  3. 找到Day 2晚上的快手点击记录
  4. 按"最后点击归因"规则，快手的点击获得100%归因

最终归因结果：

install_id: inst_xyz789
attributed_channel: kuaishou
attributed_campaign: slg_launch_spring
attributed_adgroup: male_25-35
attributed_creative: video_15s_003
click_id: clk_def456
click_time: 2026-02-28 20:00:00
install_time: 2026-02-28 20:05:00
attribution_type: click

3.5 第四步：应用内事件追踪

归因不止于安装。小明的后续行为（注册、付费）也要被追踪并关联到归因结果：

event: registration
event_time: 2026-02-28 20:10:00
user_id: user_12345
attributed_channel: kuaishou
...

event: purchase
event_time: 2026-03-01 15:00:00
user_id: user_12345
revenue: 6.00 CNY
product: first_charge_pack
attributed_channel: kuaishou
...

event: purchase
event_time: 2026-03-07 21:00:00
user_id: user_12345
revenue: 30.00 CNY
product: monthly_card
attributed_channel: kuaishou
...

这些事件数据会被汇总计算，最终得出快手这个渠道的ROAS（广告支出回报率）：

快手渠道花费：5000元
带来安装：200个
带来付费用户：80个
带来总收入：12000元
ROAS = 12000 / 5000 = 2.4

3.6 归因流程的时序图

用一张时序图总结整个流程：

[广告平台]          [归因服务器]          [游戏App]         [游戏服务器]
<table>
<tr>
<td>1. 用户点击广告</td>
<td></td>
<td></td>
</tr>
<tr>
<td>-------------------></td>
<td></td>
<td></td>
</tr>
<tr>
<td></td>
<td>存储点击记录</td>
<td></td>
</tr>
<tr>
<td></td>
<td>------------------></td>
<td></td>
</tr>
<tr>
<td></td>
<td></td>
<td>2. 用户安装打开</td>
</tr>
<tr>
<td></td>
<td></td>
<td>-----------------></td>
</tr>
<tr>
<td></td>
<td><-- 3. SDK发送安装信息 ----------------</td>
</tr>
<tr>
<td></td>
<td>4. 匹配点击记录</td>
<td></td>
</tr>
<tr>
<td></td>
<td>5. 返回归因结果 ----------------------></td>
</tr>
<tr>
<td></td>
<td><-- 6. 后续事件（付费等） ---------------</td>
</tr>
<tr>
<td><-- 7. 回传归因数据（用于优化投放）</td>
<td></td>
</tr>
</tbody></table>

四、归因的核心挑战

归因听起来简单——不就是"连数据"吗？但在实际落地中，有几个核心挑战让这件事变得相当复杂。

4.1 跨平台追踪的"断链"问题

用户的行为是跨平台的：

  1. 在手机浏览器看到广告
  2. 点击后跳转到应用商店
  3. 下载安装App
  4. 打开App并注册

问题来了：浏览器、应用商店、App，这是三个不同的"世界"。浏览器能看到点击，应用商店能看到下载，App能看到激活。但它们之间没有一个统一的"身份证"把用户串联起来。

  1. 设备ID匹配：iOS的IDFA、Android的GAID，这是最精确的方式。但如前所述，隐私政策正在让这种方式变得困难。
  2. 概率匹配：通过IP地址、设备型号、操作系统版本、屏幕分辨率、语言设置等信息组合，计算"这个安装有90%概率是那次点击带来的"。
  3. 深度链接：通过Universal Link（iOS）或App Link（Android），在点击广告时就把归因参数"带进"App，跳过应用商店的"断层"。

4.2 隐私政策收紧：归因行业的"至暗时刻"

2021年，苹果推出ATT（App Tracking Transparency）政策，要求App必须获得用户授权才能追踪IDFA。结果是什么？全球范围内，只有约25%的用户同意追踪。

这意味着，对于75%的iOS用户，传统的设备ID归因方式失效了。

安卓端也在收紧。Google计划推出Privacy Sandbox，逐步淘汰GAID（Google Advertising ID）。

归因行业正在经历一场"去ID化"的变革。如何在保护用户隐私的前提下，依然能做归因？这是所有归因服务商都在探索的课题。

  1. SKAdNetwork (SKAN)：苹果官方的归因方案，由苹果在保护隐私的前提下完成归因，然后通知广告主结果。缺点是数据颗粒度很粗（只有 campaign 级别，无法追踪到具体广告素材）。
  2. 概率归因：在没有IDFA的情况下，通过IP、设备指纹、行为模式等做"概率匹配"。
  3. 第一方数据：通过用户登录账号（如Facebook登录、Google登录）来识别用户身份。

4.3 归因窗口期的选择

用户今天点击广告，可能下周才安装，下个月才付费。这个"时间差"怎么处理？

窗口期设太短，会漏掉"长决策周期"的用户；窗口期设太长，会把"已经不相关"的广告也算进来。窗口期的选择，直接影响归因的准确性。

4.4 多触点归因的复杂性

回到开头的例子：用户先在今日头条看到广告，第二天在抖音点击后下载。

如果用"最后点击归因"（Last Click），功劳100%归抖音。今日头条的"助攻"被完全忽略。

但现实是：今日头条的曝光，可能为抖音的点击做了"铺垫"。没有第一次曝光，用户可能根本不会在抖音点击。

如何分配多个触点的功劳？这就是多触点归因（MTA，Multi-Touch Attribution）要解决的问题。目前业界还没有统一的"标准答案"，大多还是以"最后点击"为主。

  1. 数据孤岛：今日头条不会把用户数据分享给抖音，每个平台只知道自己平台内的行为
  2. 计算复杂：需要跨渠道整合数据，并应用复杂的算法模型
  3. 落地难：即使算出"今日头条贡献30%，抖音贡献70%"，实际怎么分配预算？

4.5 作弊与流量劫持

广告行业有一个阴暗面：作弊。常见的作弊手段包括：

  1. 点击异常检测：同一设备短时间内大量点击 → 标记为可疑
  2. 安装时间分析：点击时间和安装时间"倒挂"（安装早于点击）→ 点击注入
  3. 设备行为分析：安装后立即卸载、从不打开、行为模式异常 → 假量
  4. IP黑名单：已知的作弊IP段直接屏蔽

五、常见归因模型详解

归因模型决定了"功劳怎么分"。不同的模型，会得出不同的结论。选择合适的归因模型，是优化广告投放的关键。

5.1 最后点击归因（Last Click Attribution）

用户旅程：今日头条曝光 → 抖音点击 → 快手点击 → 安装
归因结果：快手获得100%功劳

5.2 首次点击归因（First Click Attribution）

用户旅程：今日头条曝光 → 抖音点击 → 快手点击 → 安装
归因结果：抖音获得100%功劳（第一次点击）

5.3 线性归因（Linear Attribution）

用户旅程：今日头条曝光 → 抖音点击 → 快手点击 → 安装
归因结果：抖音33.3%，快手33.3%，今日头条（曝光）33.3%

5.4 时间衰减归因（Time Decay Attribution）

用户旅程：今日头条曝光（Day 1）→ 抖音点击（Day 1）→ 快手点击（Day 2）→ 安装（Day 2）
归因结果：假设衰减系数为50%/天
  - 今日头条：12.5%
  - 抖音：25%
  - 快手：62.5%

5.5 位置归因（Position Based / U-Shaped）

用户旅程：今日头条曝光 → 抖音点击 → 快手点击 → 安装
归因结果：
  - 今日头条（首次）：40%
  - 快手（最后）：40%
  - 抖音（中间）：20%

5.6 归因模型对比表

归因模型 首次触点 中间触点 最后触点 复杂度 适用场景
最后点击 0% 0% 100% ⭐ 效果广告、默认选择
首次点击 100% 0% 0% ⭐ 品牌认知、新渠道评估
线性 平分 平分 平分 ⭐⭐ 简单旅程、全面了解
时间衰减 较少 中等 较多 ⭐⭐⭐ 长周期、多触点
位置归因 40% 20% 40% ⭐⭐⭐ 品牌+效果混合

5.7 如何选择归因模型？

没有"最好"的归因模型，只有"最适合"的。选择时考虑以下因素：

  1. 业务目标：关注获客还是转化？关注品牌还是效果？
  2. 用户旅程：决策周期长还是短？触点多还是少？
  3. 投放策略：单一渠道还是多渠道？重引流还是重收口？
  4. 技术能力：有没有能力做复杂模型的数据整合？
  5. 行业标准：竞品和行业主流用的是什么？

六、归因技术的发展历程

了解归因技术的发展历程，有助于理解当前行业面临的挑战和未来的方向。

6.1 第一代：Cookie时代（2000-2015）

在PC互联网时代，Cookie是归因的核心技术。用户在浏览器里点击广告，浏览器会写入一个Cookie；用户完成转化时，读取Cookie就能知道"这个用户之前点击过哪个广告"。

6.2 第二代：设备ID时代（2015-2021）

移动互联网时代，设备ID成为新的"追踪标识"。

有了设备ID，归因变得精确：点击时记录设备ID，安装时读取设备ID，完美匹配。

6.3 第三代：隐私优先时代（2021-至今）

2021年苹果ATT政策的推出，标志着归因行业进入"隐私优先"时代。

6.4 第四代：未来方向（2025+）

归因技术正在向几个方向演进：

七、归因系统的选型建议

对于游戏公司来说，选择合适的归因系统是重要决策。以下是几个关键考量：

7.1 自建 vs 第三方

7.2 选型考量因素

  1. 渠道覆盖：支持你投放的所有渠道吗？API对接完善吗？
  2. 防作弊能力：有没有多层反作弊机制？能否识别点击注入、假量等？
  3. 数据延迟：归因数据多久能出来？实时还是T+1？
  4. 数据粒度：能追踪到campaign、adgroup、creative级别吗？
  5. 深度链接：支持Universal Link、App Link、Deferred Deep Link吗？
  6. 隐私合规：符合GDPR、CCPA、PIPL等法规要求吗？
  7. 集成难度：SDK接入复杂吗？与现有技术栈兼容吗？
  8. 成本：按MAU收费还是按事件收费？有没有隐藏费用？

7.3 归因系统的关键指标

接入归因系统后，需要关注哪些核心指标？以下是游戏行业最常用的归因指标体系：

7.4 归因数据的应用场景

归因数据不仅是"看报表"，还能驱动多种业务决策：

八、总结

广告归因，是游戏买量的"隐形裁判"。它不直接创造收入，但决定了广告预算的分配效率。

回顾一下这篇文章的核心要点：

  1. 归因的本质是找到用户行为与广告投放之间的因果关系，核心是"追踪-匹配-归因"三位一体
  2. 游戏行业需要归因，因为买量成本高、渠道分散、需要精细化运营、需要防作弊
  3. 归因流程包括：点击追踪 → 安装追踪 → 归因匹配 → 事件追踪，每个环节都有技术细节
  4. 归因的核心挑战包括跨平台追踪、隐私政策收紧、窗口期选择、多触点归因、作弊防护
  5. 常见归因模型各有优缺点，"最后点击"仍是主流，选择时需考虑业务目标和技术能力
  6. 行业趋势是从设备ID转向概率归因，隐私计算和第一方数据将扮演更重要角色
  7. 选型建议：中小公司推荐第三方服务，大型公司可考虑自建+第三方结合

在接下来的系列文章中，我们会深入探讨归因的各个技术环节：

归因是一个"看不见但很重要"的系统。理解它，才能在买量这场游戏中，从"盲投"走向"精准打击"。

返回文章列表 返回首页

💬 评论 (0)

0/500
排序：