广告归因旨在识别并分配导致转化的行为和活动的功劳。人们可能会推测，在数字广告和大型语言模型的帮助下，这一过程应该很简单。
事实并非如此。
由于隐私法规、平台变更以及购物者在网站甚至实体店之间移动方式的混乱，即使是最好的多触点归因（MTA）形式也不够精确。
预测优势
想象一家零售商正在运行 Meta 广告以将流量引导至其网站。这些广告可能会激励购物者稍后在 Amazon 购买。传统的归因模型无法看到这些销售，因此广告看起来没有利润。营销团队可能会削减该活动，却未意识到它提升了其他地方的收入。
其结果是一个盲区，营销人员往往低估了创造品牌认知的投资，而漏斗下层的广告则看起来像是英雄。
然而，MTA优于最后触点归因，而最后触点归因又优于盲目猜测，但理解广告和营销影响的下一步可能是采用一种类似于媒体组合建模（MMM）的预测性建模形式，但具备渠道级别的准确性。
Meyer（一家炊具制造商）的数字转型副总裁 Cameron Bush 在描述他的经验时说：“预测性归因建模‘至少能让你达到活动层面’。”
Bush 继续说道：“我目前在 Meta 上有一个活动，我在 [Prescient AI，一个归因平台] 中查看它，其中 100% 的收入和 MMM ROAS 都是由 Shopify 驱动的。”
Bush 说：“下面的那个活动在 Shopify 和 Amazon 之间是 50/50 的，并且具有略高的 ROAS。这是我原本不会拥有的 sophistication（复杂程度/精细度），”Bush 将预测性模型与 MMM 和 MTA 进行了比较。
预测性人工智能可预测每场活动对整体收入的影响，正如来自Prescient AI的这个示例所示。点击图片放大。
决策制定
预测性建模与营销组合建模和多触点归因追求相同的目标。
它不是拼凑每一个客户接触点，而是对跨渠道的支出与收入之间的关系进行建模。然后模拟结果，结合 MMM 风格的聚合测量和活动层面的输出，为营销人员提供以下信息：
- 各渠道和活动之间的相互影响以及对整体收入的影响。
- 漏斗顶部活动对下游收入的影响。
- 促销和营销支出变化对利润的影响。
挑战在于如何处理这些信息。
“我们查看Excel电子表格，查看仪表板，查看所有这类信息，这能让我们对今天的情况有一个非常清晰的了解，但它并没有告诉我该怎么做，”Prescient AI的联合创始人兼首席技术官Cody Greco表示。
回答“我现在该做什么？”的工作被交给营销人员进行预测。
Greco 说：“预测性建模的妙处在于，它实际上有助于回答下一个合理的问题。”
营销人员可以提出这样的问题：如果她将 Instagram 上的投入加倍，会发生什么情况？并且能够以很高的置信度获得答案。
媒体采购
预测建模可能会以几种方式影响零售媒体采购。
- 品牌建设和内容。了解漏斗上层的促销和内容营销如何促进广告转化，可能会重新激发品牌建设的活力。
- 预算清晰度。重新分配投资以获得最佳回报。
- 自动化。出价和支出调整最终可能会实现自动化。
传统的归因分析常常将营销团队卷入对详细指标的争论中。而预测建模可以减少这些争论，使团队能够将精力集中在创意和活动策划上。
焦点转移
因此，根据 Meyer 的 Bush 的观点，那些将渠道识别任务委托出去的营销人员可以在创意和内容方面实现复兴。
当然，预测建模并不能消除不确定性，也无法取代营销人员。然而，如果取得成功，它将改变电子商务和全渠道企业的促销方式。
把它想象成天气预报。营销人员不会解释每一滴雨；他们会关注的是你明天是否需要带伞。