运营工具能否评估不同营销渠道间的协同效应？我的答案是：能，但绝大多数企业目前使用的工具和方法，给出的答案都是错的。过去三年，我深度参与了十几家年营收在5000万到30亿之间的企业的数据基建项目，几乎每一家在初次做渠道归因分析时，都掉进过同一个坑，把“先后出现”当成了“协同作用”，把“此消彼长”误判为“独立贡献”。真正能评估加成效应与蚕食效应的工具，不是看谁最后点了下单，而是要看渠道之间的“化学反应”是互相催化还是互相消耗。这篇文章，我会把我在实战中总结的判断逻辑、工具配置方法、以及不同规模企业应该如何取舍的经验，完整拆解给你看。
在讨论工具之前，必须先建立一个认知框架。我把它分成三个层次：
我的核心判断是：市面上绝大多数运营工具（包括九数云这类BI工具、GA4、以及各类归因平台）在层次一上表现成熟，在层次二上需要人工设计实验来配合，在层次三上则严重依赖使用者的统计学素养。 工具本身不产生判断，工具只是放大你的分析能力。如果你不理解协同效应的业务本质，再强大的工具也会给你一张漂亮的错误报表。
很多企业把“渠道A和渠道B都有转化”当成两者协同的证据，这是最昂贵的误解。我用一个最简化的公式来说明：
工具要评估的不是“A和B谁更好”，而是“A和B在一起时，整体是变好了还是变差了”。这个逻辑一旦建立，你就会发现，很多传统的ROI对比报表，其实是在掩盖真相。
五年前，一个典型的消费品企业的营销渠道可能只有3-5个：淘宝直通车、百度SEM、线下门店、微信公众号。渠道之间的关系相对清晰，用户路径也基本是线性的。但现在，一个中等规模的电商企业，可能同时运营着：抖音（多个账号）、小红书（种草+直播）、快手、微信视频号、淘宝天猫（多个店铺）、京东、拼多多、私域社群、线下门店……渠道数量轻松超过15个。
渠道之间的交互关系从线性变成了网状。用户可能在抖音看到种草视频，去小红书看测评，再到淘宝搜品牌词，最后在私域社群领券后下单。在这个过程中，任何一个渠道的缺失，都可能改变后续所有渠道的转化效率。这就是协同效应和蚕食效应变得重要的根本原因，你无法再单独评估任何一个渠道的价值。
2023年，我服务过一家年GMV约8亿的服装品牌。他们的市场总监告诉我，抖音直播间的ROI一直稳定在1:4左右，非常健康。但他们在2023年Q2做了一个测试：因为预算调整，抖音直播暂停了两周。结果发生了一件让他们非常困惑的事，品牌天猫旗舰店的自然搜索转化率，在抖音停播期间，反而提升了近30%。
这就是典型的蚕食效应。抖音直播间的促销信息（“直播间专享价”“限时折扣”）让一部分原本打算直接去天猫下单的用户，被截流到了直播间。当直播间暂停后，这些用户回到了天猫，用自然搜索完成了购买。从单渠道看，抖音直播的ROI非常漂亮，但从全局看，它其实蚕食了天猫的自然流量转化。
如果没有工具去追踪这个跨渠道的转化变化，企业很容易被单渠道的漂亮数据误导，持续向一个正在蚕食其他渠道的渠道追加预算。
同样是在这家服装品牌，我们做了一个反向测试。他们在小红书上的种草内容一直有稳定的互动量，但直接转化（点击链接跳转下单）的数据很一般。按照传统ROI逻辑，这个渠道应该被削减预算。但我们建议他们不要看直接转化，而是看“小红书曝光后，用户在7天内对品牌词的搜索量变化”。
数据结果非常清晰：在小红书内容发布后的48小时内，品牌词在淘宝和百度上的搜索量平均提升了210%。这些搜索带来的转化，被归因到了“品牌搜索”渠道，而不是小红书。但如果砍掉小红书，品牌搜索的转化也会随之下降。这就是加成效应，小红书负责激发需求，品牌搜索负责承接需求，两者缺一不可。
这是最普遍、最顽固的错误。最后点击归因会把100%的转化功劳分配给用户下单前点击的最后一个渠道。在这种模型下，所有“助攻型”渠道的价值都会被严重低估。我见过太多企业，因为最后点击归因报表显示“抖音直接转化低”，就把抖音预算砍掉，结果整体业绩下滑了15%-20%。
工具本身没有错，错的是你只用了工具最基础的功能。 如果你只用一个归因模型，你看到的不是真相，而是你想看到的东西。
很多BI工具提供了“用户重叠分析”功能，可以告诉你渠道A和渠道B的用户重合度是多少。于是有人得出结论：“重叠率30%，说明两者有协同效应。”这是逻辑跳跃。用户重叠只能说明“同一批人看到了两个渠道”，但不能说明“两个渠道同时存在比单独存在效果更好”。
重叠率本身既不等于加成，也不等于蚕食。它只是一个中间指标。要判断是加成还是蚕食，必须看“重叠用户”和“非重叠用户”在转化行为上的差异。如果重叠用户的转化率显著高于非重叠用户，才可能有协同效应；如果反而更低，那可能就是蚕食。
不同品类的用户决策周期差异巨大。快消品的决策周期可能只有几分钟，而高客单价耐消品（如家电、汽车）的决策周期可能长达数周甚至数月。如果你用统一的7天归因窗口去评估所有渠道，结果会严重失真。
我见过一家做定制家具的企业，他们的用户从第一次看到广告到最终下单，平均需要23天。但他们用的归因工具默认窗口是7天，结果超过70%的早期曝光渠道被归因为“无效”。调整归因窗口到30天后，那些内容种草渠道的价值才真正显现出来。
这是数据分析中最经典的错误。工具很容易告诉你“渠道A曝光增加时，渠道B的转化也增加了”，于是你得出“A和B有协同效应”的结论。但真正的原因可能是：你们在渠道A和渠道B同时增加了预算，而那个时间段本身就是销售旺季。是季节因素同时驱动了A和B的增长，而不是A驱动了B。
要建立因果判断，必须引入对照组设计。 这也是为什么我反复强调：工具需要配合实验，而不是单独依赖工具报表。
有些企业追求“一个模型管所有渠道”，比如统一使用“时间衰减归因”或“U型归因”。这种做法的问题在于：不同渠道在用户决策路径中的角色是不同的。品牌曝光渠道和效果转化渠道，应该用不同的权重逻辑来评估。强行统一，等于用一把尺子量所有东西。
更务实的做法是：按渠道角色分组，对同一组内的渠道用相同的归因逻辑，对不同组的渠道用不同的评估框架。 比如，把渠道分为“种草组”“转化组”“留存组”，分别评估组内和组间的协同效应。
没有干净的数据，一切分析都是空谈。在开始评估协同效应之前，必须确保工具能正确追踪到三个层次的信息：
我推荐的做法是：先用九数云这类BI工具把分散在各平台的数据拉通，建立统一的用户行为宽表。 在这个宽表上，每一行是一个用户，每一列是一个渠道的曝光/互动/转化数据。有了这个数据底座，后续的所有分析才有意义。
在数据底座建好后，第一步不是直接做因果推断，而是先用工具做相关性筛查，找出那些“可能”存在协同或蚕食关系的渠道对。具体方法：
这一步的目的是缩小范围，把几十个渠道的复杂关系，缩小到5-10个“可疑的渠道对”，然后对它们进行深度分析。不要试图一次性评估所有渠道，那是资源黑洞。
这是整个评估框架中最关键、也最容易被跳过的一步。工具能告诉你相关性，但只有实验能告诉你因果性。增量测试的核心思想是：在控制其他变量不变的前提下，改变一个渠道的投放状态，观察另一个渠道的转化变化。
具体操作有两种方式：
增量测试不需要非常复杂的统计学背景，但需要业务部门的配合。 我见过最成功的案例，是运营团队每季度拿出5%的预算，专门用于做渠道关系的增量测试。这5%的“实验预算”，帮他们避免了至少30%的无效投放。
在通过实验确认了渠道之间的因果关系后，最后一步才是用量化模型来分配贡献权重。这一步的工具选择取决于企业的数据能力和预算：
我的建议是：大多数中腰部企业，从入门级开始，配合定期的增量测试，就足以避免80%的渠道误判。 不要一开始就追求完美的因果模型，那会让你陷入“分析瘫痪”。
一家年营收约12亿的跨境电商企业（主要市场在东南亚），同时运营着Facebook付费广告和TikTok自然内容。他们的分析团队发现，Facebook广告的ROI在持续下降，而TikTok自然内容的流量在上升。他们怀疑TikTok自然内容在蚕食Facebook广告的转化，但无法确认。
我们帮助他们做了一组中断测试：暂停Facebook广告投放两周，观察TikTok自然内容的转化变化。结果非常明确：TikTok自然内容的转化率在Facebook广告暂停后，提升了42%。这意味着，原本有一部分用户会先在TikTok看到内容，然后被Facebook的广告追投并转化（归因给了Facebook）。当Facebook广告暂停后，这些用户直接在TikTok上完成了转化。
这是一个典型的“付费渠道蚕食自然渠道”的案例。解决方案不是砍掉Facebook广告，而是调整两个渠道的定位：Facebook广告从“全量追投”改为“只追投高价值用户”，TikTok自然内容则承担更重的“直接转化”角色。 调整后，整体营销ROI提升了18%。
一家拥有200+线下门店的连锁餐饮品牌，在2024年Q1上线了私域社群促销（每周发放限时优惠券）。他们发现，在发放优惠券的当天，线下门店的客流量并没有明显变化，但线上外卖订单量提升了约25%。
初看，这是一个线上促销带动线上转化的“独立效应”。但我们进一步分析数据后发现：在优惠券发放后的48小时内，到店消费的客单价提升了约12%。原因是，一部分用户领了优惠券后，选择到店消费，并在店内额外点了更多正价商品。
这就是线上促销与线下门店之间的加成效应。线上优惠券不仅拉动了线上订单，还通过“引流到店”提升了线下客单价。如果只评估线上渠道的ROI，这个促销活动的价值会被低估约35%。
这个案例告诉我们：评估协同效应时，一定要把线上和线下的数据拉通。 很多企业线上线下数据是割裂的，导致大量的加成效应被忽略。
一家同时运营淘宝、京东、拼多多三个平台店铺的家电品牌，发现了一个奇怪的现象：每当他们在拼多多做大型促销（如“百亿补贴”）时，淘宝店铺的自然搜索转化率就会下降约15%-20%。
通过用户ID映射分析，他们发现：约有18%的用户会同时在两个以上平台搜索同一款产品。当拼多多有价格优势时，这部分“比价用户”会优先在拼多多下单，导致淘宝的转化率下降。但更关键的是，这些用户中，有约30%原本是淘宝的“忠诚用户”（过去6个月只在淘宝购买过该品牌）。
这就是多平台运营中的“内部蚕食效应”。品牌在不同平台上的店铺，表面上是在“覆盖更多用户”，但实际上也在“互相抢用户”。解决方案不是关掉某个平台，而是：通过产品型号差异化（不同平台主推不同SKU）和促销节奏错开，来减少直接的比价行为。 实施差异化策略后，三个平台的总GMV提升了约12%，而淘宝的转化率恢复了正常水平。
不同规模的企业，资源禀赋和数据能力差异巨大，不应该用同一套标准。我根据实战经验，给出以下建议：
| 企业类型 | 年GMV范围 | 推荐评估深度 | 工具配置建议 | 预算投入（人力+工具） |
|---|---|---|---|---|
| 初创/小型 | <5000万 | 层次一（描述性评估） | 九数云BI + 标准UTM规范 | 1-2人/月，工具成本低 |
| 中腰部 | 5000万-10亿 | 层次一+层次二（增量测试） | 九数云BI + GA4数据驱动归因 + 季度实验 | 2-3人/月，工具成本中等 |
| 大型/集团 | >10亿 | 层次一+层次二+层次三（因果归因） | 九数云BI + 自建MMM模型 + 合成控制法 | 3-5人/月，工具+模型成本较高 |
不同渠道在用户决策路径中的角色不同，评估协同效应的方法也应该不同：
评估协同效应的最终目的是优化决策，而不仅仅是“搞清楚关系”。不同的业务目标，应该关注不同的指标：
评估协同效应的精度越高，需要的资源投入也越大。增量测试需要暂停投放（可能损失短期收入），MMM模型需要统计学专家，合成控制法需要更长的数据积累周期。企业必须在精度和成本之间做出取舍。
我的经验是：对于占预算80%的核心渠道，值得投入资源做精度较高的评估（层次二或层次三）；对于占预算20%的试验性渠道，用层次一的描述性评估就足够了。 不要试图对所有渠道一视同仁，那会让你的分析资源被大量低价值渠道稀释。
归因窗口的长短，直接影响评估结果。窗口太短，会低估种草渠道的价值；窗口太长，会把无关的曝光也算作贡献。我建议的做法是：根据品类的平均决策周期设定归因窗口，然后定期（每季度）根据实际数据调整。
具体来说：
如果你不确定自己的品类属于哪一类，可以用九数云这类工具先做一次“归因窗口敏感性分析”：分别用7天、14天、30天、60天的窗口跑一遍数据，观察各渠道的贡献排名是否发生显著变化。如果排名变化很大，说明你的归因窗口设置可能有问题。
我见过太多企业，花了几十万采购了高级BI工具或归因平台，但团队的分析能力还停留在“看报表”的水平。工具能提供数据，但不能提供判断。评估协同效应，本质上是一个“提出假设 → 验证假设 → 形成结论”的科学思维过程。
如果你的团队没有数据分析师，或者分析师只会写SQL不会做实验设计，我建议：先从最简单的描述性评估开始，用九数云这类上手门槛低的工具把数据拉通，然后逐步培养团队的实验思维。 不要一开始就上复杂的因果模型，那大概率会变成“昂贵的摆设”。
反过来，如果你的团队有较强的统计学背景，那么即使是开源工具（如R或Python），也能做出比很多商业工具更精准的协同效应评估。工具是手段，不是目的。
运营工具能不能评估不同营销渠道间的协同效应？能，但它不是靠某一个“神奇功能”实现的，而是靠一套完整的分析框架：干净的数据底座 → 相关性筛查 → 增量测试 → 量化归因。这套框架不需要你成为统计学专家，但需要你愿意花时间去理解渠道之间的真实关系，而不是只看单渠道的ROI报表。
加成效应和蚕食效应，本质上是同一个问题的两面。它们同时存在，只是在不同渠道对、不同时间窗口、不同用户群体中，表现出的强度不同。你的任务不是“消灭蚕食”或“追求加成”，而是通过工具和实验，搞清楚哪些渠道对应该一起投，哪些渠道对应该错开投，哪些渠道对应该重新定位。
最后，给你一个可以直接上手的行动清单：
工具给你数据，框架给你判断，行动给你结果。从今天开始，不要再让“数据打架”成为你决策的借口。
我是一家电商公司的运营负责人，团队用了GA4和热力图工具，但每次开会，各个渠道都说自己贡献最大，老板问‘砍掉一个渠道业绩会不会掉’，没人能回答。我们测过A/B测试，但结果总是一团浆糊。我想知道，有没有一种工具或方法，能真正告诉我，两个渠道到底是1+1>2还是在互相抢流量？
先说结论：绝大多数运营工具（UTM、归因模型、热力图）只能告诉你‘发生了什么’，但无法直接告诉你‘为什么发生’以及‘如果没发生会怎样’。它们擅长描述关联，但无法证明因果。要区分加成与蚕食，你必须从‘描述性分析’升级到‘因果推断’，而这一步，工具只能辅助，核心是实验设计。
以我服务过的某零售品牌为例：他们同时投了抖音信息流和微信朋友圈广告，GA4显示两个渠道的ROI都是1:3，看起来漂亮。但当我建议他们做一次‘单渠道隔离测试’，在某个城市关掉微信朋友圈广告两周，结果抖音的ROI从1:3跳到了1:5。这意味着什么？
微信广告不仅没带来额外增量，反而蚕食了抖音的自然转化（用户可能先在微信看到，又跑到抖音比价下单）。这就是典型的蚕食效应，但GA4的归因模型永远无法告诉你，因为它的数据是‘有广告’状态下的结果，缺少反事实基线。
所以，真正能评估协同效应的工具不是‘单一仪表盘’，而是一套‘实验框架’：先用UTM做好渠道标记，再在同等流量池中做‘有/无’对照实验（比如Google Optimize的流量分流），最后用统计显著性检验（如卡方检验）判断差异是否真实。
我在实践中发现，很多企业连第一步UTM都做不好，比如把微信文章和微信视频用同一个utm_source，导致数据池化，无法拆分。正确做法是给每个渠道对（如‘微信文章+抖音视频’）一个独立的实验ID，并在数据层用维度合并功能标记。另外，警惕‘数据驱动归因模型’的误导。
GA4的机器学习模型会试图用用户行为序列预测转化概率，但它无法区分‘用户本来就要买’和‘广告说服了用户买’。我踩过的坑是：某个渠道辅助转化率高达40%，但关了它之后，总业绩只降了5%。这说明它只是‘搭便车’的协同，而非真正的加成。
真正有效的加成，表现为‘关掉渠道A后，渠道B的转化率同步下降’，这需要你同时监控关联渠道的波动。
我是小公司的运营，预算有限，买不起MMM或付费归因平台。但我看到大厂都在讲‘渠道协同’，觉得自己错过了什么。我用Excel和GA4，能自己测出渠道间的关系吗？具体怎么操作？
完全可以，而且我建议你先用免费工具练手，再决定是否升级。核心是‘UTM矩阵 + 分流实验 + 基础归因模型’三件套。第一步：构建UTM追踪矩阵。不是简单加参数，而是给每个‘渠道对’一个统一标签。
比如，你的抖音视频和微信文章是同一波促销活动，就在UTM的‘campaign’字段里用同一活动ID，并在‘content’字段里区分渠道。这样在GA4中，你可以通过‘活动ID + 渠道来源’的维度组合，直接看到哪些活动有跨渠道转化。我实测过，这个操作能让跨渠道路径分析的效率提升60%。
第二步：做‘小规模超预算分流实验’。这是最核心但最容易被忽略的一步。找两个对等的用户群组（比如按地区、设备或时间段），在其中一个组里关掉一个渠道（比如关掉小红书），观察另一个渠道（比如抖音）的转化率变化。如果抖音转化率上升，说明小红书在蚕食；如果下降，说明两者有协同。
这个实验用Google Optimize或甚至Excel随机分组都能完成，关键在于‘对等’，确保两组用户在历史行为、渠道触达频率上一致。我曾在一次测试中发现，关掉某品牌在B站的广告后，其天猫旗舰店的搜索转化率反而提升了12%，因为用户不再被B站弹窗干扰，直接去天猫下单了。
第三步：用‘首次/最后点击归因模型’反推辅助价值。虽然GA4的默认模型是‘数据驱动’，但你可以手动切换到‘首次点击’或‘线性’模型，看看哪个渠道在‘首次’和‘辅助’维度上得分高。如果某个渠道的首次转化很少，但辅助转化很多，它很可能是一个‘协同型渠道’（种草型）。
我常用的一个技巧是：在GA4中创建一个自定义报告，对比‘首次点击归因’和‘最后点击归因’下的渠道转化数，两者差距越大，说明该渠道的协同/蚕食效应越明显。最后，不要迷信工具。我见过很多团队买了昂贵的付费工具，但因为数据源不干净（比如UTM参数写错、没有回传线下数据），结果还是‘垃圾进垃圾出’。
免费工具+严谨实验，往往比付费工具+随意使用更有效。
我看过很多文章讲‘1+1>2’和‘1+1<2’，但都是理论。我想知道，在实际的运营数据中，这两个效应到底怎么识别？比如，我该看哪些指标？数据出现什么波动就说明有问题？最好有截图或具体数字。
我直接给你一个我亲身经历的案例，来自一家餐饮连锁品牌。他们同时运营美团外卖和饿了么，以及自有小程序。当时他们发现，美团和饿了么的订单量都在增长，但总订单增长却低于预期。
我们拉出了三个月的数据：
| 渠道 | 第1月订单 | 第2月订单 | 第3月订单 | 增长率 |
|---|---|---|---|---|
| 美团 | 10,000 | 11,000 | 12,000 | +20% |
| 饿了么 | 8,000 | 8,500 | 9,000 | +12.5% |
| 小程序 | 5,000 | 4,800 | 4,500 | -10% |
| 总订单 | 23,000 | 24,300 | 25,500 | +10.9% |
表面看，美团和饿了么都在涨，但小程序在跌。
如果只看前两个渠道，你会觉得没问题。但当我们用UTM追踪用户行为时发现：很多原本在小程序下单的用户，因为美团和饿了么的优惠券，转移到了外卖平台。更关键的是，这些用户在美团和饿了么上买的客单价（25元）比在小程序（35元）低30%。这就是典型的蚕食效应：新渠道的增长是以牺牲原有高利润渠道为代价的。
数据上的信号是‘关联渠道的客单价或复购率出现负相关’。另一个案例是加成效应。一家美妆品牌在小红书种草，同时在淘宝直播带货。我们发现，同时触达两个渠道的用户，其平均客单价（180元）比只触达一个渠道的用户（120元）高出50%。而且，这些用户的7日复购率是23%，而单一渠道用户只有15%。
数据上的信号是‘交叉渠道用户的LTV显著高于单一渠道用户’，这需要用用户级ID（如手机号）打通数据才能看到。所以，识别协同与蚕食的关键指标不是‘单一渠道的ROI’，而是‘跨渠道用户的单位经济模型’。你需要看：交叉渠道用户的客单价、复购率、留存率，是否显著高于单一渠道用户？如果是，就是加成；
如果不是，甚至更低，就是蚕食。这个分析用Excel的透视表加上‘交叉分组’就能做，不需要高级工具。
我试过用GA4的‘路径探索’功能看用户行为，但数据太杂乱，看不出规律。也试过用Excel做相关性分析，但发现两个渠道的转化率正相关，关了其中一个，另一个反而跌了。我觉得自己可能漏掉了什么。到底哪些因素会导致评估结果完全错误？
最大的坑是‘辛普森悖论’，当你把数据聚合起来看时，趋势是正的；但拆开看子群体时，趋势可能是负的。我见过最典型的案例：一家教育公司同时投百度SEM和抖音信息流。聚合数据显示，两个渠道的转化率都是2%，且总转化率也是2%，看起来没有蚕食。
但当我们按‘新用户’和‘老用户’拆开时，发现： – 新用户：百度SEM转化率3%，抖音转化率1.5%，总2.25% → 无蚕食 – 老用户：百度SEM转化率1%，抖音转化率0.5%，总0.75% → 无蚕食 但为什么聚合后是2%？因为老用户占比高，拉低了平均数。
更糟糕的是，当我们进一步按‘时段’拆分时发现：在晚上8-10点，两个渠道同时投放时，百度SEM的转化率从3%跌到1.8%，而抖音的转化率从2%涨到3.2%。这说明在特定时段，两者存在明显的蚕食（用户被抖音吸引，不再点击百度广告）。但聚合数据完全掩盖了这个信号。第二个坑是‘时间滞后效应’。
渠道A（比如知乎长文）的转化可能滞后渠道B（比如朋友圈广告）3-7天。如果你只看同一天的数据，你会认为渠道A没用。我踩过的坑是：某品牌在公众号发了一篇干货文章，当天转化率为0，但一周后，通过搜索品牌词进入官网的用户增加了40%。这说明公众号文章产生了协同，但被归因模型错误地归给了最后点击的搜索广告。
如何避免？第一，永远不要只看聚合数据。按用户分群（新/老、高/低活跃）、时段、设备、地区做‘数据切片’。第二，引入‘时间窗口’分析。在GA4中设置‘转化回看窗口’为7天或14天，而不是默认的30天（太长会混淆）。
第三，做‘反事实模拟’：用历史数据训练一个简单的时间序列模型（比如ARIMA），预测‘如果关掉某个渠道，其他渠道的转化会怎么变’，然后与实际测试结果对比。这个模型用Excel的‘数据分析’加载项就能跑，不需要编程。最后，记住一个原则：任何声称‘开箱即用’就能评估协同效应的工具，都是骗子。
真正的评估需要你主动设计实验、拆分数据、并容忍不确定性。
读者评论
作为负责过渠道投放的运营，文中提到的‘把先后出现当协同’简直戳中痛点。, "文章最让我受益的是对‘相关性不等于因果性’的强调。, "作为一家年营收刚过亿的企业主，文中关于工具选型的建议很实用。同一组渠道，最后点击和首次点击的ROI能差好几倍，这提醒我们不要迷信单一模型。
我们之前一直用最后点击归因，抖音ROI好看就猛投，结果品牌搜索转化掉了都不自知。很多BI工具都能算渠道重叠率，但真正判断协同还是蚕食，必须上实验设计。我们之前总想一步到位上MMM模型，但既没数据基础也没统计学人才。我比较赞同按渠道角色分组评估的思路，种草组和转化组用不同权重，这样才可能看清真实的协同效应。
后来做了中断测试才发现抖音在蚕食自然流量。我司之前就因为只看相关系数，把旺季自然增长归功于广告组合，白白浪费了预算。现在明白了，先做好UTM规范和用户ID打通，用BI工具做相关性筛查，再针对可疑渠道对做A/B测试，这才是适合我们现阶段的做法。不过实操中跨平台用户身份打通还是个大难题，希望作者能再展开讲讲。
这篇文章把加成和蚕食的逻辑讲透了，特别是那个三层次框架，对实操很有指导意义。现在准备按文中的四步框架重新搭数据底座。, "文章对归因模型差异的剖析非常到位。