top of page

IAB AI 归因蓝图追踪购买影响力

13分钟前
讀畢需時 12 分鐘
Illustrative photograph. Photo: Kampus Production / Pexels.

IAB 于 11 月 12 日发布了其 AI 归因蓝图,将 AI 对购买决策的影响与其完成购买的角色区分开来。IAB AI 归因蓝图旨在应对一个日益突出的报告难题:一笔已记录的销售并不一定能揭示是谁影响了买家的选择。这一区分对广告主、发布商和购物平台意义重大。声称在一笔购买中发挥了作用,只是获得评估资格,并不等于自动获得归因。

归因,即为某一商业结果分配功劳的过程,本就难以捕捉结账前发生的一切。AI 又增加了一种场景:购物者可在访问商家前比较产品并作出选择。因此,销售仍然可见,但决策过程中的重要部分可能从记录中消失。

直接压力落在那些销售这段旅程解释的机构身上。代理商需要可辩护的报告,发布商需要证明自身贡献,AI 平台则面临提高透明度的要求。与 Visa 和 Mastercard 的商业基础设施一道,IAB 的提案回答的是另一个问题:当机器帮助人们购物时,谁应获得认可?

IAB AI 归因蓝图先区分角色,再分配功劳

这一新框架会先梳理相互竞争的主张,再决定这些主张应获得多少功劳。

根据 IAB 的归因蓝图公告,该框架考察购买意图、决策过程和交易完成情况。它将转化——即购买等已记录的商业结果——分为人类主导、AI 辅助或 AI 执行。这些路径将决定是否有资格提出决策性或贡献性主张。

这些类别之所以重要,是因为同样的结账结果可能源自截然不同的旅程。买家可能已有明确选择、寻求比较替代方案的帮助,或将购买委托出去。仅凭交易记录,无法可靠地区分这些情形。

设想一位正在更换熟悉家用产品的购物者。购物者指定了确切商品,并要求助手下单。助手完成了有用的工作,但这一行为并不能证明它改变了购物者的偏好。

再设想某人询问助手,哪款产品最适合某项具体需求。助手比较了替代方案,并推荐了一个陌生品牌。若购物者遵循这一推荐,即便结账过程看起来完全相同,影响力问题也与重新订购的例子不同。

这些例子旨在说明分析上的区别,并非记录 IAB 实验的结果。它们也表明,诸如“AI 购买”这样宽泛的标签为何无法回答重要问题。它可以描述运营层面的参与,却无法解释说服作用。

该框架的公开摘要列出了决策性主张和贡献性主张,但并未将任何一种自动转化为归因分配。实际而言,参与只是开启了关于证据的讨论,并不能让讨论自动偏向参与方。

这一界限保护分析免受一种诱人的捷径影响。如果某个平台接触了购买流程,观察者可能会认为它应获得部分销售功劳。然而,参与交易与改变交易结果是两种不同的主张。

该发布是一项自愿性行业框架,而非施加报告义务的监管规定。它的发布也不意味着商家、代理商或平台已普遍实施该框架。评估服务的买家应区分已发布的提案与实际运行的衡量体系。

对于希望通过实际事件理解 IAB 归因的读者而言,这就是核心变化。该行业组织引入了一套用于评估参与程度的共同结构。证明并衡量这种参与的艰巨工作仍在前方。

实际影响在于,组织可提出的问题发生了变化。它们不必再接受一个未经区分的 AI 销售总额,而可以追问系统具体扮演了什么角色。这个更聚焦的问题,为比较不同主张提供了更有用的起点。

广告主面对的不只是报告缺口,更是预算问题

对一笔销售不完整的解释,可能演变为对下一笔营销投资去向的错误判断。

这一时点反映了蓝图发布前已记录的担忧。IAB 的9 月展望更新显示,45% 的买家将比较 AI 驱动旅程与传统旅程视为首要衡量挑战。蓝图公告还援引了此前研究:44% 的受访者将品牌搜索和直接流量用作未被追踪的 AI 影响力的替代指标。

这些数字描述的是买家报告的做法和担忧,而非证明新框架改善了衡量效果。它们并非来自 11 月的一项新实验。这个区别很重要,因为对不确定性的诊断不应被当作拟议解决方案已经奏效的证据。

替代指标是在无法直接观察目标行为时使用的间接信号。某品牌搜索量上升,可能与 AI 推荐一致;也可能反映广告、宣传、回头客或其他活动。

当一个间接信号被赋予超出其支持范围的确定性解释时,预算风险便会出现。临近结账环节可见的渠道,可能看起来要为其他地方创造的需求负责。反过来,AI 平台也可能声称影响了客户原本就拥有的需求。

这两种错误都不需要销售消失。订单可以正确出现在商家的记录中,但附加在其上的解释仍可能不完整。这使得问题比交易遗漏更难察觉。

对代理商而言,商业压力很直接。客户期待能够帮助决定下一步资金投向的报告。如果代理商无法区分已观察到的行为与推断出的影响力,其建议就更难辩护。

对品牌而言,挑战跨越部门边界。商业团队可能看到已完成订单,营销团队则看到营销活动互动。AI 产品团队可能看到两组都无法有把握地与购买关联起来的对话。

共同的词汇可以改善这些沟通,却无法消除根本缺口。团队可以在互动价值上存在分歧,同时对哪些证据存在达成一致。这比比较建立在不兼容假设上的总数更有成效。

因此,IAB AI 商业影响不止于新增一个仪表盘类别。它挑战了报告信心与支出信心之间的关系。衡量标签应传达组织掌握了多少信息,而不只是它希望将功劳归给哪里。

双方的商业激励都值得关注。传统渠道会在可见流量获得归因时受益,而 AI 平台则会在此前不可见的影响力变得可衡量时受益。可信的方法必须允许对两种主张进行审查。

因此,对该公告最有力的解读是克制而有用的:IAB 正在提供一种结构化处理商业归因争议的方式。它能否改善预算决策,取决于组织为这些解释提供的证据。

完成结账并不能证明是谁改变了选择

即使由同一个 AI 助手处理,支付执行与购买影响力回答的也是不同商业问题。

这场讨论的核心,还与另一项旨在让代理在交易中可识别、可信赖的工作并行展开。AI 代理是指为实现用户目标而采取行动的软件。在商业领域,这些行动可包括搜索、选择产品或发起付款。

Visa 的可信代理协议介绍了基于签名的身份验证,这是一种通过数字签名核验身份的方法。Mastercard 在 9 月的公告中介绍了代理信任服务,旨在帮助组织识别代理并为授权决策提供信息。

这些举措提供了相关的行业背景,而非与 IAB 归因提案相竞争的版本。Visa 和 Mastercard 描述了支持代理活动信任的方式。确认是谁发起了一项行动,本身并不能解释是谁说服了客户。

商家可能拥有强有力的证据,证明获授权的代理下了订单。这类证据支持关于执行的陈述,但不一定能够证明客户在打开助手前是否已选定该品牌。

反过来,这一区别同样成立。客户可能接受助手的推荐,却手动完成结账。缺少自动付款并不能证明助手没有影响力。

一个假设的办公采购案例可以具体说明这种对比。买家要求助手根据需求比较设备,然后通过现有采购账户订购推荐商品。助手从未处理付款,但其推荐仍与理解这一决策相关。

稍微改变这个场景,解释也会随之改变。买家已选定设备,只要求助手提交获批订单。此时,已完成的交易对说服作用的说明更少,尽管助手完成了更多运营工作。

IAB AI 归因蓝图的价值恰恰在于,这些旅程不应被归入同一种商业主张。自动化描述系统做了什么;影响力则要求说明该活动如何与买家的选择相关。

对于 AI 开发者而言,这带来产品设计层面的考量。为任务完成而优化的记录,可能忽略用户既有指令与系统推荐之间的区别。事后重建这种区别可能很困难。

对于企业买家而言,其含义关乎评估。一款为员工节省时间的产品可能很有价值,却未必能证明它创造了额外需求。将效率与说服力视为独立收益,能够作出更准确的商业评估。

这也是夸大其词代价高昂的地方。若每一笔已执行订单都被当作创造需求的证据,日常委托性工作可能会夸大平台表面上的营销价值。若只计算结账活动,有价值的推荐系统则可能从解释中消失。

可信的衡量讨论应为两种结果留出空间。助手可以作出重要贡献,却不拥有整个决策;它也可以提供有价值的服务,而不改变客户原本打算购买的内容。

发布商需要的不只是出现在 AI 回答中

在推荐结果中获得展示属于相关证据,但并不能自动证明其对某一特定销售产生了贡献。

11 月发布的内容紧随 IAB 8 月推出的 AI 可见性框架,该框架关注品牌和出版商如何出现在 AI 发现过程中。此前的工作区分了方向性衡量与适用于重大决策的证据。Microsoft Clarity 的 Ihab Rizk 在公告中支持其通用测量语言。

可见性与结果之间的区别,有助于解释为何此次发布是一个独立步骤。品牌可以频繁出现在回答中,却没有证据将这些出现与购买行为关联起来。出版商可以获得引用,却不知道读者是否据此采取了行动。

对出版商而言,这造成了尤其困难的证据处境。他们的内容可能有助于在助手的回答中解释某件产品的优势或局限。然而,他们对后续选择或交易可能几乎没有可见性。

一个具有说明性的产品比较案例揭示了这个问题。助手在回答消费者的问题时查阅了一篇详细评测。消费者阅读助手的综合回答后完成购买,却没有访问该评测页面。

在这种情境下,出版商网站流量无法捕捉其全部潜在贡献。但反过来的结论同样需要克制。仅仅检索或引用某个页面,并不能证明该页面改变了购买决定。

引用可以证明某一来源出现在回答中。它无法独立证明助手在多大程度上倚重了该来源,也无法揭示买家此前已经了解什么。

这正是为何索赔流程比一项笼统的出版商归因承诺更重要。出版商需要一种方式来说明并支持自身作用。买家则需要一种方式来评估这种作用,而不将每一次提及都视作等价。

因此,IAB 的 AI 商业影响在一定程度上也是围绕证据的协商。平台能够观察到内容生产者无法观察的互动。出版商能够说明信息的来源和实质内容,却不一定能看到其下游使用情况。

这种不对称性使共同词汇具有价值,但也限制了仅靠词汇能够实现的效果。就贡献含义达成一致,并不会创造评估贡献所需记录的访问权限。合作仍然是一项实际依赖条件。

知识工作者在评估 AI 辅助研究时也会面临相关区别。有用的答案与可追溯的来源说明服务于不同目的。可搜索知识库解决的是该问题中的来源组织环节,而非证明商业影响。

对于决定应关注什么的出版商而言,重要进展是内容使用与贡献证据之间建立更强联系。仅增加引用次数并不能解决商业问题。更好地记录被引用材料如何与决策相关,将推动讨论进一步发展。

同样的谨慎也适用于衡量自身可见性的品牌。以有利方式出现在助手回复中,是一种可观察的结果。将这种出现视为一笔销售,则需要额外的证据步骤。

平台证据仍是框架最棘手的依赖条件

共同的索赔结构无法独立验证外部观察者无法检查的互动。

该蓝图的公开框架摘要明确包含了关于可用证据和测量缺口的指导。IAB 的发布内容承认,相关记录可能缺失,或由 AI 平台持有。它要求平台改进推荐披露和流量标注。

这一承认避免了公告得出超出证据所允许范围的更强结论。发布定义并不能建立对 AI 购物的完整视图,也不能表明外部测量提供商能够独立复现每一项平台主张。

因此,怀疑论的理由内嵌于实际问题之中。平台可以采用通用术语,同时依然控制其他方能够获得哪些支持性记录。可比的标签并不一定带来可比的访问权限。

设想一个假设情境:某平台报告其助手影响了商家的订单。商家可以在自己的系统中确认购买。若没有充分的关联证据,它仍无法判断助手是否改变了选择,还是仅仅伴随了这一过程。

同样的挑战也适用于重叠的主张。助手、搜索服务和出版商都可能各自描述一次相关互动。对这些互动进行计数,并不能解决它们如何与同一结果相关的问题。

重复计数,即对同一结果计算多次,可能会让单独的报告显得具有说服力,而将它们合并解读后却变得不可信。共同的索赔流程应使这类冲突更容易被识别,但并不会自动确定正确的分配方式。

隐私为证据讨论增加了另一项约束。购物对话可能包含个人偏好、敏感处境,或与最终购买无关的信息。不能假定更好的验证必然要求不受限制地共享完整对话。

这是可信实施的一项分析要求,而非声称 IAB 已解决所有披露问题。组织仍需确定哪些证据是必要的,也需要说明哪些内容仍不可观察。

归因与增量之间还存在进一步区别;增量是指某项活动相较于其不存在时所带来的额外结果。一段有文档记录的互动可以支持影响主张,却不能证明若没有该互动,销售本会消失。这是不同的解释标准。

例如,一项推荐可能强化了既有的品牌偏好,而非创造这种偏好。互动可以是真实且相关的,但它的存在本身并不能证明它带来了多少额外业务。

希望了解 IAB 归因解释的读者,应牢记这一区别。用于评估主张的框架,并不自动成为证明因果关系的方法。将这两项任务视为可以互换,会重现该公告试图解决的信心问题。

有益的结果是对不确定性拥有更高精度。一份区分直接观察、平台断言和未解决缺口的报告,能向买家提供更有意义的信息。没有这些区别的精致总数,可能掩盖同样旧有的模糊性。

披露、报告和测试结果将体现采用情况

下一项进展证据应来自运营实践,而不是围绕框架本身的重复公告。

在未来数月中,第一个值得关注的信号是平台披露。有价值的变化将说明推荐赞助情况、识别支持性来源,并持续区分源自 AI 的活动。这些变化会让外部评估更可行,但无法证明每一项影响主张。

平台表示其支持透明度,所提供的证据力度较弱。更有意义的发展将是买家或测量合作伙伴能够实际使用的文档。具体记录和清晰的局限说明,比背书性语言更重要。

第二个信号是将购买路径分开并标识证据质量的报告。采用共同类别的品牌和代理商,也应说明哪些分类建立在直接观察之上。估计结果应继续与经过独立核查的发现区分开来。

这将强化 IAB AI 归因蓝图正在改变商业实践的论据。仅重新命名仪表盘类别,所提供的支持则更少。买家需要了解该分类是否改变了可评估的内容,而不只是改变呈现方式。

第三个信号是测试:它将分类互动与商业结果关联,同时承认替代性解释。增量测试可以帮助评估一项活动是否产生额外结果。它所回答的问题不同于助手是否参与了该旅程。

可信的测试会使其比较方法和局限易于理解。有利结果将支持关于受测情境的更有限结论,却不能证明所有 AI 辅助购物都应获得同样的信用分配。

这些信号也会揭示谁正在适应。平台将展现更高的可观察性,代理商将展现更清晰的报告,品牌将展现更有纪律的评估。当证据将内容使用与有支持的贡献主张关联起来时,出版商将获益最多。

相反的模式将削弱此次发布的实际意义。如果术语得到传播而记录依旧无法访问,行业改善的将是词汇而非测量。这仍是一种可能结果,而非既定结论。

对于企业买家而言,眼下的含义是审视提供商的主张实际涵盖什么。任务完成、推荐影响和额外销售,各自可能支持不同结论。索取底层证据有助于让这些结论保持相称。

IAB AI 归因蓝图为这些对话提供了起点。其成功将取决于组织是否披露足够信息,让其他方能够质疑其解释。当买家能够质疑一项主张而不必完全依赖其作者时,框架就会更有用。

在将某个 AI 销售数字视为调整营销预算的理由之前,应审视该数字代表什么。它描述的是观察到的交易、一次推荐,还是对影响力的估计?询问哪些部分来自平台,哪些部分经由另一方核查。将这些证据与您需要回答的商业问题进行比较。能够高效完成订单的系统,仅凭这一点就可能值得投资。声称能够创造需求的系统,则需要支持这一额外主张。随着实施方案出现,应关注能让这些区别更易识别的披露和测试结果。哪一家提供商会将其对购买影响的解释说得足够清楚,以至于买家能够提出质疑?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page