增量性是「没有营销就不会发生」的衡量。AI 在三个地方有帮助：设计更好的测试、从更多更乱的数据估计效果、以及读出效果集中在受众或组合的哪一部分。它不提供反事实。没有一个恰当的对照，模型会以极大的自信让一个相关听起来像因果。
最后那句就是全部风险。AI 让产出一个看起来像增量性的数字更容易，而工作中最难的部分仍是决定拿什么比较。跳过那一步、跳到模型的团队，最后得到在对的估计，当有人问出那个显然的问题——跟什么比？——就无法辩护。
增量性实际意味着什么
增量性回答一个反事实的问题：有多少转化、销售或品牌结果是因为营销而发生的，而不是无论如何都会发生。那些没看到广告也会买的人不是增量的，无论广告多么触到他们。归因在数功劳；增量性在量因果，而它们是两个常常不一致的问题。
这就是为什么归因数据本身无法确立增量性。一份 last-click 报告会把功劳给某人点过的广告，但它无法告诉你他们是否无论如何都会转化。要知道那个，你需要一个没收到营销的组、以及一种比较的方式。那个组就是反事实，没有任何模型的精巧能替代它。
为什么归因不是增量性
归因和增量性回答不同的问题，混淆它们会产出自信、错误的预算决定。归因把功劳分配到已发生转化的各个触点之间；增量性估计那些转化里有多少依赖营销。一个渠道能在归因里看起来很强、增量却几乎为零，或看起来弱、却在承载整场活动。
务实的含义是：对预算决定，增量性应比归因更有分量，而归因主要对在飞的优化有用。当两者不一致，信实验。这是如何衡量 AI 营销影响里更宽衡量框架所铺开的纪律，而当 AI 在生成分析时它更重要。
AI 在增量性里的三项工作
AI 在三个点上帮助，值得对每一个精确，因为价值和风险在每一个上都不同。设计：比人更快地生成测试结构、功效计算和候选对照设计，然后把选择留给一个人。估计：拟合从大或稀疏数据里抽取信号的模型，那里简单比较会失败。以及细分：找到效果集中的地方，让一个混合平均不掩盖一个只对某个受众有效的渠道。
在每一种里，模型是一个因果设计里的工具，不是一个设计的替代。设计尤其如此，因为一个设计糟糕的测试什么都给不了模型去估计。AI 能提议设计；一个懂业务的人得选一个实际能跑的。
主要方法以及 AI 在哪里帮助
不同增量性方法适合不同情形，而 AI 的角色因方法而异。下面的表画出常见做法。
| 方法 | 何时适合 | AI 的角色 |
|---|---|---|
| 地理对照 | 渠道层、可按区域切 | 设计、效果估计、异质性 |
| Switchback | 基于时间、竞价驱动 | 设计、序列分析 |
| 幽灵出价 / PSA | 搜索和竞价渠道 | 估计、花费-响应曲线 |
| 匹配控制 | 当对照不可能时 | 匹配、偏差检查 |
| MMM | 组合层、常开 | 更快拟合、情景测试 |
一个方法越依赖一个被设计的反事实，越不该信任 AI 独自发明那个设计。它越依赖从数据估计，AI 加得越多。用这张表为情形挑方法，而不是默认到模型最容易处理的哪个。
自信因果的危险
失败模式是一个模型在观测数据里找到一个关系、并把它当作增量呈现。现代方法能听起来权威，同时依托着不成立的假设——不平行的平行趋势、被污染的控制、响应需求而非导致需求的花费。产出看起来像一个因果估计，实际上是 一个精巧的相关。
辩护是让反事实保持明确、并测试假设。如果设计说两组可比，检查它。如果一个对照本应干净，验证没有别的变化打到一边。并愿意报告数据无法回答这个问题，那比一个你无法辩护的数字更有用。
结合实验与模型
最强的衡量系统把一次被设计的实验，与一个延伸其发现的模型配对。一个地理对照给渠道在一个定义窗口里的干净、可信估计；一个模型用那个估计来校准跨渠道和跨时期的更宽视图。实验锚住因果，模型在无法测试的地方提供覆盖。
这个配对也是你如何处理对照不切实际的渠道的方式。在模型被对照真实实验校准过的地方更信它，在没有的地方更不信。随时间，一个过往实验的库成为让常开模型诚实的证据基础，它像客户记忆层一样复利。
一个务实的起点
先为每个主要渠道固定反事实问题：你会拿什么比较、以及你能否真正跑那个比较？在能的地方，跑一个对照并把它当锚。在不能的地方，用一个匹配控制或一个模型，并把估计标为更弱。然后用 AI 在那个框架内做设计、估计和细分，并报告每个估计及其方法和自信。
然后养成把模型的增量与下一个实验比较的习惯。当它们分叉，实验赢、模型被重新校准。那个循环是把一堆估计变成可信衡量系统的东西，也是无论有没有 AI 都相同的纪律。
归因衰减以及它为什么重要
报告与决定之间的差距不是新的；我多年前在别把时间浪费在报告上里写过，而 AI 让数字更容易产出、却没有让它更因果。归因数据因与活动无关的原因衰减：隐私变化、标识符丢失、衡量缺口、以及平台侧用估计填补漏洞的建模。随衰减增加，归因离真相更远，而那恰恰是团队更依赖它的时候，因为更干净的信号已经没了。归因越弱，增量性越有价值，不是越少。
这是现在投资测试的务实理由。反事实是唯一不依赖跨互联网追踪一个人的衡量；它依赖比较组。在一个归因衰减的世界里，基于测试的估计是持久的那个，而模型的角色是把它延伸到计划里比一次实验能到的更远。推论是给你的估计标上日期。两年前的增量数字不是关于今天的事实；竞价、受众和创意全都变了。滚动地重测，把旧估计当先验而非真相。一个永不过期的衡量系统，是一个悄悄过时的系统。
FAQ
AI 能在没有测试的情况下告诉我们增量性吗？
不能。它能从观测数据估计，而那个估计依托于一个测试会验证的假设。没有反事实，你在读一个相关、并叫它因果，无论方法多精巧。用 AI 支撑一个被设计的测试，不用它替代一个。
我们该停止使用归因吗？
不，但降级它。归因对在飞优化、以及理解转化路径有用。对预算决定，增量性应更有分量，而两者不一致时，实验是该信的那个。
我们该多常跑增量性测试？
够到锚住模型，通常按主要渠道滚动地跑、而不是一次全跑。每个干净的实验重新校准常开视图、提升各处的自信。一年几次设计良好的测试，胜过一股持续的弱测试流。
如果我们不能跑对照呢？
用一个匹配控制、一个 switchback 或一个模型，并把估计报告为更弱。清楚地标注方法和自信，并把任何依赖一个弱估计的决定当作临时的。对局限明确，比把每个估计都当作平等的更可信。
简短版
增量性衡量「没有营销就不会发生」的部分，AI 帮助设计测试、估计效果、并找到它们集中在哪里。它从不提供反事实，所以保持一个对照、并用其方法标注每个估计。如何衡量 AI 营销影响覆盖运营指标，执行指南把衡量放进更宽的工作流。面向团队负责人的车道把它贯穿运营模式来做。
如果你跑增量性，我想听听你最不信哪个方法——那通常是诚实的答案。
祝好， Chandler
本文提供简体中文版本。课程材料（视频、模板和配套指南）以英语和日语提供。本网站提供13种语言版本。