关联阅读：

　　AI“智”变:解锁CTV/OTT广告智能分众与竞价新生态

　　AI赋能下的CTV/OTT广告革新:生成式广告与动态产品植入（DPP）深度剖析

　　解析AI技术在 CTV/OTT广告品牌安全与合规领域的实践路径

　　旧模式VS新AI:CTV/OTT广告未来何去何从

　　引言：在“千人千面”的个性化营销时代，人工智能（AI）正深入改造连接电视（CTV）和OTT视频广告的投放方式。通过智能算法实时分析受众行为意图、内容场景等数据，广告主和媒体平台能够以更精准高效的方式提升ROI（广告投资回报）和创意制作投放效率 。本文将从五个维度全面探讨AI在CTV/OTT广告中的应用： (1) 智能分众与竞价，(2) 生成式广告与动态产品植入（DPP），(3) 跨屏归因测量，(4) 品牌安全与合规保障，(5) 未来趋势展望。我们将结合技术实现细节、品牌广告主视角、媒体平台运营视角，并关注中国、美国、欧洲地区和影视娱乐、电商、快消品三大行业的实践动态，以案例和数据深入解析AI如何革新大屏广告生态。

　　以下为“AI 赋能的 CTV／OTT ⼴告与动态植⼊”系列第三篇，聚焦跨屏归因测量。

　　3.跨屏归因与效果测量

　　3.1 数据融合与跨屏测量挑战

　　随着广告在线性电视、流媒体 CTV、移动 / PC 数字媒体等多屏渠道的同步投放，如何整合各渠道数据实现科学归因测量，已成为行业普遍面临的核心难题。传统归因模式存在明显的 “度量分裂” 问题：不同媒介沿用各自独立的评估指标 —— 电视广告依赖GRP 收视点衡量覆盖，数字广告则聚焦点击量、转化率等效果数据，导致广告主无法统筹评估全渠道投放的整体贡献，更难判断各渠道的协同价值。

　　用户行为的碎片化进一步加剧了归因难度：同一消费者可能白天在手机上接触短视频广告，晚间通过 CTV 观看串流广告，最终在 PC 端完成购买。这些分散的触点共同推动了转化，但现有技术难以完整串联用户行为路径并合理分配各触点的转化功劳。尤其 CTV 作为 “介于传统电视与数字媒体之间” 的新兴渠道，虽具备按曝光计费等数字化特征，但其用户互动方式（无直接点击）、多用户共享设备（家庭观看场景）的特性，让归因逻辑比网页端更复杂。此外，隐私保护强化与技术壁垒也制约了跨设备追踪 —— 浏览器逐步禁用第三方 Cookie、移动设备 ID 权限收紧，迫使跨屏用户识别只能依赖概率模型或统一 ID 方案，这不仅增加了技术成本，更可能引入测量误差。

　　归因难题虽在全球市场普遍存在，但区域实践存在差异：美国依托成熟的第三方测量体系（如 Nielsen、Comscore），通过 “家庭面板数据 + 大数据” 融合模型，尝试连接电视收视行为与数字互动数据；中国市场则因广告投放高度集中于头部互联网平台（即 “花园墙” 生态），平台内部可实现用户全路径追踪，但跨平台归因仍需通过多方联合建模突破数据孤岛。不过无论区域差异如何，广告主的核心痛点高度一致：无法量化各渠道对最终销售的实际贡献，只能看到孤立的媒介指标，进而难以优化预算分配策略。

　　例如某快消品牌开展 “电视 + OTT + 社交媒体” 整合营销后，销量虽有提升，但无法判断是电视广告的品牌曝光、还是 OTT 广告的场景触达推动了增量，更难评估二者是否存在协同效应 —— 缺乏科学归因方法，这类关键问题始终无解。Rockerbox 的调研数据显示，随着 CTV 预算持续攀升（预计 2025 年美国 CTV 广告花费将达 270 亿美元，占数字视频支出的 18% 以上），广告主对统一跨媒体衡量体系的需求愈发迫切，若无法建立科学评估标准，很可能因预算错配导致 ROI 下滑。有分析案例表明，当 OTT 广告花费超过特定阈值后，边际效益会明显递减（如 OTT 花费增加 12% 时，收入仅增长 12%，但广告支出回报率（ROAS）下降 6%），而只有通过持续的归因测量捕捉这一 “效益拐点”，广告主才能及时调整投入策略，避免资源浪费。

　　3.2 归因建模方法：MMM与Shapley模型

　　为破解跨屏归因难题，业内已形成多种各有侧重的归因模型方法，通过 “宏观统筹 + 微观拆解 + 实证验证” 的组合策略，助力广告主科学评估全渠道价值。

　　3.2.1 市场营销混合模型（MMM）：自上而下的全局归因

　　市场营销混合模型（MMM，Marketing Mix Modeling） 是典型的 “自上而下” 方法，核心逻辑是通过统计或机器学习模型，将总销售额等核心业绩指标的时间变化，拆解归因于各媒体渠道及营销变量。其数据基础多为历史汇总数据（如月度电视 GRP、数字广告花费、促销活动频次等），通过多元回归、贝叶斯模型等算法，量化每个渠道对销量的独立贡献，同时纳入滞后效应（如广告投放后对后续消费的持续影响）分析。

　　MMM 的显著优势在于覆盖维度广：既能包含线下渠道（如线性电视、户外广告），也能融入宏观因素（季节变化、竞品动态、经济环境等），为广告主提供全链路营销的全局视角，尤其适合快消等需要长期品牌建设的行业。其输出结果常作为年度预算分配的核心依据，例如某快消品牌通过 MMM 分析发现，OTT 广告 ROI 是线性电视的 1.2 倍，遂逐年提高 OTT 投放占比。

　　近年来，MMM 也在融合 AI 技术升级：引入贝叶斯结构时间序列模型、深度学习等工具提升预测精度，同时尝试与细粒度归因方法结合。例如 Rockerbox 提出的三角测量法，就是将 MMM（负责长线、宏观评估）、多触点归因（MTA，负责短线、微观拆解）与增量测试结合，通过多方法交叉校准，减少单一模型的偏差，让全渠道效果评估更科学。

　　3.2.2 多触点归因（MTA）：自下而上的个体路径拆解

　　多触点归因（MTA，Multi-Touch Attribution） 采用 “自下而上” 逻辑，依托用户级行为路径数据，精准分配每个触点的转化功劳。其中，Shapley Value 归因模型是当前先进且应用广泛的方法，其原理源自合作博弈论：将转化视为多个渠道 “协同合作” 的结果，各渠道为参与 “玩家”，Shapley 值通过计算每个玩家在所有可能渠道组合中的边际贡献平均值，得出公平的归因权重。

　　图3 示例了多触点归因模型对比与选择决策树。

　　图3 多触点归因模型对比与选择决策树。

　　通俗来说，该模型会模拟 “移除某渠道后，转化概率下降多少” 的场景，综合所有场景的影响来确定渠道价值。相比 “最后点击归因”（将 100% 功劳归给最终转化触点）、“U 型归因”（侧重首末触点）等简单方法，Shapley 模型基于真实用户路径数据，能更贴合实际贡献分配权重。例如某用户的转化路径为 “观看 OTT 广告→浏览社交广告→搜索点击购买”，Shapley 模型可能判定 OTT 广告贡献 40%、社交广告 30%、搜索广告 30%，而非仅聚焦最后一步。

　　部分企业还在进一步升级该模型，如 Treasure Data 将 Shapley 值与深度学习结合：用 LSTM 网络学习用户多渠道行为序列与转化的关联，捕捉触点顺序、时间间隔等复杂影响，再通过 Shapley 值将抽象的模型输出转化为营销人员易理解的渠道分值，兼顾精准度与实用性。

　　3.2.3 增量试验：实证验证渠道真实价值

　　除模型分析外，增量试验是验证渠道价值的重要实证方法，通过 A/B 测试、地理区域对照等方式，直接测定某渠道的增量效果。例如在部分城市暂停 OTT 广告投放，对比投放组与对照组的销量差异，进而计算 OTT 广告的增量 ROI。Rockerbox 报告显示，实施这类增量测试的广告主，通过调整 OTT 预算分配，平均提升了 15% 的整体 ROI。

　　3.2.4 最佳实践：模型与试验的协同应用

　　行业最佳实践通常是 “模型分析 + 增量试验” 结合：用模型（MMM、MTA）进行日常持续优化，用增量试验校准模型结果、验证假设。具体落地中，MMM 侧重长期、整体的预算分配（如确定 OTT 与线性电视的年度投放比例），MTA（Shapley）侧重短期、个体的触点优化（如 OTT 内部前贴片与中插广告的资源倾斜）。

　　例如某快消品牌通过年度 MMM 复盘发现，OTT 渠道 ROI 达 1.3，显著高于线性电视的 0.8，遂在下一年度将 OTT 预算占比提升 10%；同时通过 Shapley 模型分析 OTT 内部触点，发现前贴片广告的转化贡献比中插广告高 25%，进而优化创意排位与曝光频次，最终实现 OTT 渠道 ROI 再提升 8%。

　　3.3 实践案例与应用成效

　　跨屏归因的核心价值，在于为广告主提供预算优化与策略调整的科学依据，众多实践案例已印证其实际效果。Rockerbox 通过分析大量广告主数据发现，唯有持续的跨媒体测量，才能精准把控投放节奏，避免某一渠道投入过度或不足。例如，当 OTT 广告支出超出临界点导致 ROAS（广告支出回报率）下滑时，通过归因监测及时捕捉这一报酬递减点并调整投放比例，可帮助广告主在扩大收入的同时，维持稳定的投放效率。在假日营销等关键节点，跨渠道协同的价值尤为凸显：将 CTV 与社交广告组合投放的品牌，普遍实现了 “1+1>2” 的协同增效，72% 的营销人员反馈，CTV 与社交 /display 广告联用后，增量提升效果显著。这说明归因分析不能仅关注单一渠道的孤立 ROI，更需量化组合效应，从而挖掘跨渠道联动的潜在价值 —— 比如通过模型测算 “CTV 触达 + 社交追投” 链路的增量转化，为联合投放策略提供数据支撑。

　　在广告主的实际应用中，归因结果已成为调整投放策略的核心依据：某汽车厂商采用 Shapley 多触点归因后，发现 “OTT 视频广告→品牌搜索→官网访问” 的用户路径转化率最高，随即加大 OTT 视频投放力度，并强化与搜索广告的联动，最终推动试驾预约量提升约 20%（数据来源于业内访谈案例）；快消巨头宝洁（P&G）长期依赖 MMM（市场营销混合模型）指导电视与数字广告的预算分配，曾通过模型识别出 “电视广告未带来实际销量增长” 的无效投入点，据此优化后每年节省数百万美元成本。这些案例均证明，科学归因能直接推动 ROI 提升。Rockerbox 还提到，某广告主管通过持续的跨媒体归因监测，发现某流媒体平台投放效果不佳后，果断削减其预算并转投高效果渠道，当季 ROI 即实现两位数增长。这与增量试验的结论高度一致：针对 OTT 等新兴渠道，通过 “关闭投放观察销量变化” 等小规模试验指导预算调整，可让高效广告主的整体 ROI 提升15% 。

　　此外，归因分析还能赋能创意优化与频次管控等执行层面的精细化运营。Claritas 的研究指出，点击率高的广告未必能带来更多转化 —— 归因模型可帮助广告主穿透 “表面数据”，识别出真正推动购买的广告内容，纠正 “唯点击率论” 的误区，确保优化目标与最终销量挂钩。例如，多触点归因可能显示某 OTT 广告曝光 5 次以上后，转化不再提升反而造成预算浪费，广告主便可将 CTV 广告频控设定为 5 次封顶；在跨屏场景中，归因还能预警频次重叠问题（如同一受众在多设备重复看到相同广告），助力广告主调整程序化投放策略，减少无效曝光。

　　表格3 跨屏归因实施效果与ROI提升案例。

　　在当前重视 ROI 的经济环境下，IAB 报告明确指出：“广告主尤其要求即刻看到业务效果”，而归因测量正是回应这一需求的关键工具 — 无法带来转化的渠道，将在后续预算分配中被优先削减。因此，越来越多平台与代理商开始提供统一跨屏报告，以证明全域投放价值、留住广告主预算。例如国内字节跳动推出整合产品，帮助广告主衡量抖音、西瓜视频与穿山甲（OTT）的融合投放效果，清晰呈现全链路价值。综上，科学的跨屏归因让广告主在多屏时代实现 “花钱花在刀刃上”，既能精准把控投放方向，又能稳步提升 ROI，真正做到 “心中有数、投放有效”。

　　3.4 广告主和媒体平台视角

　　从广告主角度来看，跨屏归因是实现投资回报最大化的必备武器。品牌主们关心每一分预算去了哪里、起到了什么作用。通过MMM等，他们可以向管理层证明营销投入带来的销售提升，调整年度媒体策划；通过MTA等，他们可以令数字投放团队优化渠道和创意策略。尤其在广告主内部，品牌部门和效果部门往往关注点不同，统一的归因体系可以对齐KPI——既衡量品牌曝光也衡量转化贡献，避免各渠道各自为政。举例来说，娱乐行业的电影发行方会综合考虑预告片在电视、OTT和社交平台的作用，用归因结果来优化宣传节奏：如周末电视预告带动了一波搜索和购票，就会增加该档期投放。快消品牌则通过混合模型将销售归功到电视、OTT、电商等触点，据此优化配比；而电商平台自身作为广告主（比如亚马逊为自有硬件做广告），则高度依赖MTA精算每个数字触点的效果。可以说，有了跨屏归因，广告主才能摸清用户旅程全貌，从而进行更精细的预算再分配和渠道优化。

　　对于媒体平台而言，提供可信的跨屏归因数据也是争取广告预算的关键。越来越多广告主要求媒体给出其广告带来的商业成果，包括线上转化甚至线下门店来客。CTV/OTT平台若能借助AI归因证明“在我们平台投放的广告对销售的贡献度”，无疑会赢得更多广告主青睐。这也是为什么Netflix等与第三方达成合作衡量广告成效，YouTube引入了类似转化升举工具，国内视频网站与电商数据打通来展示对商品销量的拉动。平台也在探索统一ID或合作数据湖以方便归因：例如美国Roku收购数据xu公司打造OneView平台，将CTV曝光与移动/网页行为关联，为归因创造基础。国内阿里系打通优酷与淘宝数据，可以直接告诉广告主“看过优酷OTT广告的人当天在淘系下单转化提升X%”，这对吸引品牌投入非常有说服力。此外，媒体方也支持广告主做增量测试，例如提供广告开关或PSA对照（放公共广告作对照）以测算增量。这些举措反映出媒体平台正从“卖广告位”向“卖效果”转变，AI驱动的归因技术是其中的重要推手。

　　3.5 区域与行业差异

　　在跨屏归因领域，美国和欧洲市场的方法体系较成熟，但也各有偏重。美国广告主历来重视数据，早在Cookie时代便开发了多触点归因模型，如Google和Facebook都推出过Shapley算法的开源实现或工具。近年因隐私政策收紧，市场混合模型（MMM）回潮，成为北美广告主衡量CTV在内各渠道ROI的重要方法之一 。欧洲则因为GDPR等法规，更强调用户匿名化和高层次测量，很多欧洲品牌也开始采用MMM和地理实验等不依赖个人数据的方法。同时，欧洲行业推动跨媒体测量标准化（WFA跨媒体测量倡议）以统一视听媒体和数字媒体的指标，使归因建立在更可比的数据基础上 。中国市场的特殊性在于 “一方数据富集，三方数据缺乏”：BAT等巨头各自生态内有丰富的用户全链路数据，广告主常借助这些平台的闭环报告（例如腾讯的广告曝光关联微信支付购药）来归因。但跨平台仍需借助第三方技术公司和模型。值得注意的是，中国广告主对短期效果高度关注，因而愈发采用跨屏归因技术来证明投放价值——如字节跳动营销科学团队为品牌提供“品销合一归因模型”，整合抖音种草与电商拔草数据。这与欧美趋势相呼应：广告必须证明生意价值，才能持续获得预算投入 。

　　在行业方面，不同垂直行业对归因的需求和侧重点也不同。影视娱乐行业通常营销周期短、目标明确（票房/收视），会更多运用数字多触点归因和社交聆听来即时调整宣传；电商/零售行业天然重视效果，拥有海量转化数据，更会倾向于多触点归因和实验，甚至在内部建立AI归因模型连接广告花费与GMV销售，以便实时优化出价和渠道；快消品行业以品牌投放为主，传统上依赖营销混合模型来归因长周期销售，并逐渐结合数字归因以衡量年轻消费者线上转化。一个显著趋势是各行业都在寻求统一的ROI指标来衡量全域广告投入的产出，归因模型正是将品牌广告与效果广告放到一起考量的桥梁。比如宝洁这样的快消巨头提出“一套指标体系衡量品牌长期增长和短期销售”，背后也是归因模型在发挥作用。未来，随着AI对数据融合和分析能力的增强，跨屏归因将更加实时和智能，为各行业营销决策提供全景视角和精细洞察。

责任编辑：凌美