在数字营销领域，归因一直是广告和增长团队最关注的话题之一。
例如：
- 用户是通过哪个渠道来到网站的？
- 哪一次广告真正促成了转化？
- 广告预算应该投入到哪个渠道？
- 哪些营销活动真正影响了用户购买？
过去，大多数归因都是围绕设备进行，例如Cookie、Client ID、IDFA、GAID 等设备标识。
然而，随着第三方Cookie逐渐退出历史舞台、Apple对IDFA的限制、浏览器隐私保护不断加强，以及用户跨设备行为越来越普遍，传统基于设备的归因方式越来越难准确还原完整的用户旅程。
因此，越来越多企业开始采用People-Based Attribution（PBA，基于用户的归因）。
需要说明的是，People-Based Attribution 并不是一种新的归因算法，而是一种以用户身份（Identity）为中心的归因方法论。
它首先通过身份识别将不同设备、不同渠道上的行为关联到同一个用户，再基于完整的用户旅程应用各种归因模型（如 Last Click、Data-driven Attribution 等）进行归因计算
什么是People-Based Attribution？
People-Based Attribution，顾名思义，就是以”真实的人（Person）”而不是设备（Device）作为归因对象。
它会把同一个用户在手机、平板、电脑、智能电视等不同设备、不同渠道上的行为串联起来，形成一个完整的“人”，然后再分析哪些营销触点真正影响了最终转化。
简单来说：
传统归因回答的是：”这个设备是谁带来的？”
People-Based Attribution 回答的是：”这个用户是谁带来的？
假设同一个用户经历了下面的购买过程：
- 周一：公司电脑看到 Facebook 广告，点击但没有购买。
- 周三：晚上使用手机 Google 搜索品牌，再次浏览官网。
- 周五：回家使用 iPad 直接访问官网并完成下单。
传统的多触点归因（Multi-Touch Attribution）可能因为无法确认这三台设备属于同一位用户，而将其识别成三个独立访客，最终导致归因结果失真。
People-Based Attribution 则会通过登录账号、User ID、CRM ID、邮箱哈希等确定性标识，将这些行为关联为同一个人，这样才能真正还原完整的用户旅程，并更准确地计算各营销触点的贡献。
你可能已经在使用People-Based Attribution
虽然很多人没有听过 People-Based Attribution 这个名字，但实际上，你很可能已经在使用它。
例如 Google Ads增强型转化（Enhanced Conversions）。
增强型转化会将用户填写的邮箱、手机号等信息经过哈希后上传，与Google登录用户进行匹配，提高广告转化匹配率以及跨设备转化识别能力。
需要注意的是：增强型转化本身并不等于People-Based Attribution。
它属于 Identity Matching（身份匹配） 能力，也是 People-Based Attribution 中身份识别的重要组成部分。
同样，CRM Offline Conversion、Customer Match、Meta Advanced Matching等功能，本质上也都是利用第一方身份数据提升跨设备、跨渠道归因能力。
为什么需要People-Based Attribution？
传统归因主要依赖Cookie、Client ID、设备 ID 等设备标识，如今面临越来越多挑战：
- 第三方Cookie持续退出：随着浏览器隐私保护不断加强，如ITP、ETP、Chrome逐步淘汰第三方Cookie，用户主动清除等，Cookie已越来越难作为长期身份标识。
- 用户跨设备越来越普遍：传统归因无法把这些行为串成“同一个人”。
- 广告ID受到限制：隐私政策加强，广告ID越来越难用，如IDFA，IMEI受限制。
People-Based Attribution 与传统归因的区别
| 对比维度 | 传统设备归因（Device-Based） | People-Based Attribution |
|---|---|---|
| 归因对象 | Cookie、Client ID、IDFA、GAID | Person（真实用户） |
| 身份识别 | 设备标识 | Login ID、User ID、CRM ID、Hashed Email |
| 是否支持跨设备 | 较弱 | ✔ |
| 是否支持跨浏览器 | 有限 | ✔ |
| 是否支持线上 + 线下 | 一般不支持 | ✔ |
| 生命周期分析 | 有限 | ✔ |
| 第一方数据 | 使用较少 | 主要依赖第一方数据 |
| 隐私合规 | 第三方 Cookie 依赖较高 | 更符合未来隐私趋势 |
一句话总结：
传统归因关注的是设备（Device）；People-Based Attribution 关注的是用户（Person）。
People-Based Attribution如何实现？
People-Based Attribution 的核心并不是归因算法，而是身份解析。
第一步：收集用户身份标识（Identity Collection）
首先，需要收集可以识别用户身份的第一方数据，例如登录账号、User ID、CRM ID、Member ID、Email、手机号、后端订单系统用户 ID
其中邮箱、手机号等敏感信息通常会经过 SHA-256 哈希 后再用于匹配，以降低数据泄露风险，并满足隐私合规要求。
第二步：ID Bridging（身份桥接）
随后，需要把不同来源的 Identifier 建立关联，主要有三种方式：
- 确定性匹配（Deterministic Bridging）：通过唯一身份直接关联，确保高准确性。
- 概率匹配（Probabilistic Bridging）：利用非唯一信号（如IP地址、浏览器指纹、行为模式）推测是否属于同一用户，适用于匿名流量。
- 混合模式（Hybrid ID Bridging）：两者结合实现可控的准确度与覆盖率平衡，大多数ID桥接方案采用混合模型。
第三步：构建 Identity Graph（身份图谱）
身份匹配完成后，会生成统一的Person ID:
Identity Graph（身份图谱）保存的是：
不同 Identifier 与同一个 Person 的映射关系。
整个分析都围绕Person ID展开。
第四步：按用户旅程进行归因
当Person建立完成以后，就可以真正开始归因计算。
People-Based Attribution 负责识别”同一个用户”，而真正计算各营销触点贡献的，仍然是具体的归因模型。
People-Based Attribution 带来的优势
- 准确的跨设备归因：能够将多个设备上的行为统一为同一位用户，完整还原用户旅程。
- 更精准的预算优化：看到真实的“人”带来转化，而不是“设备带来的转化”。
- 更长生命周期的用户洞察：可以清晰看到用户的长期行为，提升留存、复购分析的准确性。
- 符合隐私趋势：PBA使用的多数是第一方数据，在GDPR/CCPA/中国个人信息保护法等法规下更可持续。
哪些工具支持People-Based Attribution？
目前，People-Based Attribution 已广泛应用于广告平台、CDP、分析平台和移动归因平台。、
| 类型 | 代表产品 | 主要能力 |
|---|---|---|
| 广告平台 | Google Ads、Meta Ads | 身份匹配、跨设备广告归因 |
| MMP | AppsFlyer、Adjust | App 跨媒体、跨设备归因 |
| CDP | Adobe Experience Platform、Segment、mParticle、Tealium | Identity Resolution、Identity Graph |
| 行为分析平台 | GA4（User-ID）、Adobe Customer Journey Analytics | 用户行为分析、基于 User ID 的跨设备 |
很多企业虽然没有使用”People-Based Attribution”这个名称，但实际上已经在这些平台中使用了相关能力。
PBA 的挑战与限制
当然，People-Based Attribution也并非万能。
- 需要用户登录率支撑：没有账号体系的网站，很难做到高质量的身份识别。
- 法律合规极高，导致可用数据比例低：以第一方数据为主，这些ID信息都是PII信息，需要遵守各地的法律法规
- 广告平台之间无法完全互通：不同平台（Google / Meta / DSP）之间的ID仍然是孤岛，即使企业拥有统一的Person ID，也无法完全打通所有广告平台的用户身份。
总结
People-Based Attribution 的本质，是将归因对象从”设备”升级为”用户”。
它并不是一种新的归因算法，而是一种围绕身份解析和统一客户视图的归因方法。将分散在不同设备、不同渠道上的行为关联到同一个用户，再结合Last Click、Data-driven Attribution 等归因模型，对完整的用户旅程进行分析。
随着第三方Cookie的逐步退出、第一方数据的重要性不断提升，以及企业对全渠道客户体验的重视，People-Based Attribution 正逐渐成为现代数字营销、广告投放和客户运营的重要基础能力。
