在数字营销领域，“归因”一直是广告和增长团队最关心的问题：用户是通过哪个渠道来的？哪个触点真正影响了转化？到底应该把广告投放预算放在哪里？
随着第三方Cookie逐渐消失、IDFA受限、跨设备行为变得更加碎片化，传统的“基于设备”“基于 Cookie”的归因模型越来越难以准确还原用户旅程。
因此，一个新的归因范式逐渐成为主流：People-Based Attribution（PBA）——以用户为中心的归因方式。
什么是People-Based Attribution？
People-Based Attribution，顾名思义，是以“真实的人”（Person）为单位来追踪和归因用户全旅程的模型。
它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”的画像，然后再基于这个完整旅程做归因分析。
举个最直观的例子：
- 用户周一在公司电脑上看到一条Facebook广告，点击了但没买；
- 周三晚上在手机上通过Google搜索品牌词，又看到了展示广告；
- 周五在家里用iPad直接访问官网下单购买。
传统的多触点归因（Multi-Touch Attribution）可能因为跨设备无法识别是同一个人，而把这三次曝光当成三个独立用户来处理。而 People-Based Attribution能通过登录账号、邮箱哈希、手机号等确定性标识，准确知道这是同一个人在不同设备上的行为，从而给出更精准的归因结果。
你可能很少听过People-Based Attribution，基于用户的归因，但你很可能已经用过，比如Ads的增强归因，它是收集和匹配（哈希后）用户提供的真实数据（如邮箱、手机号），更准确地将网站外的转化（如线下购买、App内购买）归结到广告互动上，这其实就是以“真实的人”（Person）为单位来追踪和归因用户全旅程的模型，这就是People-Based Attribution。
为什么需要 People-Based Attribution？
传统归因（基于Cookie或设备 ID）面临三个问题：
- Cookie失效：ITP、ETP、Chrome逐步淘汰三方 Cookie，用户主动清除等。
- 多设备、多场景越来越普遍：传统归因无法把这些行为串成“同一个人”。
- 广告ID受限：隐私政策加强，广告ID越来越难用，如IDFA，IMEI受限制。
People-Based vs 传统归因核心差异
| 维度 | 传统设备归因（Cookie / Device-Based） | People-Based Attribution |
|---|---|---|
| 归因最小单位 | Cookie、IDFA、GAID、设备指纹 |
真实用户（登录ID、hashed email/phone等）
|
| 是否跨设备 |
极弱
|
强 |
| 是否跨浏览器 |
弱
|
是 |
| 是否跨线上/线下 | 一般不支持 | 支持（CRM、会员） |
| 精准度 | 中等 | 高 |
| 隐私合规压力 | 高（第三方 Cookie） | 低（第一方数据） |
| 典型应用方 | 广告平台、DMP | 品牌方、少数大平台 |
|
当前主流度（2025）
|
主流使用 |
成为高端广告主标配
|
一句话总结：传统归因解决“这个设备是谁带来的”；PBA 解决“这个人是谁带来的”。
People-Based Attribution 如何做？
PBA的核心是构建Identity Graph（身份图谱），把于把不同设备、渠道的行为链接到同一用户。
获取可用于识别的用户标识
- 登录账号（最稳定）
- Email、手机号
- MemberID、ClientID、UserID
- 后端订单系统的用户 ID
合并不同触点的用户行为生成Identity Graph
| 触点 | 标识 | 设备 | 行为 |
|---|---|---|---|
| Facebook 点击广告 | hashed email | iPhone | 广告点击 |
| 网站 | 登录账号 | Chrome | 浏览、加入购物车 |
| App | 账号 | Android | 下单 |
- 自建身份图谱：Adobe AEP、Treasure Data、Amperity
- 第三方身份服务：LiveRamp RampID、UID2.0、Lotame
如下面就是Adobe AEP的Identity Graph：
延伸阅读：Adobe CDP中的Identity Service：打通不同来源的数据
具体怎么映射可以参考ID Bridging（ID桥接），主要分为两种方法：确定性匹配与概率性匹配，但实际有三大类：
- 确定性匹配（Deterministic Bridging）：通过精确标识（如hashed邮箱）直接关联用户身份，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）推断用户身份，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。
匹配完成后，生成一个统一的“代理ID”（proxy ID，在PBA就是Person，不同地方叫的名字不同），代表用户在不同环境下的身份，形成身份图谱，用于存储不同ID之间的关系。构建身份图谱基本都是这样的思路。
People-Based Attribution（基于用户归因）是一种归因方法论，而ID Bridging（ID桥接）是一种技术，实现方式。
按用户路径进行归因计算
可以将Person ID会传到广告平台与归因平台，或自己平台内计算，最终形成归因对象从 “设备” → “人”。
PBA带来的优势
- 准确的跨设备归因：不再受Cookie或设备变更影响，旅程更完整。
- 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（first-party data），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？
People-Based Attribution使用很广，只是你可能不知道而已，如下面都是用：
- 大型广告平台（自带身份体系）：Ads、Meta（这是应用最广的）
- MMP / Attribution 公司：Adjust/AppsFlyer的People Based模式
- CDP厂商：AEP、Segment、mParticle、Tealium
-
行为分析工具：GA4 User ID模式、Customer Journey Analytics
PBA 的挑战与限制
- 需要用户登录率支撑：没有账号体系的业务很难做到高精度识别，但可以通过概率匹配补充
- 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
