大多数营销分析，只是为了应付开会。两次例会之间没人打开的数据看板，人人心里都不信的归因模型，还有刻意做得让谁都不必拍板的季度汇报。我搭建的衡量体系，经得起当面讲清楚，无论是讲给你的CFO听，还是讲给被衡量的客户本人听。
追踪先审计，再信任，因为没人检查的配置，正是数字最先出错的地方。归因当作一组需要交叉验证的“有用的谎言”来用；来电和线下转化也要拉回来，补上你现在的数据看板忽略掉的那部分。增量效果用任何营销团队都能做的对照组测试来证明，不需要数据科学部门；那次342:1的广告支出回报，数据看板上的结果好到我不敢签字，最后就是用这个办法验证的。预算规模和渠道分布撑得起时，才做营销组合模型（MMM）；撑不起，就明确说不做。还有数据治理，也就是UTM参数和命名规范这种极其枯燥的纪律，决定着明年的问题到底还能不能找到答案。
交付标准来自我合作过的最好的一位客户。每一次分析都以一个决策收尾，并事先写明什么样的数字会改变这个决策。数据看板会反复重做，直到目标读者真的去打开为止；这通常意味着图表更少、语言更平实，外加一页纸写明周一该做什么。
在这里，隐私是一项设计约束：衡量以用户同意为前提；第一方数据要真正用起来；数据洁净室只接入干净到足以匹配的第一方数据；受监管行业的配置，已经经受过HIPAA（美国医疗隐私法规）的审查。如果你的数字看起来很有把握，决策却没有底气，两者之间的差距，就是我们要一起解决的事。所需的时间，通常比你最近听完的三场供应商提案还短；结束时，你会拿到敢当面为之辩护的数字。
拿到你敢当众辩护的数字
看板有把握、决策没底气，两者之间的差距，就是我们要一起解决的事。
开始沟通常见问题
做对照组测试，需要数据科学团队吗？
不需要。对照组测试把看到广告的一组人，和条件相当、没看到广告的另一组人做比较；只要样本量合适，营销团队自己就能设计和解读。eBay那次342:1的回报，就是这样验证的。
该相信哪种归因模型？
多用几种，任何一种都不要单独全信。平台报表、网站分析和多触点归因模型各自只看到一部分，所以要把几方结果交叉验证，再补上来电和线下销售，关键问题则用对照组测试来定论。
有了用户同意规则和HIPAA，衡量还行得通吗？
行得通。追踪代码在用户同意后才触发，第一方数据只做获准做的事，受监管行业的配置也已经经受住了HIPAA的审查。
The Signal相关笔记（英文）
查看全部英文笔记Impressions Are Not Created Equal. Frequency Should Not Be Either.
A search impression, a feed impression, and a banner impression are three different events wearing one name. Why every channel needs its own frequency math.
2026年6月27日Most Attribution Dashboards Get Built and Then Ignored
A dashboard nobody opens has a trust problem. The fix is admitting uncertainty on the dashboard itself instead of hiding it behind false precision.
2026年4月3日Marketing Mix Modeling Came Back From the Dead Because Nothing Else Survived
MMM was the dusty econometrics of big TV advertisers until signal loss made it modern again. What mix modeling does, what it needs, and who should wait.
2026年4月1日You Do Not Need a Data Science Team to Run a Holdout
Incrementality testing sounds like a research department. It is a spreadsheet, a map, and the discipline to leave some money on the table for six weeks.
2026年3月25日Every Attribution Model Is Wrong. Choose the One Wrong in Your Favor.
First-touch, last-touch, linear, data-driven: what each marketing attribution model assumes, what it hides, and how to use models without believing them.
2026年3月24日Your Match Rate Is the Ceiling on Everything Else
Every first-party data strategy depends on one unglamorous number: how much of your customer file the platforms can recognize. Typical is about 20 percent.