AI 报告建议加预算：归因 ROAS 能支持这个结论吗？

一份 AI 营销报告写道：“ROAS 达到 4，建议增加广告预算。”营销负责人在签字前，需要追问的不是只有计算是否准确，还包括这两个判断之间究竟有什么证据。系统把购买金额计在广告名下，不等于这些购买都是广告额外带来的。

先看一份算对了、却说过头的报告

以下是一个虚构的零售案例，不代表客户业绩，也没有实际执行任何模型或研究。某月广告平台的仪表盘记录：广告支出 THB 100,000，归因购买价值 THB 400,000。当月还开展了促销，但提供的材料中没有增量研究或因果模型。

400,000 ÷ 100,000 = 4.0，因此归因 ROAS 的计算没有问题。问题出在这样的解释：“广告带来了 THB 400,000 的新增收入，应增加预算。”这句话先把归因金额升级成新增收入，再把历史结果当成未来加投的依据。两个推断都超出了现有材料。

可以改为：“根据广告平台仪表盘，该月广告支出为 THB 100,000，平台归因的购买价值为 THB 400,000，归因 ROAS 为 4.0。现有报告没有估计广告的增量影响；同期促销是否影响了购买，需要进一步核查。”

这段改写交代了来源、期间、指标性质和计算结果，也明确了哪些问题尚无答案。促销只是值得调查的因素，不能被写成已经证实的解释。这里的 4.0 更不是 400% 的利润率。

归因回答“记给谁”，增量回答“多了多少”

ROAS 是转化价值与广告支出的比值。归因 ROAS 的分子，是按照跟踪设置和归因规则分配给广告的转化价值。它帮助团队按同一套规则观察投放表现，但这些规则本身不回答：如果没有这次广告，顾客是否仍会购买？

在 Google 基于用户的 Conversion Lift 研究中，增量 ROAS 使用研究估计的新增转化价值，再除以广告支出。“增量”指指定广告使原本不会发生的结果发生了。为此，需要估计没有该广告时会怎样，这个比较基准称为反事实。不能因为报告里有“新增”二字，就认为已经建立了这样的比较。

还要核对转化价值的定义：它可能不是已经收到的收入，更不等于利润。毛利、退款及其他成本都会影响结果的业务意义。因此，保留原始指标名称和计量口径，比让摘要听起来更有把握更重要。

先分清证据类型，再决定结论能说多强

前后变化是第一类证据。例如活动后销售高于活动前，只能先说明时间上的变化。前一个月并不天然代表“本月没有广告”的情形，因此不能仅凭变化量认定广告造成了增长。第二类是归因结果：它说明平台按规则把哪些转化计给广告。一个擅长写解释的语言模型，不会让这两类记录自动变成因果估计。

第三类是实验估计。Google Conversion Lift 通过经过设计的处理组和对照组比较来估计影响，并有基于用户及地理区域的方案。合理设计、组间可比性和分析方法都很关键，不能把两个组的总数直接相减就当成通用做法。这项功能也不是所有 Google Ads 账户都可用，报告供应商不应预先承诺可以开通。

第四类是基于观察数据的因果模型，例如在适当假设和控制条件下使用营销组合模型。它可以估计因果效应，并非只有实验才能回答因果问题。不过，需要处理混杂因素，也就是同时影响媒体投放决策和销售的其他因素。季节性或促销安排可能属于这类因素，是否相关需要结合具体业务判断。

Google 的 Meridian 文档提醒，多个模型可能预测得都不错，却给出不同的因果回报估计。因此，“预测准确”不能单独证明因果解释可信。让语言模型描述数字，与建立一个合理的因果模型，是不同的工作。

对实验和模型的结果，都应保留研究涵盖的广告、受众、结果指标、期间以及不确定性。来源提供了不确定性区间，就应随结论一起呈现。结论尚不明确，也不能被压缩成“广告没有效果”。

过去的平均回报，不等于追加预算的回报

预算建议还需要另一项证据：过去的效果与新增支出的效果不是同一个问题。这是实际决策中的推理要求，并不意味着我们已经为这家虚构零售商测出了某条响应曲线。即使历史增量估计可靠，也不能直接假定扩大投放后保持相同比例。

Meridian 将历史平均 ROI 与边际 ROI 区分开来。后者考察小幅增加支出时的额外回报；响应曲线则用模型估计不同支出水平下的结果。对较大的预算变动，需要比较相应的支出情景，不能只把某个局部回报率机械放大。超出已有支出范围越远，外推风险也越高。

这里的模型因果 ROI 不是广告平台的归因 ROAS。审阅人需要确认报告究竟引用了哪一种回报，以及支撑它的假设是否适用于建议的预算。没有新增支出的效果依据，就应把方案写成带有不确定性的业务选择，而不是已被证实的增长预测。

把重要结论逐条对回原始证据

MindVerve 建议先圈出会影响预算决定的措辞，例如“导致”“带来新增收入”“加投将提升”。这些词不是不能用，而是必须有与之相称的依据。随后按证据类型逐条核查，不要只给整份报告笼统标注“数据来源已验证”。

下面这组字段可直接复制到报告需求说明中，每一项重要主张填写一条记录：

1. 报告主张：原句是什么，要支持哪个业务决定？
2. 指标口径：原始名称、定义、单位，以及归因值或增量值的标识。
3. 来源与范围：源报告、日期、统计期间、广告活动、受众和结果指标。
4. 估计方法：属于哪类证据，以什么作为没有该广告时的比较？
5. 限制条件：不确定性、模型假设及缺少的材料。
6. 责任与行动：谁核实来源、谁批准结论、下一步是什么？

AI 可以先建立主张与来源的对应记录，并标出缺少比较基准或定义的地方。审阅人仍需打开原始来源，核实含义，再批准会影响预算的结论。检查表和提示词都不能保证结论正确。

缺少因果证据时，可以请求补充材料，也可以明确说明是在不确定性下作出有限度的决策，并约定负责人和重新评估的条件。无需要求所有决定都等到实验完成。若要开展测量，则应由具备相应能力的人设计，并考虑可用权限与数据；不一定要采用 Google 原生的提升研究。

AI 报告试点可以这样验收

以下是建议采用的三个验收用例，不是已经执行的测试，也不是产品表现的证明。目的在于检查摘要是否改变了证据的性质，而不只是检查文字是否流畅。

1. 只提供归因数据：输出必须保留归因标签，不能自行写成新增收入或增量效果。
2. 提供结论不明确的研究：输出必须保留不确定性，不能断言“没有效果”。
3. 提供因果模型的估计：输出必须保留范围和假设，不能把模型估计称为实验结果。

试点期间可记录无依据主张被纠正的情况、重要主张能否追溯到来源，以及全部审阅工作量。初稿生成更快，并不自动代表整个流程更省力。评估标准应根据团队自己的工作建立，也不能把未经验证的改善幅度当作承诺。

先明确一个流程的边界和责任

MindVerve 的自动化与报告服务会梳理输入、输出和负责人，以及计算、核查、审核节点和失败处理规则。AI Workflow Launch 实施一个双方约定的工作流程，包含代表性及异常案例测试、文档、培训和交接。预算判断仍由明确指定的人负责。

配置、访问权限、许可证、API 使用、额外集成和维护需要约定范围。营销组合模型部署或实验设计并不自动包含在报告试点中，需要另行确认是否纳入交付。

如果要讨论一个范围清楚的报告试点，可以准备一份真实且已匿名化的报告、源指标的定义，以及这份报告需要支持的决策。这样才能具体判断哪些内容交给 AI 起草，哪些结论必须由负责人核实并批准。