互联网的可寻址性，奠定了广告归因实现的基础。自移动互联网诞生以来，营销人员一直期盼着通过追踪广告曝光、搜索、购买等交互行为数据，匹配并串联消费者在多个平台上的行为，解决困扰他们已久的效果评估及投资优化难题。
目前，受限于归因的投入成本、时间效率、数据采集难度等条件，市场上典型的归因实践方法主要有3种：AB Test（AB测试）、MTA（Multiple Touchpoint Attribution，多触点归因）及MMM（Marketing Mix Model，营销组合模型）。
AB 测试的用途非常广泛，小到测试广告按钮用红色还是用黑色，大到评估朋友圈广告对微信日活量的影响，主要用于体验优化、转换率优化和广告效果归因。
在真实的媒体环境中，媒体通过技术手段可以识别目标人群中看过广告（曝光组）和没看过广告（非曝光组）的群体。由于曝光组与非曝光组来自相同的网站，具有类似的人群特征（目标人群属性一致），他们对于品牌感知的差异和转化差异归因于他们是否看过相应的广告。
具体到应用场景，通过 AB 测试，品牌可以基于不同的广告创意、投放平台、曝光频次、目标人群、城市级别和用户属性等来比较不同广告的有效性，为优化找到方向。另外，媒体方也可以采用 AB 测试测量不同广告形式、频道的价值差异。
多触点归因的解决步骤主要有3步：通过广告监测（加码）追踪与采集尽量多的广告触点和行为数据；通过技术手段匹配数据，将同一个人在不同平台的 Cookie、ID、设备等匹配起来；选择合适的模型进行分析。
归因过程中，必须深刻理解广告实际转化路径（消费者行为旅程）的特征，针对不同营销场景和渠道组合营销策略，应用适合的归因模型。一个有效的归因模型能够清晰地告诉我们哪些渠道转化效果最好。
在多种归因模型中，首次点击归因和最终点击归因由于便于测量与使用，相关监测工具和手段比较成熟，应用较为广泛。
一段时间内的总销量 = 基础销量（不做广告也会产生的销量，即自然销量）+ 增量销量（因广告带来的销量）
其中，基础销量受长期因子影响，如品牌价值、铺货基础、价格以及原有市场份额等，增量销量则由广告投放、促销等短期因子驱动。
基于这个基础逻辑，MMM 使用测量数据、数据时间序列转型和多元回归，打开了营销投资输入与销量输出的“黑箱”：将销量根据投资、时间、价格等因素分解为基本与动态销量，并分解出不同营销要素对于总销量的贡献，继而结合各类广告的投入成本，评估其营销效率（也就是 ROI）。
比如，非数字化的线下媒体因为无法回传曝光或点击数据，相比线上媒体就明显处于劣势。同时投放线上和线下广告，基于点击数据评估媒体转化贡献时，线上媒体就无法避免地占了线下媒体的便宜。
通常而言，效果广告会采用点击归因，即多触点归因中的最终点击归因模型评估效果。该模型仅看“临门一脚”的贡献，虽然简单直接，但因抹杀其他触点的铺垫贡献而为人诟病。为证明自己的广告效果，获得品牌更多的预算倾斜，部分媒体会制定自己的广告归因逻辑、规则及工具，以论证自身对转化的价值。
比如，Facebook 和谷歌均采用了曝光归因（view- through attribution）技术。对于展示及视频广告，如果一定时间内没产生点击，我们就按照广告最后一次的展示来归因转化。
浏览归因虽然能衡量展示广告的价值，但由于品牌不能采集全部触点数据，因此数据回传更全的媒体就会占数据回传不全媒体的便宜。Facebook 和谷歌等大媒体因回传的归因数据更全，归因表现更佳，所以会获得更多投放，强者愈强。
占数据可回传的便宜。上文列举的线上媒体因可回传数据，会占线下媒体的便宜。
占媒体流量大的便宜。部分媒体巨头凭借更高的打开频率，即便用户在其他触点看广告后产生购买需求，但因打开它的频率高，距离转化更近，所以会有一定的占便宜概率。
效果广告占品牌广告周期长的便宜。这一问题伴随效果广告的崛起而愈发显著，效果广告因离转化更近，会占此前发挥长期铺垫作用的品牌广告的便宜。今天，归因最大的挑战之一，就是长效的品牌投资无法更快、更敏捷地测量，而长效投资与短期测量本来就是相互矛盾的。
媒体作弊占自然流量大的广告主的便宜。如果媒体作弊，发送虚假归因链接，自然流量与销量大的广告主因自身转化量大，容易被媒体占便宜。
