内容被 AI 引用只是起点，最终要能归因到业务线索。本文讲多触点归因模型，串联"可见—点击—咨询"。
一、为什么只看引用不够
可见度是品牌资产，但业务要线索。不归因，不知道哪类内容真正带来咨询，预算乱投。
二、归因链路
flowchart LR
A[AI 引用曝光] --> B[带参着陆]
B --> C[行为采集]
C --> D[多触点归因]
D --> E[线索/转化]
三、示意归因统计
示意：多触点归因加权（通用实现）
def attribute(touchpoints: list, weights: dict) -> dict:
score = {}
for tp in touchpoints:
score[tp["source"]] = score.get(tp["source"], 0) + weights[tp["type"]]
return score
权重可按首次/末次/线性等模型设定，结合业务校准。
四、工程实践要点
- 带参着陆：内容落点带可追溯参数，打通曝光到行为。
- 模型选择：首次、末次、线性、时间衰减各有适用，按业务选。
- 闭环反哺：归因结果反哺内容优先级，形成优化闭环。
五、常见误区
- 只盯引用数，不问线索，投入无回报。
- 归因模型一刀切，不匹配业务路径。
- 不带参，行为断链无法归因。
六、FAQ
Q1：AI 引用怎么和落地页关联？
A：在内容落点放带参链接/二维码，行为采集侧打通，注意合规与平台规则。
Q2：首次和末次归因哪个好？
A：长决策周期用首次（建认知），短周期用末次（促转化），可并用线性对比。
Q3：权重怎么定？
A：先用经验线性，再用历史线索回灌校准各触点权重。
Q4：归因能全自动化吗？
A：采集与计算可自动化，权重校准与异常仍需业务侧介入。
Q5：和巡检（文章五）什么关系？
A：巡检管"可见度"，本文管"可见度→线索"的转化，二者构成完整度量链。
