为什么你的 ROAS 可能是假的
先看一个所有营销人都踩过的坑：你发了 100 张优惠券，40 个人来买了，于是得出「券有用」。错——这 40 人里很多本来今天就要来买，券只是顺手用了。传统归因（last-click / MTA / ROAS）默认「被我碰过的转化都算我的功劳」，但里面混着大量本来就会买的人。
要把这部分剔掉，只留广告真正「推动」出来的转化，就需要增量实验。它回答的唯一问题是：这次营销花的钱，到底多带来了多少转化？ 关掉广告，那些转化里有多少本来也会发生？
本文把营销测量的三个核心概念——增量实验、PIE、MMM——用最生活化的方式讲透，读完你会知道它们各自回答什么、怎么落地、怎么配合。
增量实验：靠对照组量出「广告多带来了几个人」
想象你开奶茶店，想知道发券到底有没有让人多买。正确做法是做一组对照：
- A 组（1000 人）：发券，最终 50 人下单
- B 组（1000 人）：不发券，其他都一样，最终 35 人下单
B 组这 35 人，就是「不发券也会来」的人——这是那条基线，也就是「本来会发生多少」的反事实。所以券真正多拉来的 = 50 − 35 = 15 人，这多出来的 15 人就叫增量。
增量 = 实验组转化 − 对照组转化
Lift（增量占比）=（实验组 − 对照组）/ 对照组
iROAS（真实 ROAS）= 增量收入 / 广告花费
核心就一句：关键不是看广告组卖了多少，而是看「不投广告本来能卖多少」。 只要 iROAS > 1 且结果显著，这笔预算才是真在赚钱，而不是在给本来就会买的人买单。
对照组从哪来：只能由平台随机「扣下」
这是最容易卡住的一点。你在自己后台只能选定人群去投广告——只有投了才有数据，手里全是「看过广告的人」，根本造不出「没看过的人」。所以对照组不是你筛出来的，而是平台在「本该看到广告的人」里随机拦下一批不给看。
以小红书为例，真实机制是这样的：
- 你设定好定向（比如 25–35 岁爱护肤女性）。
- 平台照常跑竞价，筛出该看到你广告的 100 万人。
- 平台在最后一刻把这 100 万人随机切两半：90 万人正常看到广告，10 万人被故意扣下不给看——这就是对照组。
- 关键在于：这 10 万人也是「本该看到广告」的人，同样的定向、同样的竞价筛选，只是被悄悄留出，所以和实验组天生可比。
那对照组没看广告，你后台没数据，怎么知道她们买没买？你不知道，但平台知道。 平台手里有所有人的用户 ID，能同时看到两组各自买了多少，比出差值，最后只把「真实增量 = 1.5pp，Lift 43%」这个结果报告给你。
落到实操：小红书聚光、巨量引擎、Meta / Google Conversion Lift 都内置了这类「广告效果增效测试」。你要做的只是开这个功能 + 测试期间别乱改别的东西。
一个自己能掌控的替代方案：如果不想依赖平台，就别切「人」、改切「地区」（Geo 实验）——北京正常投、天津完全不投，几周后比两地整体销量。要人级对照靠平台，要自己掌控用地区对照。
PIE：把整体增量归因到「具体是哪群人」
增量实验有个遗憾：它只告诉你「这 1000 人整体多买了 15 个」，是个笼统的平均数，不知道是谁贡献的。但投放决策真正想知道的是「下次券该发给谁」。PIE（Personalized Incrementality Estimation，个体级增量估计） 就是来补这一步的。
第一步：不看总账，按人群切开各比各的
跑完实验，平台手里有两堆人，而且每个人的画像标签都在。PIE 不再拿 90 万 vs 10 万整体比，而是在每个小人群内部各自比：
| 人群 | 实验组转化 | 对照组转化 | 这群人的增量 |
|---|---|---|---|
| 上班族 | 6.0% | 3.0% | +3.0pp ✅ 很有用 |
| 宝妈 | 7.0% | 4.0% | +3.0pp ✅ 很有用 |
| 学生党 | 4.0% | 3.8% | +0.2pp ❌ 几乎没用 |
| 老顾客 | 8.0% | 8.0% | 0pp ❌ 反正都买 |
整体那 1.5pp 的增量，其实全是「上班族 + 宝妈」贡献的，学生和老顾客白投了。这就是归因到群体——靠「同一类人里，看广告的 vs 没看广告的谁买得多」，把总增量拆回每一类人头上。
第二步：训练模型给新用户打「增量分」
只切 4 类还太粗。PIE 真正做的是把「画像特征 → 增量大小」这个关系喂给模型去学，之后哪怕来了个没参加过实验的新用户，模型也能预测她「值不值得投」。于是下次投放只投增量分高的人，跳过增量分≈0 的人。
这里有个关键细节：单个具体的人的真实增量，物理上永远观测不到——同一个人要么看了、要么没看，不可能同时又看又没看。所谓「个体级」，其实是靠「同类人」的对照差值加模型平滑推算出来的预测值，底层依然靠群体对照撑着。
延伸：MMM 与 2025–2026 的「测量三角」
MMM（Marketing Mix Modeling，营销组合模型） 是自上而下的方法：用统计回归把「一段时间的总销量」拆解回各渠道贡献。它用聚合数据（渠道 × 周），不追踪个人，因此隐私安全、能覆盖线下和电视。在 cookie 失效、隐私收紧的当下，MMM 重新成为测量主线；缺点是粗、慢、渠道花费同涨同跌时难分功劳。
三个概念其实是递进关系：
| 方法 | 回答什么 | 粒度 |
|---|---|---|
| MMM | 各渠道对大盘贡献多少 | 渠道 × 周（战略） |
| 增量实验 | 广告有没有真实因果增量 | 群体 |
| PIE | 增量具体来自哪群人、该投给谁 | 个体（预测值） |
主流实践是三者互补：MMM 做战略主线 → 增量实验做因果校准（给 MMM 和归因一个真值锚点）→ PIE / MTA 把结果落到「投给谁」的日常颗粒度。 增量实验就是那把「校准尺」。
小结：从今天起该做的一件事
营销测量正从「记功游戏」转向「增量因果」。如果你只做一件事：在现有归因 / ROAS 之上，补一层增量性实验做校准——挑一个渠道，用平台的 Lift 工具或自己做一次 Geo holdout，跑 4 周，算出 iROAS。只要 iROAS > 1 且显著，这笔预算就是真在赚钱。确认了「有用」，再用 PIE 式的人群拆解回答「投给谁」，最后用 MMM 管住全渠道大盘的战略分配。