同樣花一千萬，為什麼有人打中了消費者、有人只是「被看過」？

同樣花一千萬，為什麼有人打中了消費者、有人只是「被看過」？

假設「森活」洗衣精的行銷主管手上有一千萬元的溝通預算。她可以把錢全砸在電視，換來巨大的曝光；也可以拆成電視＋數位＋社群＋公關的組合；甚至可以把同一筆錢，集中在三週內密集轟炸，或攤平在三個月慢慢釋放。這些選擇看起來只是「分配方式」，但它們會導致完全不同的結果——有的方案讓品牌被「很多人各看一眼就忘」，有的方案讓品牌被「對的人看到剛剛好的次數，記住了」。

入門篇我們談過：整合行銷溝通（Integrated Marketing Communications, IMC）的核心，是讓廣告、促銷、公關發出同一個聲音。那是「說什麼」的問題。但真正讓資深行銷人徹夜難眠的，是另外兩個更硬的問題：這個一致的訊息，該用多少強度、在什麼順序、透過哪些管道組合送到消費者面前（媒體規劃，Media Planning）？以及，當錢花下去之後，我們怎麼知道哪一塊錢真的有用（效果歸因，Attribution）？

這篇進階文章，不再重複「廣告 vs. 促銷 vs. 公關」的角色分工，而是直接進入 IMC 背後的兩個工程問題：觸及與頻次的科學，以及歸因的方法論戰爭。這正是把 IMC 從「一句口號」變成「可執行、可衡量的決策」的關鍵。

觸及、頻次與 GRP：媒體規劃的三個基本量

談媒體規劃，先要有共同語言。三個最基本的量：

• 觸及率（Reach）：在一段期間內，至少接觸過一次訊息的「不重複人數」占目標受眾的比例。例如觸及 60%，代表你的目標客群裡有六成「至少看過一次」。
• 頻次（Frequency）：在這段期間內，被接觸到的人「平均」看了幾次。
• 總收視點／毛評點（Gross Rating Points, GRP）：等於 Reach（%）× Frequency。這是媒體投放「總壓力」的概略指標。

舉例：若一檔活動觸及目標受眾的 60%，平均每人看到 4 次，則 GRP ＝ 60 × 4 ＝ 240。

關鍵的洞察在於：GRP 相同，效果未必相同。 同樣是 240 GRP，你可以選擇「觸及 80%、頻次 3」，也可以選擇「觸及 40%、頻次 6」。前者讓更多人各看三次，後者讓較少人各看六次。哪一種好？答案取決於你的行銷目標——而這就帶出媒體規劃裡最經典的爭論。

「要看幾次才有效」的世紀辯論：有效頻次

如果一個人只看過你的廣告一次，他可能根本沒注意到、或看了就忘。但如果他看了二十次，邊際效果早已遞減，甚至開始反感（廣告耗損，wear-out）。那麼，「剛剛好」是幾次？ 這就是「有效頻次（Effective Frequency）」的問題。

經典立場：三打理論（Three-Hit Theory）。 1970 年代，學者 Herbert Krugman 提出一個影響深遠的觀點：消費者對廣告的反應大致經過三個心理階段——第一次是「這是什麼？」（認知）、第二次是「這跟我有什麼關係？」（評估）、第三次是「喔，我知道了」（提醒）。由此衍生出行業多年奉行的「有效頻次至少 3 次」準則，也就是把「至少看過 3 次的人占比」稱為「有效觸及（Effective Reach）」，作為投放的目標。

修正立場：近因理論（Recency Planning）。 到了 1990 年代末，John Philip Jones 與 Erwin Ephron 等人挑戰三打理論，提出「近因規劃」：對多數成熟品牌而言，真正關鍵的不是「累積看了幾次」，而是「在消費者即將購買的那一刻，最近一次有沒有看到你」。因為購買隨時都可能發生，與其把預算集中在少數幾週密集轟炸（追求高頻次），不如把曝光攤平、拉長、持續存在（廣度與持續性優先），確保任何一週要買的人，最近都剛好被提醒過。這個思維，把媒體規劃從「集中火力」推向「持續廣度（continuity）」。

這兩派沒有絕對的對錯，而是取決於情境：

• 新品牌、新產品上市：消費者對你一無所知，需要較高頻次去建立記憶與理解，三打理論的邏輯較適用。
• 成熟品牌、隨時可能購買的日常消費品：近因規劃通常更有效率，與其讓少數人看很多次，不如讓更多人「最近都看過」。

這裡你會發現，媒體規劃和入門篇的 STP（Segmentation 市場區隔、Targeting 目標市場、Positioning 定位）是扣在一起的：你的目標客群是誰、他們的購買週期多長，直接決定了你該追求高頻次還是廣觸及。

看一個例子：240 GRP 的兩種花法

回到「森活」。主管手上的數位預算可以買到約 240 GRP 的曝光。她面前有兩個方案：

（註：有效觸及為示意估計，實務上由頻次分布計算，並非單純 Reach × 比例。）

兩個方案 GRP 一樣、有效觸及也接近，但策略意涵截然不同：

• 如果「森活」是剛上市的新品牌，需要讓人「看懂並記住」，方案 B 的高頻次有助於在較窄的核心客群裡反覆夯實印象——但代價是 60% 的目標客群根本沒被觸及。
• 如果「森活」已經上市半年、有一定知名度，目標是「讓更多在乎環保的家庭，在他們下次補貨時想起我」，那麼方案 A 的廣觸及＋持續曝光（近因邏輯）更划算。

同一筆錢、同一個 IMC 訊息，光是「頻次怎麼分配」這一個決策，就足以決定成敗。這正是為什麼媒體規劃是一門需要數據與判斷力的專業，而不只是「多買一點版面」。

從「漏斗」到「混亂的中間」：消費者旅程的重新想像

入門篇用 AIDA（Attention → Interest → Desire → Action）描述消費者旅程，那是一個乾淨的線性漏斗。但進階的視角必須承認：真實的旅程一點都不線性。

Google 在 2020 年提出「混亂的中間（The Messy Middle）」這個概念，描述消費者在「觸發（trigger）」與「購買（purchase）」之間，會在「探索（exploration）」與「評估（evaluation）」兩種模式之間反覆來回——搜尋、比價、看評論、問朋友、又回頭看廣告、再比一次——直到某個瞬間「夠了，就買這個」。這個中間地帶不是漏斗，而是一團迴圈。

這對 IMC 的意涵非常深刻：

• 接觸點不再有固定順序。 你無法假設消費者「先看廣告、再被公關說服、最後被促銷臨門一腳」。他可能先看到 KOL 開箱（公關／口碑）、再去搜尋撞見廣告、然後在比價時被促銷打動，順序完全打亂。
• 「一致性」變得更重要，而非更不重要。 既然消費者會在混亂的中間反覆碰到你，每一次碰到都必須是同一個品牌人格、同一個核心訊息，否則他在迴圈裡蒐集到的是互相矛盾的碎片，反而更難下決定。
• 行為科學偏誤成為武器（與責任）。 Google 的研究指出，在混亂的中間，有幾種認知偏誤特別影響決策：類別啟發法（category heuristics，簡化的判斷捷徑）、現時偏誤（即時可得性的吸引力）、社會證明（social proof，別人都選它）、稀缺性（scarcity）、權威偏誤（authority bias，專家背書）等。理解這些，行銷人才能設計出「在評估迴圈裡讓人安心下單」的溝通——但這也帶來倫理責任：是「幫助決策」還是「操弄決策」，界線需要被嚴肅看待。

換句話說，進階的 IMC 不再問「消費者走到漏斗哪一層」，而是問「在這團混亂的探索與評估裡，我的品牌在每一個可能的轉角，是否都用一致的訊息出現、並降低他下單的焦慮」。

歸因的方法論戰爭：哪一塊錢真的有用？

現在來到資深行銷人最頭痛、也最技術性的問題。錢花下去了，銷售上來了——但到底是哪個管道的功勞？ 這就是歸因（Attribution）。它直接決定下一季的預算要往哪裡加碼，因此是個高風險的決策。

第一代：規則式歸因（Rule-based）。 最常見的是「最後點擊歸因（last-click）」，把整筆成交的功勞全給消費者購買前點擊的最後一個管道。它的問題顯而易見：消費者可能是被三個月前的品牌廣告、上週的 KOL 貼文一路鋪陳，最後才在搜尋「森活 折扣碼」時點進來——但 last-click 會把全部功勞記給搜尋廣告，嚴重低估了前期廣告與公關的價值，於是品牌會錯誤地砍掉「看似沒有直接帶來轉換」的上層投放。其他規則式做法如「首次點擊」「線性平均」「時間衰減」「U 型」，都是想修正這個偏誤，但本質上仍是「人為訂的分配規則」，缺乏因果依據。

第二代：資料驅動歸因（Data-Driven Attribution, DDA）。 不再用固定規則，而是用演算法從大量旅程資料中，估計「每個接觸點對轉換的邊際貢獻」。常見方法包括基於賽局理論的 Shapley value（把每個管道想成合作賽局裡的玩家，計算它「平均而言增加了多少成功機率」）與馬可夫鏈（Markov chain）的移除效應（移除某管道後轉換率掉了多少，就代表它有多重要）。這比規則式公允得多，但仍有根本限制：它建立在「相關性」之上，而相關不等於因果。

第三代：增量性與因果實驗（Incrementality）。 真正想回答「這筆投放有沒有用」，最嚴謹的方法是做實驗：建立看得到廣告的「實驗組」與看不到的「對照組」，比較兩者的轉換差異，這個差異才是廣告真正「多帶來」的增量（incremental lift）。常見手法有 Ghost Ads、PSA 對照、以及地理實驗（geo-experiments）——把不同縣市分成投放區與不投放區，比較銷售差異。這把行銷衡量，從「分功勞」提升到「估因果」。

回到全局：行銷組合模型（Marketing Mix Modeling, MMM）。 點擊層級的歸因擅長線上、可追蹤的管道，卻看不到電視、戶外看板、公關報導這些「無法逐人追蹤」的效果，也越來越受隱私法規與第三方 Cookie 退場的限制。MMM 反其道而行：用計量經濟模型（迴歸＋時間序列），從總體的歷史銷售與各管道投放金額中，估計每個管道對營收的貢獻，並刻畫遞減報酬（diminishing returns）與飽和點（saturation）——也就是「某管道加碼到多少之後，每多一塊錢的回報就開始變小」。近年業界趨勢是「三角驗證（triangulation）」：MMM 看大局與長期、實驗（geo-test）驗因果、DDA 做日常的細部優化，三者互相校準，而不是迷信任何單一方法。

你會發現，歸因的演進和 IMC 的核心主張深深呼應：IMC 說「各管道協同放大、不可只看單一工具」，而歸因方法論的整個發展史，正是在用越來越嚴謹的方式，證明並量化這種「協同」到底值多少錢。

協同效應：1＋1 為什麼可能大於 2

入門篇說過，整合的工具能產生綜效（synergy）。進階一點看，綜效不是口號，它是可以被觀察與衡量的現象——稱為跨媒體協同效應（cross-media synergy）。

學界（如 Naik 與 Raman 等人的研究）以計量模型發現：當兩種媒體同時投放時，其合計效果常大於各自單獨投放效果的加總。直覺上的機制是：電視廣告先建立了品牌記憶與情感連結，當消費者隨後在數位管道再次遇到同品牌訊息時，這個訊息會被「更容易處理、更容易相信」——心理學上這與「單純曝光效應（mere exposure effect）」和「處理流暢度（processing fluency）」有關：越熟悉、越好處理的訊息，越容易被喜歡與接受。

這個發現對預算配置有直接的策略意涵：

• 不要把所有錢押在單一管道。 即使某管道單獨的 ROI 看起來最高，多管道的協同可能讓「組合」的總效果更好——而這正是 last-click 歸因會錯殺、MMM 與實驗才能捕捉到的部分。
• 媒體之間要「對話」，而不只是「並存」。 協同效應假設各管道傳遞的是一致的訊息。如果電視講一套、數位講另一套，不但沒有綜效，還可能互相干擾（IMC 失敗的代價）。
• 配置是動態最佳化問題。 由於存在遞減報酬與協同效應，最佳預算配置不是「平均分」，也不是「全押 ROI 最高者」，而是一個需要持續調校的最佳化問題——這也是為什麼大型廣告主會建立 MMM 與實驗體系來支撐決策。

動手試試：替「森活」做一次配置思考

不需要真的跑模型，你可以用以下框架，練習像媒體規劃師一樣思考。針對「森活」濃縮洗衣精的某一季，試著回答：

1. 目標是什麼？ 是「衝知名度」（偏向 Reach、近因式持續曝光）、還是「上市期建立理解」（偏向 Frequency、三打邏輯）？目標不同，頻次策略就不同。
2. 核心客群的購買週期多長？ 洗衣精大約一兩個月補貨一次。購買週期短而頻繁，意味著「持續性曝光」（近因規劃）可能比「集中轟炸」更有效。
3. 哪兩個管道最可能產生協同？ 例如「感性影音廣告（建立記憶）＋ 搜尋／社群（捕捉評估期的人）」，前者讓後者的訊息更容易被相信。
4. 你會怎麼衡量？ 線上轉換用 DDA 做日常優化；想知道公關與影音的真實增量，設計一個地理實驗（在部分縣市加投、部分不投，比較銷售差異）；季末再用 MMM 回看整體配置是否接近最佳。

把這四問走過一遍，你就完成了一次「從 IMC 訊息 → 媒體配置 → 效果衡量」的完整進階思考。

重點回顧

• 媒體規劃的三個基本量是觸及（Reach）、頻次（Frequency）與 GRP（＝Reach × Frequency）；GRP 相同，效果未必相同，關鍵在於「廣觸及」與「高頻次」如何取捨。
• 有效頻次有兩派觀點：「三打理論」主張至少 3 次才有效（適合新品牌、上市期），「近因規劃」主張在購買前最近一次有看到最重要（適合成熟品牌、隨時可購買的日常品）。
• 消費者旅程不是線性漏斗，而是 Google 所稱「混亂的中間」——在探索與評估間反覆迴圈；這讓「訊息一致性」與「在每個轉角降低決策焦慮」更為關鍵。
• 歸因經歷三代演進：規則式（last-click 等，會低估上層投放）→ 資料驅動（Shapley、Markov，相關非因果）→ 增量性實驗（geo-experiment 估因果）；總體則靠 MMM，業界趨勢是三角驗證。
• 跨媒體協同效應讓多管道合計效果大於各自加總，前提是各管道傳遞一致訊息——這正是 IMC「綜效」主張的可量化證據，也說明預算配置是一個動態最佳化問題。

深入探討（研究所視角）

若想把這些主題推向研究前沿，以下幾條路徑值得深入。

動態預算配置與最佳控制。 媒體配置本質上是一個跨時間、跨管道、含遞減報酬與協同項的最佳化問題。經典的 Nerlove–Arrow 廣告資本模型、以及把廣告效果視為「會折舊的存量（adstock / goodwill）」的設定，是理解「廣告效果如何隨時間累積與衰減」的起點。延伸到多媒體時，Naik、Raman 與 Winer 等人引入協同項與卡爾曼濾波（Kalman filter）做動態估計，把「該往哪個管道加碼」變成可解的控制問題。

因果推論在行銷衡量的應用。 隨著隱私法規（如 GDPR）與第三方 Cookie 退場，「可追蹤的個人層級資料」越來越稀缺，行銷衡量正從「點擊歸因」大舉轉向「因果推論」。值得鑽研的工具包括：地理實驗的貝氏結構時間序列（如 Google 的 CausalImpact）、合成控制法（synthetic control）、雙重差分（difference-in-differences），以及把這些方法與 MMM 校準的「實驗校正 MMM（experiment-calibrated MMM）」。這是計量行銷與因果機器學習的交會熱區。

注意力經濟與廣告品質的衡量。 傳統 GRP 只算「有沒有曝光的機會」，卻不管「有沒有真的被注意到」。近年「注意力衡量（attention metrics）」興起，用眼動、可見度（viewability）、停留時間等指標，試圖量化「有效注意力」，重新定義什麼叫「有效頻次」。這牽涉認知心理學、HCI 與媒體計量的整合。

演算法歸因的公平性與穩健性。 Shapley value 與 Markov 模型雖比規則式公允，但它們對資料品質、旅程截斷（只看得到部分接觸點）、以及未觀測的離線接觸點高度敏感。研究上關注：如何在缺漏資料下做穩健估計、如何把線上歸因與離線 MMM 一致化、以及不同歸因方法給出的預算建議差異有多大（model uncertainty）。

延伸閱讀方向：媒體規劃可讀近因規劃的奠基論述（Jones、Ephron）；協同效應與動態配置可從 Naik & Raman（2003）等計量行銷文獻入手；消費者旅程可讀 Google 的 Decoding Decisions: The Messy Middle；歸因與增量性則可追蹤近年 Marketing Science、Journal of Marketing Research 與各大廣告平台技術白皮書中關於 MMM、geo-experiment 與隱私友善衡量的討論。整合行銷溝通的進階課題，最終都收斂到同一個問題：在資源有限、旅程混亂、衡量困難的真實世界裡，如何讓一致的品牌訊息，以最有效率的方式，在對的時刻打中對的人。