Beyond Last-Click: How We Prove Incremental ROAS in Retail Media

摘要

短摘要（3句话）：

本文指出，零售媒体网络（RMN）的衡量正从传统ROAS转向增量ROAS（iROAS），71%的广告主将其视为最重要指标，但多数仍依赖旧有归因模型。Moloco推出AI原生的“竞价幽灵”（ghost bidding）方法，通过随机对照试验精准量化广告的因果增量，实测iROAS达253%至1609%，增量转化率4%至29%。该方案为实践者提供了摆脱自归因偏差、实现科学预算分配和持续优化投放策略的可行路径。

长摘要：

传统零售媒体归因面临三大痛点：手动实验成本高、需大规模收入牺牲的对照组（holdout groups）、与ML算法不兼容。Moloco的AI原生平台将增量测试嵌入广告投放决策，通过ghost bidding在真实竞价中随机屏蔽部分用户的广告曝光，形成严格对照组，无需另设隔离组。

该方法核心在于精准定义暴露组和对照组：暴露组只计实际看到广告的用户，对照组只计竞价中本应赢得曝光但因实验被屏蔽的用户，从而排除自然受众噪音。转化统计覆盖实验期间所有购买行为，不限于点击归因，避免低估增量效果。

早期实践数据表明，广告主iROAS从253%到1609%不等，增量转化占比较低至4%的案例也能证明广告的显著拉动作用。这验证了即使传统ROAS不高的campaign，也可能因增量贡献而具备投资价值。

文章强调行业应建立持续增量测试机制，并关注隐私合规：AI原生方法基于实时会话行为和上下文智能，无需cookie或身份信息，契合后cookie时代的衡量需求。Moloco建议广告主依据统计显著性、明确群组定义、全面转化追踪和排除外部干扰等最佳实践来部署。