器物的路
在還沒有統計學的年代，人們就用這些器物量看不見的東西，並為結果留下依據。Proofseal 做的，是同一件事的現代版。
1 · 連接資料
岩芯
地質學家鑽取的岩柱：一層一層，是時間自己留下的紀錄
2 · 資料健檢
準繩
一條垂重的線，最古老的基準：先有一條直線，才談得上歪斜
3 · 量測
圭表
立竿量影：古人用看得見的影子，推算看不見的太陽高度
4 · 驗證
渾儀
古代天文台的環儀：拿模型對照星空，不合就修正
5 · 判定
印信
驗過、核可了，才蓋下這方印：有人為這個結果負責
01你提供
- 各渠道每週的廣告花費
- 每週的業績、訂單或轉換
- 也能直接連 GA4、Google Sheets、BigQuery，或匯入各廣告平台的報表
- 品牌搜尋量等需求訊號（選填）
- 分地區的資料（選填，做分區實驗時用）
Proofseal 會做
- 檢查資料夠不夠回答你的問題
- 估算每個渠道的效果和可能範圍
- 在條件和你的資料相近的模擬資料上，測試模型準不準
- 照事先寫好的規則給出判定
- 分析分區實驗：停投或加碼的地區，和沒變動的地區比
03你拿到
- 一個判定，例如目前有支持、有條件支持，或還需要更多證據
- 判定的理由和限制
- 下一步補哪些資料最有幫助
- 可以分享給主管或客戶的報告
- 分區實驗得到的效果估計，可以和模型的估計對照
不用寫程式，每一步都有白話說明。
舉個例子：一個 ROAS 4.2 的渠道示例
你手上的數字
ROAS 4.2
廣告平台的報表說，這個渠道每花 1 元，帶回 4.2 元業績。
Proofseal 會先確認
- 有幾週的資料？夠不夠看出規律？
- 每個渠道的花費有沒有足夠的高低起伏？
- 花費是不是總跟著需求起伏？如果是，模型容易把需求帶來的業績算成廣告的功勞。
- 在條件相近、答案已知的模擬資料上，模型的範圍有多常包含答案？
- 這個渠道是不是總跟別的渠道一起加碼，功勞分不清？
你會拿到
有條件支持
4.2 是平台依自己的規則算出的歸因數字，不一定等於廣告多帶來的業績。資料週數足夠，但這個渠道總和 Google 一起加碼，各自的功勞分不清。判定只支持小幅調整，並列出下一步可以補的證據：一次分區實驗。
判定長什麼樣子
每個判定都寫出理由、限制，以及下一步補什麼最有幫助。
目前有支持
在已檢查的資料、方法和假設下，證據支持這個結論。
例：「整體行銷回報可用於年度規劃」。在條件相近的模擬資料上，模型九成把握的範圍有 84% 包含已知答案；規則 v0.1.0 的暫定門檻是 70%。
有條件支持
證據大致支持，但有幾件事要一起注意，判定會一條一條列出來。
例：「模型的證據足以支撐 10% 以內的小幅預算調整」。方向有證據支持，但兩個渠道總是一起加碼，各自的功勞分不清，判定會把這點列為限制。
還需要更多證據
現在的證據還不夠下結論。判定會說缺的是什麼，以及補哪一塊最有用。
例：「大幅改變預算分配」。模型的證據撐不起這麼大的動作，先做一次分區實驗最有幫助。
什麼時候用得上？
要調整廣告預算之前
加碼、減碼，或把預算從一個渠道移到另一個之前，先確認手上的數字撐不撐得住這個決定。
要向客戶或主管說明成效時
代理商、顧問或內部團隊交代成效時，附上判定和理由：資料夠不夠、模型在這種資料條件下準不準，讓數字有依據可查。
要把數字帶進會議之前
跟主管或客戶提案前，先把「這個數字憑什麼」和「還有哪些不確定」整理好。
資料更新或市場變了之後
新一季的資料進來，重新檢查一次，看原本的結論還站不站得住。
和直接問 AI 有什麼不同？
AI 每次的回答可能不一樣，也不容易說清楚依據。Proofseal 用固定的步驟和寫好的規則，同一份證據套用同一版規則，每次都得到同樣的判定。
每次走同樣的步驟
同一類問題，用同樣的資料格式和同一套檢查，不會因為問法不同而改變結果。
用了什麼方法，寫得清楚
每個判定都記下用了哪個模型、哪一版規則，事後查得到。
每個判定都附上理由
判定依據了哪些數字、有哪些限制，都寫在判定旁邊。
資料更新後可以重跑
新資料進來後重跑一次，可以直接比較和上次差在哪裡。
AI 很適合幫你讀報告、整理想法。要拿來決定預算的判定，需要每一步都能讓別人檢查。
實際上怎麼檢查
五個步驟，每一步做了什麼都會留下紀錄。
- 1
資料健檢
先看資料夠不夠：有幾週、缺了哪幾週、各渠道的花費有沒有高低起伏。資料太少，後面的結果就不可靠。
- 2
估算效果
估算每個渠道帶來多少業績。每個數字都附上可能的範圍，不只給一個點。
- 3
測試準不準
依你的資料條件做一批模擬資料，每個渠道的答案由我們預先設定。再看模型說有九成把握的範圍，實際有幾成包含這個答案。
- 4
給出判定
照事先寫好的規則，把檢查結果對應成判定，並寫出理由和限制。
- 5
留下紀錄
資料版本、方法、規則和判定都存起來，之後可以重跑、比較。
用分區實驗自己查證
除了看模型，也可以在幾個地區停投或加碼，和沒變動的地區比較。這比只看歷史資料更接近直接測量，但得到的仍是估計：只代表那些地區、那段期間，也帶有誤差範圍。
1. 規劃：挑對地區
用過去的資料，找出最適合測試的地區、和它最像的地區，並估計這個設計至少要多大的效果才測得出來。實驗開始前，就知道它測得出多小的變化。
2. 分析：和對照組比
實驗做完後，從沒變動的地區組合出一個對照組，看測試地區差了多少、有沒有大過自然起伏，再換算每 1 元廣告費的效果。
假設的例子：台中停掉 Meta 廣告 8 週，營收比對照組少了約 13%。換算下來，估計每少花 1 元廣告費，營收約少 2.3 元。這個估計可以和平台報表上的 ROAS 對照，但兩者的定義和期間不同。
方法出處：合成控制法由 Abadie、Diamond、Hainmueller 於 2010 年發表，是經濟學和政策評估常用的方法；Google、Meta 的地區實驗工具也採用同類做法。 看完整文獻
需要分地區的每週資料。註冊後有「分區實驗型」示範可以先看。
免費註冊，看分區實驗示範 → 測試地區實際 對照組 測試期間
先說清楚：Proofseal 做不到的事
資料太少，就不硬給答案
資料不到一年時，結果的不確定性很高。這時判定多半會是「還需要更多證據」，不會給你一個好看但靠不住的數字。
模型取代不了實驗
模型是從過去花費的起伏去推估效果。實驗是實際改變投放再比較，能提供另一種、通常更直接的證據。判定會指出什麼時候實驗最能補強證據，Proofseal 也能幫你挑測試地區、分析實驗結果。
判定不替你做決定
預算怎麼分，還要看你的目標、庫存和檔期。Proofseal 回答的是：手上的證據支持到哪裡。
方法還在改進
現在是研究預覽階段，檢查方法和門檻會持續調整。每次調整都會標上版本，舊的判定也會保留。
Origin
一個從論文開始的問題
Proofseal 最初，是我在 Minerva University 決策分析碩士（MDA）論文研究裡開始建立的原型。從證據為本的決策、統計建模、形式化推理，到 CloudAD 每天面對的行銷量測，以及 plantārium 真實營運裡的複雜決策，我反覆碰到同一個問題：一個量測結果被算出來之後，它的證據究竟支持到哪裡？Proofseal 就從這個問題開始。
閱讀 Proofseal 的源起 →
常見問題
Proofseal 是什麼？+
給行銷團隊用的成效驗證工具。上傳各渠道每週的廣告花費和業績，Proofseal 會檢查成效數字背後的資料和方法，說明目前的證據支持到哪裡，並寫出理由與限制。
需要準備什麼資料？+
各渠道每週的廣告花費，以及每週的業績、訂單或轉換。可以上傳 CSV、匯入各廣告平台的報表，或連接 GA4、Google Sheets、BigQuery。資料有一年以上最理想。
和廣告平台的報表、GA4 有什麼不同？+
平台報表和 GA4 告訴你數字是多少。Proofseal 檢查這個數字背後的證據撐得住什麼：資料夠不夠、模型在條件相近的模擬資料上準不準，以及花費是不是總跟著需求起伏（這會讓模型把需求帶來的業績算成廣告的功勞）。
判定有哪幾種？+
目前有支持、有條件支持、目前未獲支持、還需要更多證據。每個判定都附上理由、限制和下一步。資料更新後可以重新判定，舊的判定會保留，前後可以對照。
可以自己做實驗驗證嗎？+
可以。在部分地區停投或加碼，Proofseal 先幫你挑適合測試的地區，實驗結束後用合成控制法估計這些地區、這段期間的效果，並給出判定。分析用的是合成控制法，由 Abadie 等學者於 2010 年發表；Google、Meta 的地區實驗工具也採用同類做法。
要多少錢？+
研究預覽期間免費，至少到 2026 年 12 月 31 日，不需要信用卡。開始收費前，會提前 30 天通知現有使用者。
我的資料安全嗎？+
資料存放在 Google Cloud 台灣機房，傳輸和儲存都加密。我們不出售資料、不用你的資料訓練 AI，網站上也沒有第三方追蹤。
先用自己的資料試一次
研究預覽期間免費，不需要信用卡。註冊後也有一個示範專案，可以先看一份完整的判定。