5D Library › 算法营销、多触点沙普利归因与获客漏斗的随机控制 · English

序:归因、实验与客户的价值

注

用途与风险提示,请先读这一段。 本书是教学与研究用的数学模型,不是营销、投资、财务或法律建议。书中所有的用户、路径、转化、广告花费、客户与交易数据都是虚构或程序模拟的,不是任何真实广告主、平台、品牌或客户的数据;作者企业及其客户的数据一概未用。书中引用的已发表研究只说明那些研究在其条件下发现了什么,不能直接推及读者自己的业务。本书不推荐任何广告平台、归因软件或投放服务,也不提供任何「保证」「必胜」「提升 X% 转化」或「证明最优」的方法。书中的模型只在写明的假设下成立;真实的用户行为、平台算法与竞争环境随时可能违反这些假设。广告投放会花钱,任何按本书模型做出的预算决定都可能亏损。

一位用户先在社交媒体上看到一条短视频,几天后点开一封促销邮件,最后在搜索引擎里输入品牌名、点击广告下单。这笔成交该记在谁的头上?营销团队通常有一张报表回答这个问题,报表上的数字决定下个季度的预算。同一个团队还在同时跑十几个 A/B 测试,每天早上看一眼哪个版本「显著」了;财务部门则用「第一年留存率 63%」乘上去,估算一个客户一辈子值多少钱。这本书问的是:这些做法里,哪些有数学与证据的支撑,哪些需要限定,哪些是错的?

回答需要四层工具。第一层是因果:一个渠道「贡献」了多少,到底是指它出现在转化路径上,还是指没有它就不会有这笔转化?第二层是实验:怎样在数据不断累积的时候看结果而不自欺,赌博机这类边做边学的算法又牺牲了什么。第三层是客户群体的随机模型:在看不到客户何时「离开」的情形下,怎样从购买记录推断谁还活跃、未来还会买多少,以及为什么一群人的留存率会随时间「上升」。第四层是动态控制:新产品扩散的速度与广告预算的分配之间是什么关系,静态的最优规则能否直接推到整个生命周期。

本书的内容

第一章讨论规则归因(末次点击、首次点击、线性)与增量的区别,以及随机持出实验与幽灵广告的证据;第二章讨论沙普利值归因与吸收马尔可夫链的移除效应,二者对特征函数的依赖、在协同渠道上的分歧,以及它们为什么在观测数据上仍然不是因果增量;第三章讨论可选停止使第一类错误膨胀的精确计算、群序贯设计与始终有效推断;第四章讨论汤普森采样多臂赌博机与 A/B 测试的不同目标,以及自适应分配下估计的偏差;第五章讨论 BG/NBD 与 Gamma-Gamma 模型、高斯超几何函数的计算,以及异质性造成的「留存率上升」与辛普森悖论的区别;第六章讨论巴斯扩散模型、多夫曼—斯坦纳条件与作者的全周期买量模型;第七章与《孙子兵法》的《计篇》《势篇》并读;第八章给出四步核查表与一项预注册的模拟基准研究方案。

本书与 5D Library 的几本书相邻,重叠处只作简短回顾并注明出处,不重复其程序:第 6 本《注意力的经济学》把转化漏斗写成吸收马尔可夫链并计算了每一环的弹性(第二章只借用吸收链的计算,讨论的是归因而不是漏斗弹性);第 25 本《社会网络拓扑、结构洞与复杂传染的数学模型》讨论过简单与复杂传染(第六章的巴斯模型是其最简单的均匀混合版本);第 26 本《概率判断、布莱尔分数校准与群体智慧的统计理论》讨论过概率判断与校准;第 33 本《科学方法论、可证伪性与可重复性危机的数理统计》讨论过可选停止、西蒙斯等人的研究者自由度模拟、预注册与判定规则的统计性质(第三章只给出可选停止的精确曲线,第八章沿用其判定规则体例);第 42 本《未知地形中的贝叶斯搜索、秘书问题与吉廷斯指数》讨论过探索—利用权衡、吉廷斯指数、汤普森抽样与 UCB(第四章只回顾,重点放在营销实验中的估计偏差)。第 16 本与第 26 本分别与《孙子兵法》的虚实、谋攻、九变诸篇和《计篇》的「庙算」并读过,第七章只读《计篇》的「势者」一句与《势篇》。

核对后修正的说法

作者给出的框架中,有以下几处经核对需要修正、补充或限定。各章遇到时如实说明,并汇总在随书的《编辑说明》中。

  1. 「沙普利值与马尔可夫移除效应是精确的多触点归因」。 末次点击的确有偏,但沙普利值与移除效应在观测数据上同样不是因果增量:它们分配的是「出现在转化路径上」这种相关性。当广告定向投放给本来就更可能购买的人时,观测数据上的沙普利值继承了这种选择偏差。程序在一个已知真实增量的虚构世界中显示,有定向时观测沙普利值的份额误差为 13.1 个百分点、马尔可夫移除效应为 13.7 个百分点,与末次点击的 18.1 个百分点同一量级;只有在投放与购买意向无关时,沙普利值的误差才降到 2.0 个百分点。沙普利值的「精确」只指它对给定的特征函数 v(S)v(S) 精确地满足效率、对称、零贡献与可加四条公理 (Shapley 1953);v(S)v(S) 怎样从观测路径估计,决定了结果的含义 (Dalessandro et al. 2012; Singal et al. 2022)。因果的基准是随机化的增量实验 (Lewis and Rao 2015; Gordon et al. 2019; Johnson et al. 2017)(第一、二章)。
  2. 「A/B 测试反复偷看 p 值,假阳性飙升至 25% 以上」。 方向正确,数字需要限定。在名义双侧 α=0.05\alpha = 0.05、等间隔查看、每次用 1.96 作临界值的条件下,程序用数值积分精确计算得到:看 2 次为 8.3%,5 次为 14.2%,10 次为 19.3%,20 次为 24.8%,100 次为 37.4%,看的次数无限增加时趋于 1 (Armitage et al. 1969)。所以「25% 以上」只在大约 20 次以上的查看时成立;同时,查看本身不是错误,事先不规定停止规则才是。群序贯设计与始终有效推断允许中途查看而控制错误率 (Pocock 1977; O’Brien and Fleming 1979; Johari et al. 2022)(第三章)。
  3. 「辛普森悖论使整体留存率曲线看似上升」。 一群客户的逐期留存率随时间上升,通常是异质性造成的分选效应:流失倾向高的人先走,留下的人平均流失倾向更低,而没有任何一个人的流失概率在变化 (Fader and Hardie 2007; Vaupel and Yashin 1985)。它与辛普森悖论有关联(都来自组成的变化),但不是同一件事:辛普森悖论指的是在每一个子群中关系同向、合并后方向反转 (Simpson 1951)。程序用 sBG 模型精确重现了 Fader 与 Hardie 的参数(α=0.704\alpha = 0.704、β=1.182\beta = 1.182),并另造一个真正的辛普森悖论例子:两个获客渠道的留存率都下降 5 个百分点,合并后的留存率却从 28.0% 升到 45.0%(第五章)。
  4. BG/NBD 与 Gamma-Gamma 的出处与计算。 BG/NBD 出自 Fader、Hardie 与 Lee 2005 年发表于《营销科学》的论文 (Fader et al. 2005a);Gamma-Gamma 客单价模型出自同年三人发表于《营销研究杂志》的另一篇论文 (Fader et al. 2005b),其思想可追溯到 Colombo 与 Jiang 1999 年 (Colombo and Jiang 1999)。作者框架把二者写作同一篇文献,已分开。E[X(t)]E[X(t)] 闭式中的 2F1(r,b;a+b−1;z)_2F_1(r, b; a+b-1; z),z=t/(α+t)z = t/(\alpha+t) 随 tt 增大趋于 1,幂级数收敛很慢(t=5,200t = 5{,}200 周时需要 21,479 项);而欧拉积分在 r<1r < 1 时被积函数在端点发散,不能直接用梯形或辛普森法则。程序先用普法夫变换把 zz 变到负半轴,再做变量代换,两种算法的相对差小于百万分之一。Gamma-Gamma 假定客单价与购买频率独立,这条假设写进边界(第五章)。
  5. 汤普森采样「优化转化」。 多臂赌博机为减少累积后悔而设计,不为准确估计各版本的效果而设计。程序显示,在两个版本完全相同的情况下,按汤普森规则分配后样本转化率的平均值偏低 0.33 个百分点,名义 95% 置信区间对零的覆盖率只有 82.5%;用已知分配概率做逆倾向加权可以消除偏差 (Nie et al. 2018; Hadad et al. 2021)。赌博机与 A/B 测试回答的是不同的问题(第四章)。
  6. 「结合巴斯扩散方程与多夫曼—斯坦纳定理求全周期最优买量」。 巴斯方程 dF/dt=(p+qF)(1−F)dF/dt = (p + qF)(1 – F) 照写 (Bass 1969)。多夫曼—斯坦纳条件「最优广告/销售额之比等于广告弹性除以价格弹性」核对无误 (Dorfman and Steiner 1954),但它是静态的利润最大化条件,不包含扩散的动态,不能直接给出「全周期」的分配;动态问题需要像 Nerlove 与 Arrow、Horsky 与 Simon 那样把广告写进状态方程 (Nerlove and Arrow 1962; Horsky and Simon 1983)。本书的全周期模型是作者的模型:在凹的广告响应下,最优支出前重后轻,第 10 个月降到 1 千以下、第 12 个月为零,比同预算的平均投放多获利 8.3%;在一条 S 形响应曲线上,月均预算较低(不超过 30 千)时隔月脉冲优于平均投放,32.5 千以上时平均投放更好,分界在 30–32.5 千之间,既不是响应曲线的拐点(约 23.1 千),也不完全等于静态比较的分界 k/2k/\sqrt2(约 28.3 千)(第六章)。
  7. 《孙子兵法·势篇》引文与异文。 「激水之疾,至于漂石者,势也;鸷鸟之疾,至于毁折者,节也」与网络通行录文一致;作者框架作「故善战者,其势险,其节短」,所查各通行录文均作「是故善战者」,据补「是」字 (曹操 等 注,杨丙安 校理 1999)。这些引文都只与网络录文对照过,有待对照杨丙安校理本纸本确认。作者框架注「疾一作击」:殆知阁所收《孙子》(四库本)与《孙子集注》的录文均作「疾」,中国哲学书电子化计划的录文作「擊」;据翟林奈 1910 年译注,宋代类书《太平御览》所引作「击」 (Giles 1910)。本书正文依十一家注本作「疾」,并请对照杨丙安校理本的校记。网络录文有作「扩弩」「张弩」者,前者是「彍」的误简;本书作「彍弩」。古今对照一律标为类比(第七章)。
  8. 第八章的试验。 本书选模拟基准而不选真实广告主的持出实验,理由见第八章;唯一主要结局为「末次点击与观测沙普利值对真实增量份额的平均绝对误差之差」。这项研究只检验方法在一个已知真相的模拟世界中的表现,不检验任何真实广告的效果(第八章)。

如何阅读标注框

与 5D Library 的其他书一样,不同类型的陈述分开标注。

证据

证据框报告已发表的研究结果,并注明出处。

推导

推导框给出简短的 Python 程序。每段程序都可以在标准 Python 3 环境中原样运行,只用标准库,固定了随机种子,程序下方附有实际运行结果。书中的用户、路径、转化、花费与客户都是虚构或程序合成的,参数是示意值,不是对任何真实广告、平台或市场的估计。

假说 · 尚未验证

假说框是作者的想法,标明「尚未确立」,并写明什么样的结果能证明它是错的。作者自己的模型与定义在正文中标明「作者的模型」。

原典

原典框引用古代文献,并附白话解释。

注

注框给出提醒并解释取舍。

本版说明

这是 1.0.0 版,第一个完整版:序与八章,中英双语。书中共有 16 段 Python 程序与 5 张矢量图。正文、标注框与代码由 AI 写作工具依据作者提供的书名、框架与要点起草,作者负责审阅、修改并核对出处。AI 起草的文字可能在文献细节上出错,欢迎通过 5D Library 网站指正。第一章的虚构用户世界、第二章的协同世界、第六章的全周期买量模型、第七章的商誉存量模型与第八章的试点生成器是作者的模型,它们的数学性质不是对真实广告效果的预测证据。

利益披露

作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,因此与本书主题有商业利益关系。本书不推销任何课程、牌卡或服务;第八章的试验设计为由独立于作者企业的研究人员实施和分析,不从作者的社群、学员或客户中招募;书中所有代码与研究方案均公开,供任何人检验。作者创办并经营 Asia Influencer X 与 Yafu Global,从事网红营销、直播电商与数字营销(包括广告投放、效果归因与获客),工作中直接使用本书讨论的归因与实验方法,因此与本书主题有直接商业利益;本书不使用这两家公司或其客户的数据作为证据,也不推销其服务。

参考文献

Armitage, P., C. K. McPherson, and B. C. Rowe. 1969. “Repeated Significance Tests on Accumulating Data.” Journal of the Royal Statistical Society, Series A 132 (2): 235–44.
Bass, Frank M. 1969. “A New Product Growth for Model Consumer Durables.” Management Science 15 (5): 215–27. https://doi.org/10.1287/mnsc.15.5.215.
Colombo, Richard, and Weina Jiang. 1999. “A Stochastic RFM Model.” Journal of Interactive Marketing 13 (3): 2–12.
Dalessandro, Brian, Claudia Perlich, Ori Stitelman, and Foster Provost. 2012. “Causally Motivated Attribution for Online Advertising.” Proceedings of the Sixth International Workshop on Data Mining for Online Advertising and Internet Economy (ADKDD ’12). https://doi.org/10.1145/2351356.2351363.
Dorfman, Robert, and Peter O. Steiner. 1954. “Optimal Advertising and Optimal Quality.” American Economic Review 44 (5): 826–36.
Fader, Peter S., and Bruce G. S. Hardie. 2007. “How to Project Customer Retention.” Journal of Interactive Marketing 21 (1): 76–90.
Fader, Peter S., Bruce G. S. Hardie, and Ka Lok Lee. 2005a. “‘Counting Your Customers’ the Easy Way: An Alternative to the Pareto/NBD Model.” Marketing Science 24 (2): 275–84. https://doi.org/10.1287/mksc.1040.0098.
Fader, Peter S., Bruce G. S. Hardie, and Ka Lok Lee. 2005b. “RFM and CLV: Using Iso-Value Curves for Customer Base Analysis.” Journal of Marketing Research 42 (4): 415–30.
Giles, Lionel. 1910. Sun Tzŭ on the Art of War: The Oldest Military Treatise in the World. Luzac; Co.
Gordon, Brett R., Florian Zettelmeyer, Neha Bhargava, and Dan Chapsky. 2019. “A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook.” Marketing Science 38 (2): 193–225. https://doi.org/10.1287/mksc.2018.1135.
Hadad, Vitor, David A. Hirshberg, Ruohan Zhan, Stefan Wager, and Susan Athey. 2021. “Confidence Intervals for Policy Evaluation in Adaptive Experiments.” Proceedings of the National Academy of Sciences 118 (15).
Horsky, Dan, and Leonard S. Simon. 1983. “Advertising and the Diffusion of New Products.” Marketing Science 2 (1): 1–17. https://doi.org/10.1287/mksc.2.1.1.
Johari, Ramesh, Pete Koomen, Leonid Pekelis, and David Walsh. 2022. “Always Valid Inference: Continuous Monitoring of A/B Tests.” Operations Research 70 (3): 1806–21. https://doi.org/10.1287/opre.2021.2135.
Johnson, Garrett A., Randall A. Lewis, and Elmar I. Nubbemeyer. 2017. “Ghost Ads: Improving the Economics of Measuring Online Ad Effectiveness.” Journal of Marketing Research 54 (6): 867–84.
Lewis, Randall A., and Justin M. Rao. 2015. “The Unfavorable Economics of Measuring the Returns to Advertising.” Quarterly Journal of Economics 130 (4): 1941–73. https://doi.org/10.1093/qje/qjv023.
Nerlove, Marc, and Kenneth J. Arrow. 1962. “Optimal Advertising Policy under Dynamic Conditions.” Economica 29 (114): 129–42.
Nie, Xinkun, Xiaoying Tian, Jonathan Taylor, and James Zou. 2018. “Why Adaptively Collected Data Have Negative Bias and How to Correct for It.” Proceedings of the 21st International Conference on Artificial Intelligence and Statistics (AISTATS 2018), Proceedings of machine learning research 84, 1261–69.
O’Brien, Peter C., and Thomas R. Fleming. 1979. “A Multiple Testing Procedure for Clinical Trials.” Biometrics 35 (3): 549–56.
Pocock, Stuart J. 1977. “Group Sequential Methods in the Design and Analysis of Clinical Trials.” Biometrika 64 (2): 191–99.
Shapley, Lloyd S. 1953. “A Value for n-Person Games.” In Contributions to the Theory of Games, Volume II, edited by Harold W. Kuhn and Albert W. Tucker. Annals of Mathematics Studies 28. Princeton University Press.
Simpson, E. H. 1951. “The Interpretation of Interaction in Contingency Tables.” Journal of the Royal Statistical Society, Series B 13 (2): 238–41.
Singal, Raghav, Omar Besbes, Antoine Desir, Vineet Goyal, and Garud Iyengar. 2022. “Shapley Meets Uniform: An Axiomatic Framework for Attribution in Online Advertising.” Management Science 68 (10): 7457–79. https://doi.org/10.1287/mnsc.2021.4263.
Vaupel, James W., and Anatoli I. Yashin. 1985. “Heterogeneity’s Ruses: Some Surprising Effects of Selection on Population Dynamics.” American Statistician 39 (3): 176–85.
曹操 等 注,杨丙安 校理. 1999. 十一家注孙子校理. 《计篇》《势篇》. 新编诸子集成. 中华书局.

Fan, Y. (2026). Algorithmic Marketing, Multi-Touch Shapley Attribution and Stochastic Control of Acquisition Funnels: From Thompson Sampling Bandits and Absorbing Markov Chains to BG/NBD Customer Lifetime Value, Read Beside the Strategic Dispositions of the Sunzi [算法营销、多触点沙普利归因与获客漏斗的随机控制] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23836264 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).