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
第一章 归因不是增量:末次点击、潜在结果与随机持出
两个不同的问题
营销报表里的「归因」常常同时回答两个不同的问题。第一个是记账问题:一笔已经发生的转化,在它路径上出现过的几个渠道之间怎样分配功劳?第二个是因果问题:如果下个月不在某个渠道花钱,会少多少转化?前者只要有一条规则就能得到答案,后者需要比较两个世界——花钱的世界与不花钱的世界——而我们永远只能看到其中一个。
统计学用潜在结果来写第二个问题 (Holland 1986)。对用户 ,记 为他看到某渠道广告时是否转化, 为看不到时是否转化。这个渠道对他的因果效应是 ,对整个人群的增量是 。霍兰德称之为因果推断的基本问题:同一个人只能处在一种状态下, 与 永远只观测到一个。随机化之所以重要,是因为在随机分配之下,处理组与对照组在所有其他方面的分布相同,两组平均结果之差就是平均因果效应的无偏估计。
规则归因(末次点击、首次点击、线性、时间衰减、位置加权)回答的是第一个问题。它们没有错,因为记账规则本身无所谓对错;错在把记账的结果当成第二个问题的答案,用它来分配预算。
一个已知真相的虚构世界
要比较各种归因方法离真相有多远,需要一个知道真相的世界。真实数据中不存在这样的世界,所以下面用一个虚构的世界,它是作者的模型,参数是示意值。
20 万个虚构用户中,20% 有较高的购买意向。四个渠道:搜索、社交、展示与邮件。搜索与邮件的曝光高度依赖意向(想买的人才会搜品牌词、才会在会员名单里),社交只有轻度定向,展示完全不定向。每个用户的转化概率等于一个由意向决定的基础概率(高意向 8%、低意向 0.5%),加上他看到的每个渠道各自的因果提升(搜索 1.0、社交 3.0、展示 0.8、邮件 1.2 个百分点)。因为提升是相加的,每个渠道的真实增量有唯一的定义,可以从模型直接算出:曝光人数乘以提升。
推导
# A FICTIONAL world of customer journeys whose true incrementality is known.
# 20 % of users have high purchase intent. Four channels: Search (S), Social (F),
# Display (D), Email (E). Exposure to S and E depends strongly on intent (selection);
# D is untargeted. Conversion probability = base(intent) + sum of the causal lifts
# of the channels seen (additive, so each channel's incremental effect is unique).
# Touch times: D and F early, S late, E anywhere; a conversion follows the last touch.
# Rule-based attribution (last, first, linear click) is compared with the truth.
import random
CH = "SFDE"
P_HIGH = 0.20
EXPO = {"S": (0.60, 0.10), "F": (0.35, 0.30), "D": (0.50, 0.50), "E": (0.60, 0.15)}
BASE = (0.08, 0.005) # (high intent, low intent)
LIFT = {"S": 0.010, "F": 0.030, "D": 0.008, "E": 0.012}
WHEN = {"S": (0.6, 1.0), "F": (0.0, 0.7), "D": (0.0, 0.5), "E": (0.2, 1.0)}
def user(rng, sel=1.0):
"""One journey: (intent, channels in time order, converted)."""
hi = rng.random() < P_HIGH
touches = []
for c in CH:
p_hi, p_lo = EXPO[c]
p = p_lo + sel * (p_hi - p_lo) if hi else p_lo # sel = 0: no selection
if rng.random() < p:
touches.append((rng.uniform(*WHEN[c]), c))
path = [c for _, c in sorted(touches)]
p_conv = BASE[0 if hi else 1] + sum(LIFT[c] for c in path)
return hi, path, rng.random() < p_conv
def truth(n, sel=1.0):
"""Expected incremental conversions per channel (exact, from the model)."""
out = {}
for c in CH:
p_hi, p_lo = EXPO[c]
expo = P_HIGH * (p_lo + sel * (p_hi - p_lo)) + (1 - P_HIGH) * p_lo
out[c] = n * expo * LIFT[c]
return out
def shares(d):
tot = sum(d.values())
return {c: d[c] / tot for c in CH}
def rules(data):
last, first, linear = ({c: 0.0 for c in CH} for _ in range(3))
for _, path, conv in data:
if conv and path:
last[path[-1]] += 1; first[path[0]] += 1
for c in path:
linear[c] += 1 / len(path)
return last, first, linear
if __name__ == "__main__":
n = 200_000
rng = random.Random(2026)
data = [user(rng) for _ in range(n)]
conv = sum(d[2] for d in data)
untouched = sum(d[2] for d in data if not d[1])
tr = truth(n)
base = n * (P_HIGH * BASE[0] + (1 - P_HIGH) * BASE[1])
print(f"{n:,} fictional users: {conv:,} conversions ({untouched:,} with no touch)")
print(f"expected: {base:,.0f} would happen without any ad,"
f" {sum(tr.values()):,.0f} are incremental")
last, first, linear = rules(data)
print("share of credit truth last click first click linear")
T, L, F, Li = shares(tr), shares(last), shares(first), shares(linear)
names = {"S": "Search", "F": "Social", "D": "Display", "E": "Email"}
for c in CH:
print(f" {names[c]:8s} {T[c]:6.1%} {L[c]:6.1%} {F[c]:6.1%}"
f" {Li[c]:6.1%}")
for lab, s in (("last click", L), ("first click", F), ("linear", Li)):
mae = sum(abs(s[c] - T[c]) for c in CH) / len(CH)
print(f" mean absolute error of {lab:11s} {mae:6.1%}")
credited = sum(last.values())
print(f"last click credits {credited:,.0f} conversions to ads;"
f" the ads caused about {sum(tr.values()):,.0f}")
# 200,000 fictional users: 7,676 conversions (377 with no touch)
# expected: 4,000 would happen without any ad, 3,636 are incremental
# share of credit truth last click first click linear
# Search 11.0% 38.5% 6.4% 20.3%
# Social 51.2% 21.0% 31.2% 27.4%
# Display 22.0% 16.1% 46.7% 30.4%
# Email 15.8% 24.5% 15.7% 22.0%
# mean absolute error of last click 18.1%
# mean absolute error of first click 12.3%
# mean absolute error of linear 11.9%
# last click credits 7,299 conversions to ads; the ads caused about 3,636这个世界里共有 7,676 次转化,其中约 4,000 次即使没有任何广告也会发生(高意向者本来就会买),广告真正造成的只有约 3,636 次。末次点击把 7,299 次转化记在了广告名下,是真实增量的两倍。更重要的是份额:社交的真实增量份额是 51.2%,末次点击只给它 21.0%;搜索的真实份额是 11.0%,末次点击给了 38.5%。原因有两个,而且彼此独立:第一,搜索通常出现在路径末端(用户决定买了才去搜),所以末次规则天然偏向它;第二,搜索与邮件主要触达本来就要买的人,它们在路径上「出现」的频率远高于它们「造成」转化的频率。首次点击与线性规则也好不到哪里去,平均绝对误差分别为 12.3 与 11.9 个百分点(末次点击 18.1)。
注
这个例子说明的是机制,不是比例。 真实世界中各渠道的定向程度、出现在路径上的位置与因果提升都未知,末次点击可能高估也可能低估某个渠道。程序只说明:只要曝光与购买意向相关,任何只看路径的规则都会把「意向」的功劳记到广告头上。
选择偏差的代数
把上面的直觉写成式子。设渠道 的曝光为 ,观测到的「曝光者转化率减去未曝光者转化率」可以分解为
第二项是「即使不投放,被投放的人也比没被投放的人更可能购买」的程度。定向越精准,这一项越大。广告平台的定向系统恰恰以找到「最可能转化的人」为目标,所以选择偏差在数字广告中是常态而不是例外。规则归因、以及第二章的沙普利值与马尔可夫方法,都只用到 这一类条件期望,第二项无法从中消去。
证据:随机实验与观测方法的差距
证据
广告效果的测量为什么难。 刘易斯(Lewis)与拉奥(Rao)分析了与美国大型零售商和券商合作的 25 项大规模广告随机实验,总广告支出约 280 万美元,多数实验的独立用户超过 100 万人 (Lewis and Rao 2015)。他们发现个人层面的销售额相对于人均广告成本波动极大(变异系数约为 10 很常见),投资回报率的置信区间宽度的中位数超过 100 个百分点;要得到有信息量的结论,有时需要上千万人周的样本。这意味着即使做了随机实验,单个广告活动的回报也往往测不准;不做实验,仅凭观测数据就更难区分广告的作用与购买意向的作用。
证据
观测方法与大规模实验的对照。 戈登(Gordon)、泽特尔迈尔(Zettelmeyer)、巴尔加瓦(Bhargava)与查普斯基(Chapsky)利用脸书上的 15 项美国广告随机实验(约 5 亿个用户—实验观测、16 亿次广告展示)作为基准,检验了精确匹配、分层、倾向得分匹配、回归调整、逆概率加权回归调整等常用观测方法能否重现实验结果 (Gordon et al. 2019)。观测方法常常不能,即使控制了大量人口统计与行为变量;总体上它们多数高估广告效果,但也有低估的情形;在一半的研究中,购买结果的百分比提升估计在所有方法下都偏差了三倍左右。加入更丰富的协变量通常使估计更接近实验,但结果在不同研究之间并不一致。
证据
品牌词搜索广告。 布莱克(Blake)、诺斯科(Nosko)与塔德利斯(Tadelis)在电商平台 eBay 上做了大规模的付费搜索实地实验 (Blake et al. 2015)。在品牌关键词上,停止购买广告后流量几乎全部转到自然搜索结果,广告没有可测量的短期效益;在非品牌关键词上,新用户和不常购买的用户受到正面影响,而占广告支出大部分的常客几乎不受影响。他们估计付费搜索的回报只是传统非实验估计的一小部分,非品牌词的平均回报为负。这正是上面「搜索出现在路径末端、触达本来要买的人」的现实版本。
怎样测增量:持出与幽灵广告
测增量最直接的办法是随机持出(holdout):随机抽一部分用户,不让他们看到某个渠道的广告,比较这一组与其余用户的转化率。它的困难有三个。第一,噪声大,如刘易斯与拉奥所示,需要很大的样本。第二,如果对照组看到的是「公益广告」之类的替代广告,平台的投放算法可能把替代广告投给与真实广告不同的人,两组就不再可比。第三,真实广告只投给了处理组中的一部分人(平台按竞价与定向决定),只比较「处理组中实际曝光者」与「整个对照组」又会重新引入选择偏差;而比较整个处理组与整个对照组(意向处理分析)虽然无偏,但被大量从未曝光的人稀释,噪声更大。
约翰逊(Johnson)、刘易斯与努贝迈尔(Nubbemeyer)提出的幽灵广告(ghost ads)解决了后两个问题 (Johnson et al. 2017):在对照组中,广告系统照常运行竞价与定向逻辑,记录下「如果这个用户在处理组,此时会给他展示广告」的时刻,但实际展示别的内容。这样,处理组中的实际曝光者可以与对照组中的「幽灵曝光者」比较,两组由同一个投放逻辑选出,又都排除了从未会被触达的人,既无偏又更精确,也不需要为替代广告付费。
本章小结
归因规则回答记账问题,增量回答因果问题。曝光与购买意向无关是二者一致的必要条件,但对末次点击并不充分:在同一个虚构世界的不定向版本中,末次点击仍因路径位置而有偏。在一个已知真相的虚构世界中,末次点击把真实增量的两倍记到广告名下,并把功劳从早期、不定向的渠道转给末端、强定向的渠道。观测方法与大规模随机实验的对照研究表明,即使控制了丰富的协变量,观测估计也常常偏差数倍;品牌词搜索的实验显示,末端渠道的回报可能接近于零。因果的基准是随机持出与幽灵广告实验,代价是需要很大的样本。
假说 · 尚未验证 · 末端渠道的系统性高估
作者的假说(尚未确立): 在使用末次点击归因、同时对搜索与邮件做强定向的电商广告主中,末次点击给予品牌搜索与邮件的份额,系统性地高于随机持出实验估计的增量份额。什么样的结果能证明它是错的: 在事先登记的一组广告主(例如至少 20 家,由独立研究者招募)中,末次点击份额减去持出实验增量份额之差的合并估计,其 95% 置信区间包含零或完全落在零以下。
参考文献
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).