Multi-Touch Attribution Modeling for Digital Advertising

1. 解决的问题

用户从第一次看到广告到最终下单，平均接触5-7个触点（Facebook视频、Google搜索、TikTok短视频、再营销广告、邮件）。

2. 核心算法逻辑

核心问题：用户从第一次看到广告到最终下单，平均接触57个触点（Facebook视频、Google搜索、TikTok短视频、再营销广告、邮件）。哪个触点真正促成了转化？最后点击（LastClick）模型把功劳全给最后一个触点，严重低估了上层漏斗的价值。

3. 业务应用场景

业务问题：Momcozy 月广告预算50万，分配为Facebook 30万、Google 15万、TikTok 5万。但Last-Click归因显示Google贡献60%转化，Facebook只有25%。团队想砍掉Facebook预算加到Google——这是Last-Click的陷阱。

数据驱动归因分析： 1. 收集用户旅程数据：每个转化的完整触点序列 2. Shapley值计算： - Facebook：边际贡献 38% - Google：边际贡献 32% - TikTok：边际贡献 18% - Email：边际贡献 12% 3. 与Last-Click对比： - Facebook：Last-Click 25% → Shapley 38%（被低估！） - Google：Last-Click 60% → Shapley 32%（被高估！）

决策变化： - 原方案：Facebook 30万 → Google 45万 - 修正后：Facebook 35万、Google 25万、TikTok 15万、Email 5万 - 预期效果：整体ROAS从2.5提升到3.2

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI：预算重新分配后ROAS提升20-40%，年节省浪费预算10万+
• 难度：⭐⭐⭐☆☆（3/5）— Shapley计算复杂，但规则模型简单
• 优先级：⭐⭐⭐⭐⭐（5/5）— 广告预算分配的前提，没有归因就没有优化

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Ad Attribution Modeling — 广告归因模型
支持：规则归因、Shapley值、马尔可夫链、移除效应
"""

import numpy as np
import pandas as pd
from itertools import combinations
from collections import defaultdict, Counter


class AttributionModel:
    """广告归因模型"""

    def __init__(self, journeys, conversions):
        """
        Args:
            journeys: list of lists, each inner list is touchpoint sequence
            conversions: list of 0/1, whether each journey converted
        """
        self.journeys = journeys
        self.conversions = conversions
        self.channels = sorted(set(c for j in journeys for c in j))

    def last_click(self):
        """Last-Click归因"""
        attribution = Counter()
        for journey, conv in zip(self.journeys, self.conversions):
            if conv and journey:
                attribution[journey[-1]] += 1
        return dict(attribution)

    def first_click(self):
        """First-Click归因"""
        attribution = Counter()
        for journey, conv in zip(self.journeys, self.conversions):
            if conv and journey:
                attribution[journey[0]] += 1
        return dict(attribution)

    def linear(self):
        """Linear归因"""
        attribution = Counter()
        for journey, conv in zip(self.journeys, self.conversions):
            if conv and journey:
                for ch in journey:
                    attribution[ch] += 1 / len(journey)
        return dict(attribution)

    def position_based(self, first_weight=0.4, last_weight=0.4):
        """Position-Based归因"""
        attribution = Counter()
        for journey, conv in zip(self.journeys, self.conversions):
            if not conv or not journey:
                continue
            n = len(journey)
            if n == 1:
                attribution[journey[0]] += 1
            elif n == 2:
                attribution[journey[0]] += first_weight

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。