CDA（Causal-Driven Attribution）— 无用户级数据的因果驱动归因

1. 解决的问题

核心思想：仅用聚合级别的每日广告曝光量与总订单数，无需任何 User ID 或 Cookie 追踪数据，通过时序因果图谱量化各渠道对转化的真实贡献比例。

2. 核心算法逻辑

核心思想：仅用聚合级别的每日广告曝光量与总订单数，无需任何 User ID 或 Cookie 追踪数据，通过时序因果图谱量化各渠道对转化的真实贡献比例。

3. 业务应用场景

业务问题：出海独立站在欧美市场同时投放 Facebook 视频广告（漏斗上层）和 Google 搜索广告（漏斗下层）。由于苹果 iOS ATT 政策，用户从 Facebook 看到广告到 Google 搜索购买的路径追踪中断，运营团队只能看到 Last-Click 数据显示 Google ROI 极高、Facebook ROI 极差，存在砍掉 Facebook 预算的风险。

数据要求： - 过去 180 天以上的每日大盘数据（无需用户维度） - 字段：`日期 | FB每日曝光量 | TikTok每日播放量 | Google每日点击量 | Shopify每日总订单` - 数据源：FB Ads Manager 导出 + Google Ads 报告 + Shopify 后台

预期产出： - 因果图谱：`FB曝光(t-2) → Google搜索(t) → 订单(t)`，量化滞后天数和相关强度 - 渠道归因权重：Facebook 实际贡献 ~18%，Last-Click 0%，Google 真实贡献 ~72%（非 100%） - 预算调整建议：在维持 Google 预算的前提下，按 CDA 权重重新分配 Facebook/TikTok 预算

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

未自动抽取；请查看原始 Skill 卡片。

7. 代码模板

代码块数量：1 · 路径：未检测到

from model import simulate_ad_data, CDAAttributionPipeline

# 1. 准备数据（或加载真实数据）
df = simulate_ad_data(n_days=180, seed=42)
# df = pd.read_csv("daily_ad_data.csv")  # 真实数据替换

# 2. 拟合 CDA 归因管道
pipeline = CDAAttributionPipeline(
    channels=['facebook', 'tiktok', 'google'],
    target='orders',
    max_lag=5,
    alpha=0.05,
)
pipeline.fit(df)

# 3. 查看因果图谱
causal_df = pipeline.causal_summary()
print(causal_df)
# 输出示例:
#   source   target  lag_days  correlation
#   google   orders         0       0.9831
# facebook   orders         3       0.4351
# facebook   google         2       0.2100  ← FB助攻效应

# 4. 归因权重报告
report = pipeline.attribution_report()
print(report)
# channel  attribution_weight  attribution_pct
#  google              0.7159           71.6%
# facebook             0.1803           18.0%   ← Last-Click: 0%!
#  tiktok              0.1038           10.4%

# 5. 预算调整建议
current_budget = {'facebook': 3000, 'tiktok': 2000, 'google': 10000}
rec = pipeline.budget_recommendation(current_budget, total_budget=15000)
print(rec)

8. 论文来源

• 2512.21211