ALM-MTA 前门因果多触点归因 - 剔除隐藏混淆的广告真实 ROI 剥离

1. 解决的问题

孕晚期用户购买周期 6-8 周，在"下定决心买推车"后主动搜索并点击所有重定向短信/DPA 广告

2. 核心算法逻辑

多触点归因的致命缺陷：广告数据中存在一个隐身幽灵——未观测混淆因子 U（用户内心的强烈购买意愿）。这个幽灵同时导致用户"疯狂点击各种重定向广告（触点 T）"并且"最终购买（转化 Y）"。传统模型把 U 的全部功劳都错误归到广告渠道头上，结果重定向广告（Retargeting）ROAS 虚高，真正创造需求的上漏斗渠道（TikTok/FB Awareness）被严重低估。

3. 业务应用场景

- 业务问题：孕晚期用户购买周期 6-8 周，在"下定决心买推车"后主动搜索并点击所有重定向短信/DPA 广告。Last-Click 把 500 美金订单 100% 归给"最后那条打折短信"，导致短信渠道 ROAS=8x，TikTok Awareness ROAS=1.2x。预算持续向短信倾斜，拉新渠道萎缩 → 全局流量恶性循环。 - 数据要求：用户级触点序列（渠道名、时间戳）+ 购买标签 Y + 行为代理指标（每用户 PDP 平均停留时长或滑动深度合成指数） - ALM-MTA 操作： - 代理 M = `scroll_depth_score × 0.6 + dwell_time_norm

- 业务问题：新品吸奶器在 TikTok Creator 生态投放 KOL 内容（触点 A）+达人 Shop 链接（触点 B）+Amazon 品牌广告（触点 C）。用户在看到 KOL 内容时已有强购买意愿，导致 Amazon 广告被高估，KOL 内容被严重低估，创作者生态预算持续缩减。 - 数据要求：TikTok Creator API 视频观看深度（作为代理 M）+ 三渠道触点 + 购买转化 - 预期产出：KOC/KOL 内容的真实因果 ROAS，用于优化达人分佣和内容预算；Amazon 广告从"功劳抢夺者"还原为"收割层" - 业务价值：KOL 内容预算优化后 CPM 效率提升约 30%，

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 预估：
• 中型母婴品牌月广告预算 150-300 万元，重定向广告占比通常 30-40%
• 矫正后识别虚假 ROI 水分，预算从 Retargeting 向上漏斗重分配 20-30%
• 保守估计：新客增量 15-25%，年化新增 GMV 300-800 万元
• 实施成本：1 名数据工程师 + 2 周开发接入，一次性成本约 3 万元
• 回收周期：< 1 个月

7. 代码模板

代码块数量：2 · 路径：未检测到

"""ALM-MTA 前门因果多触点归因 — 核心用法示例"""
from model import (
    simulate_frontdoor_data,
    ALMMTAPipeline,
    ALMMTAConfig,
    compute_roas_correction,
)

# 1. 准备用户级数据（真实场景替换为业务数据）
df, _, channels = simulate_frontdoor_data(n_users=5000, seed=42)

# 2. 运行归因管道
config = ALMMTAConfig(
    latent_dim=4,
    adversarial_weight=1.5,
    n_iter_purifier=300,
    n_bins_frontdoor=5,
)
pipeline = ALMMTAPipeline(config=config)
result = pipeline.fit_predict(df, channels)

# 3. 查看因果 vs 朴素归因对比
print(result.summary_df())
# 输出示例:
#              渠道  因果 ATE  朴素相关  偏差倍数  因果贡献%  朴素贡献%
#  fb_awareness  0.165   0.127   -0.23    32.5     63.5
# tiktok_content  0.211   0.059   -0.72    41.5     29.5
#   retarget_sms  0.132   0.014   -0.89    26.0      7.0

# 4. 计算矫正 ROAS 并做预算重分配决策
spend = {'fb_awareness': 80000, 'tiktok_content': 70000, 'retarget_sms': 50000}
roas_df = compute_roas_correction(result, spend, total_revenue=500000)
print(roas_df)
# retarget_sms 原始ROAS=0.70，矫正ROAS=2.60 → 水分倍数=0.27
# 说明 73% 的 ROAS 来自用户自身意愿，而非广告贡献

8. 论文来源

• 2605.08881