PIE 实验增量预测多触点归因 - Amazon MTA 框架落地

1. 解决的问题

Momcozy / Graco 等大牌同投 Google Search + Facebook DPA + TikTok Shop

2. 核心算法逻辑

广告归因的根本悖论：精度 vs 可信度。纯 RCT 实验（停投对照）可以给出无偏的渠道因果增量，但只能看总盘，无法下钻到每一条 Campaign 甚至每一次点击；纯 ML 多触点归因（Shapley / Attention）能细化到触点级别，但平台总是把广告优先投给"本来就要买"的高意图用户，模型捡到的全是"选择偏差"，转化贡献被系统性高估。

3. 业务应用场景

- 业务问题：Momcozy / Graco 等大牌同投 Google Search + Facebook DPA + TikTok Shop。投手根据 Last-Click 数据削减 Facebook/TikTok 预算，老板看不到真实因果增量，高管层（要 RCT）与执行层（要触点）两套数据永远对不上账，每季度预算分配争论消耗 3-5 天。 - 数据要求： - RCT 数据：三渠道分别跑 4 周 Geo-holdout（2500+ 实验单元/渠道） - 触点数据：用户旅程记录（journey_id、channel、timestamp、converted），日均 5000+ 条转化路径 - 预

- 业务问题：Apple ATT 导致 Facebook 归因窗口数据缺失率 60%+，ML 模型在数据断点处随机输出，归因报告失真度高达 40%，导致 Facebook 预算被错误削减 30%，实际 ROAS 反而下降。 - 数据要求： - RCT "总盘"锚点：即使触点数据残缺，RCT 仍能给出渠道增量真实值（宏观约束） - 残缺触点数据：允许 journey 内某些触点无 channel 标记（映射到 `unknown`） - 预期产出： - 即使 ML 因数据断点产生偏差，PIE 校准会将所有渠道的总量强制对齐 RCT 增量，防止灾难性偏离 - 输出"ATT 容忍归因报告"：各渠道 P

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

• 中型品牌月广告费 200 万 × ROAS 提升 10-15%（归因偏差修正）= 20-30 万/月 × 12 = 240-360 万/年
• 决策时间从 3-5 天 → 0.5 天，运营人力节省约 20 万/年
• 避免 Facebook 被错误削减 30% 导致的 ROAS 损失 = 100-200 万/年
• 易处：PIE 框架逻辑清晰，校准公式简洁，本 Skill 提供完整可运行代码
• 易处：RCT 实验设计（Geo-holdout）母婴品牌通常已有实践经验
• 难处：需要整合三平台触点日志（ETL 工程量），大品牌可能涉及数据合规与隐私

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
PIE MTA 三步校准 - 最小可运行示例
依赖: numpy, pandas, scipy
"""
from paper2skills_code.advertising.amazon_mta_pie_2025.model import (
    PIEAttributionPipeline,
    simulate_rct_experiment,
    TouchpointMLEstimator,
    PIECalibrator,
)

CHANNELS = ['google_search', 'facebook', 'tiktok']

# ---- Step 1: 每季度跑一次 RCT 实验 ----
rct_results = simulate_rct_experiment(
    channels=CHANNELS,
    n_treated=5000,
    n_control=5000,
    true_incrementality={'google_search': 0.035, 'facebook': 0.018, 'tiktok': 0.012},
    seed=42,
)
# 输出：{'google_search': {'rct_incrementality': 0.037, 'ci_lower': ..., 'ci_upper': ...}, ...}

# ---- Step 2: ML 对每日触点路径打分 ----
estimator = TouchpointMLEstimator(channels=CHANNELS, seed=42)
touchpoint_df = estimator.generate_touchpoint_data(n_journeys=10000)
scored_df = estimator.fit_predict(touchpoint_df)
# scored_df 新增列：ml_prob（无偏）、ml_prob_biased（有偏，待校准）

# ---- Step 3: PIE 校准 ----
calibrator = PIECalibrator()
report = calibrator.calibrate(scored_df, rct_results, CHANNELS)
print(report[['channel', 'ml_share_biased', 'rct_share', 'pie_share', 'scaling_factor']])
# channel         ml_share_biased  rct_share  pie_share  scaling_factor
# google_search          0.4138     0.5918     0.5918          1.4300
# facebook               0.3444     0.2722     0.2722          0.7901
# tiktok                 0.2417     0.1361     0.1361          0.5630

# ---- 预算建议 ----
current_budget = {'google_search': 10000, 'facebook': 3000, 'tiktok': 2000}
rec = calibrator.budget_recommendation(current_budget, total_budget=15000)
print(rec[['channel', 'current_budget', 'pie_weight', 'recommended_budget', 'action']])
# channel         current_budget  pie_weight  recommended_budget  action
# google_search            10000      0.5917              8876.0      削减
# facebook                  3000      0.2722              4083.0      增加
# tiktok                    2000      0.1361              2041.0      持平

# ---- 一行快速调用（Pipeline 封装） ----
pipeline = PIEAttributionPipeline(channels=CHANNELS, n_journeys=10000, seed=42)
pipeline.run_rct_experiment()
pipeline.score_touchpoints()
final_report = pipeline.calibrate()

8. 论文来源

• 2508.08209