用户先看到信息流广告，随后搜索品牌，最后从应用商店完成购买。三个渠道都参与了转化，功劳该给谁？
归因模型就是一套“分配转化价值”的方法。它们没有统一最优解，因为各自回答的问题不同：有人关心谁带来用户，有人关心谁完成收口，还有人想识别路径承接或渠道组合价值。
选择模型之前，先看完整地图。
| 模型类别 | 代表方法 | 核心问题 |
|---|---|---|
| 启发式·单触点 | 首次、末次、末次非直接 | 唯一功劳应该给谁？ |
| 启发式·多触点 | 线性、时间衰减、U 型 | 多个触点按什么规则分？ |
| 算法·路径模型 | 马尔可夫链 | 去掉一个渠道，路径转化率下降多少？ |
| 算法·组合模型 | Shapley Value | 渠道加入不同组合时，平均增加多少价值？ |
一、启发式归因：先把业务判断写进规则
启发式归因不训练模型，而是预先规定权重。优势是透明、稳定、容易复算，适合报表、结算和数据基础尚不完整的团队。
单触点：必须选出一个赢家
- 首次触点：全部功劳给第一次接触，适合观察获客入口、新品曝光和品牌认知；
- 末次触点：全部功劳给转化前最后一次接触，适合短链路效果广告和成交收口；
- 末次非直接触点：忽略末尾的直接访问，把功劳给此前渠道，避免回访覆盖真正的营销来源。
单触点模型清楚、可审计，但会抹掉其他触点。它回答的是“选择哪个记账对象”，不是“谁真实创造了全部价值”。
多触点：允许多人分功劳
- 线性归因：所有触点平均分，适合缺少权重依据时建立基准线；
- 时间衰减：越接近转化权重越高，适合促销、报名和销售跟进；
- U 型归因：首尾权重较高，中间触点分剩余贡献，适合重视获客和成交的线索漏斗。
多触点保留了协同过程，但参数仍是人为选择。半衰期设为几天、首尾各占多少，都代表业务假设，不是从用户身上测出的事实。
二、算法归因：让路径或组合决定权重
算法归因不再给所有用户套固定比例，而是利用观察到的路径或渠道组合计算差异化贡献。它能处理更多信息，但不因此自动客观：输入数据、状态定义和价值函数仍由人决定。
马尔可夫链：看路径结构与移除效应
马尔可夫链把开始、渠道、转化和流失表示为状态，再根据大量用户路径估计状态之间的转移概率。
计算某渠道贡献时，先得到完整路径网络的转化率，再移除该渠道并重新计算。转化率下降越多，渠道的移除效应越大。
它适合回答：
- 哪些渠道负责承接，而不只是首触或末触？
A→B和B→A是否代表不同路径？- 拿掉一个渠道后，当前路径网络会受到多大影响？
主要风险是路径稀疏、状态划分过细和历史转移概率失效。模型中的“移除”也是数学模拟，不是真实停投实验。
Shapley Value：看组合中的平均边际贡献
Shapley Value 把渠道视为合作参与者，把渠道组合产生的转化、收入或增量视为联盟价值。
一个渠道的贡献，等于它加入不同组合时带来的边际价值，再对所有可能情况取加权平均。它能把渠道协同和人群重叠纳入分配，并保证各渠道贡献之和回到整体价值。
它适合回答：
- 单投强的渠道，组合投放后是否仍有新增价值？
- 两个渠道是互相增强，还是覆盖同一批用户？
- 如何把一份整体价值公平分给多个渠道？
标准 Shapley Value 关注渠道集合，不天然保留真实触点顺序。渠道数增加后，组合数量还会快速增长，通常需要合并长尾渠道或使用抽样近似。
三、马尔可夫链和 Shapley Value，不是谁更高级
| 比较维度 | 马尔可夫链 | Shapley Value |
|---|---|---|
| 分析对象 | 用户路径与状态转移 | 渠道组合与联盟价值 |
| 是否重视先后顺序 | 是 | 标准算法否 |
| 贡献逻辑 | 移除后转化率下降 | 加入组合的平均边际贡献 |
| 关键数据 | 转化与未转化路径 | 各渠道组合的价值函数 |
| 主要难点 | 路径稀疏、状态和阶数 | 组合爆炸、价值函数质量 |
如果问题是“用户怎么走到转化”，优先看马尔可夫链；如果问题是“组合价值怎样公平分配”，优先看 Shapley Value。问题不同，结论也不能直接互相替代。
四、一套实用的模型选择顺序
1. 先明确决策
- 看获客入口：首次触点；
- 看成交收口：末次或末次非直接；
- 看全链路参与：线性、时间衰减或 U 型；
- 看顺序与承接：马尔可夫链；
- 看渠道协同与组合分配：Shapley Value。
2. 再检查数据
至少统一五项口径：转化事件、回溯窗口、渠道粒度、直接访问处理、重复触点规则。跨设备、线下成交和平台内触点若不可观测，换更复杂的模型也补不回来。
3. 用简单模型做基准
先并排计算首次、末次和线性归因，观察渠道排名是否稳定。再让算法模型以“影子报表”运行一段时间，检查参数变化、跨周期稳定性和异常原因，不要直接替换结算口径。
4. 重要预算必须验证增量
所有归因模型都在分配已观察到的转化，不能自动证明广告带来了多少额外转化。涉及大幅增减预算时，仍需随机实验、地域实验或其他准实验方法验证。
结语
启发式归因解决“怎样建立统一规则”，算法归因解决“怎样利用路径或组合信息计算差异化贡献”。简单模型不一定落后，复杂模型也不一定更接近真相。
正确顺序是：先定义决策，再检查数据；先建立可解释基准，再引入算法；最后用实验校验重要预算。模型只是尺子，业务问题和数据质量决定这把尺子是否有用。