三个渠道共同带来一批新增用户。渠道单独投放时有产出，组合投放后又会互相增强或挤压。预算应该怎么分？
只看各渠道独立产出，会忽略协同；只看最终总量，又不知道每个渠道贡献了多少。Shapley Value 提供了一种思路：计算每个渠道加入不同组合时带来的边际贡献，再对所有情况取平均。
一、从合作博弈到广告归因
Shapley Value 来自合作博弈论。参与者组成不同联盟，每个联盟产生一个总价值；算法要把总价值公平分回每个参与者。
放到广告归因中：
| 合作博弈 | 广告归因 |
|---|---|
| 参与者 | 渠道或触点 |
| 联盟 | 渠道组合 |
| 联盟价值v(S) | 组合带来的转化、收入或增量 |
| 边际贡献 | 加入某组合后增加的价值 |
渠道 i 的 Shapley Value 为：
公式看起来复杂，核心只有两步：先计算“有它”和“没它”的差值，再按它可能出现的位置加权平均。
Lloyd Shapley 于 1953 年提出 Shapley Value，并在 2012 年与 Alvin Roth 共同获得经济学奖（获奖主题是稳定配置与市场设计）
二、为什么不能按投入比例分？
假设两个人分别买了 3 瓶和 5 瓶酒，第三个人拿出 8 颗花生米，三人平均喝完酒。应该怎样分花生米？
每人实际喝了 \frac{8}{3} 瓶。买 3 瓶的人只贡献了：
买 5 瓶的人贡献了：
两人的净贡献比是 $1:7$，所以 8 颗花生米应分成 1 颗和 7 颗，而不是按买酒数量分成 3 颗和 5 颗。
这个例子说明：公平分配看的是对共同结果的净贡献，而不是投入量或表面产出。
广告也是如此。一个渠道单投表现好，不代表它与其他渠道组合后仍增加同样多的转化；两个渠道的用户高度重叠，组合价值可能小于独立价值之和。Shapley Value 会把这种协同或挤压纳入计算。
三、Shapley Value 为什么“公平”？
它满足四个经典性质：
- 效率性：所有渠道的贡献之和等于总价值；
- 对称性：作用完全相同的渠道获得相同贡献；
- 虚拟参与者：加入任何组合都不增加价值的渠道，贡献为 0；
- 可加性：两个价值问题合并后，贡献可以分别计算再相加。
这里的“公平”是数学意义上的一致分配，不等于因果真相。结果是否可信，首先取决于价值函数 v(S) 是否合理。
四、公哪些公司在用Shapley值
| 产品或平台 | 应用 |
|---|---|
| Google Analytics 360 的旧版 MCF | Google 官方历史文档明确说明，其数据驱动归因采用基于 Shapley Value 的算法；这是历史上可以确认的案例 |
| Adobe Analytics / Customer Journey Analytics | 当前算法归因采用 Harsanyi Dividend，它是 Shapley Value 的推广形式，不应写成经典 Shapley 公式 |
| 巨量引擎“全域度量” | 2023 年由巨量引擎报送的公开材料说明，其 MTA 模块基于 Shapley 算法计算触点贡献 |
| Google Ads、当前 GA4 | 官方只披露数据驱动归因和反事实思路，没有明确说明当前算法就是 Shapley，不宜下确定结论 |
| Google Attribution、DoubleClick、AdWords | 属于旧产品或旧品牌口径，不能作为“当前使用公司”重复列举 |
五、什么时候适合使用？
Shapley Value 适合渠道组合价值可估计、团队重视协同效应、且渠道数不太多的场景。它不天然保留真实触点顺序；标准算法处理的是渠道集合，而非用户先后路径。
精确计算需要评估大量组合，渠道数增加后成本快速上升。实践中通常要合并长尾渠道，或使用排列抽样、蒙特卡洛近似。
最重要的前置条件不是算力，而是价值函数：v(S) 究竟代表观察到的转化、模型预测值，还是实验测得的增量？定义不同，Shapley 分配的含义完全不同。
结语
Shapley Value 的核心不是平均分配，而是平均边际贡献。它能处理渠道协同，也能保证贡献之和回到整体价值；但公平分配不等于因果识别，输入价值不可靠，结果只会精确地分配偏差。
下一篇用三个渠道的完整数据，逐步算出每个渠道应获得多少贡献。