多触点归因（MTA）：定义与模型

多触点归因（MTA）是一种测量模型，将转化功劳分配给客户在购买前与之互动的每个营销接触点，而不是将全部功劳归给单一广告或点击。如果一位购物者看到了一则原生广告，后来点击了一则重定向广告，然后在品牌搜索后转化，MTA将该转化的部分功劳分配给这三个接触点，而不是全部奖励给最后一个。

常见的MTA模型#

线性模型给每个接触点相等的功劳。时间衰减模型给更接近转化的接触点比早期接触点更大的权重。基于位置（U型）模型给第一个和最后一个接触点更大的份额，其余的在中间分配。数据驱动或算法模型，通常基于Shapley值或类似的博弈论方法，直接从历史数据估计每个接触点的边际贡献，而不是应用固定规则。

与单触点模型的不同之处#

最简单的替代方案是，在定义的归因窗口内，通过购买时刻的转化像素，将功劳归给最后一个触发的接触点。这计算简单，但它系统性地低估了漏斗上层渠道，如原生发现广告位，这些渠道往往引入产品而非促成销售。MTA试图通过在整条路径上分配功劳来纠正这一点，这通常意味着在MTA模型下，漏斗上层的原生广告和展示广告比在最后一次点击模型下显得更有价值。

为什么运行变得更困难#

MTA依赖于将单个用户的接触点跨设备和会话拼接在一起，这需要持久标识符：Cookie、移动广告ID或登录用户匹配。浏览器Cookie限制和平台级跟踪限制随着时间的推移使这种拼接变得更加不可靠，因此MTA模型越来越依赖建模或概率匹配来填补空白，而非确定性的点击跟踪。这也是为什么更多广告主现在投资于第一方数据收集，因为您直接拥有的用户记录比租借的记录更能经受平台跟踪变化的冲击。

它与其他测量的配合#

MTA最适合作为漏斗中部的诊断工具，显示哪些接触点倾向于在获胜路径上共同出现，而不是渠道价值的最终结论。认真的媒体购买团队会定期检查模型隐含的渠道价值是否经得起真实的实验性保留测试，因为MTA认为贡献了三分之一转化的渠道，一旦你实际为测试组关闭它，仍然可能显示出接近零的效果。

了解哪些渠道驱动漏斗上层认知，首先要了解实际正在投放什么。OpenAdLibrary的native ad spy tool显示哪些广告主在你的垂直领域积极投放原生广告创意，在你决定渠道在你自己的模型中应获得多少归因功劳时，这是一个有用的输入。

实际设置注意事项#

正确实施MTA需要在每个网络中保持一致的跟踪标识符，以便来自同一用户的接触点能够实际匹配，加上跨渠道一致应用的归因窗口长度。平台之间的窗口不匹配，一个仪表板使用7天窗口，另一个使用30天窗口，将在模型运行之前就使任何跨渠道MTA比较无效。在投资更复杂的数据驱动模型之前，先清理好你的基础广告支出和转化数据是值得的。