MTA 与 LTA 之间

归因之争永不停歇。我分享一下自己的思路。

核心问题

一个用户看到 Facebook 广告、点了 Google 广告、读了一篇博客，然后下单。功劳归谁？

• 末次触达（LTA）：Google 拿 100%
• 首次触达（FTA）：Facebook 拿 100%
• 多触点归因（MTA）：按某种权重分配

没有一个答案是”正确”的 — 它们都是不同假设下的模型。

LTA 为什么活到现在

LTA 常被批评太简单，但它有真实优势：

1. 简单：好解释、好实现
2. 可执行：给出明确的优化信号
3. 保守：倾向于偏底部漏斗、高意向的渠道

对很多业务 — 尤其是考虑周期短的业务 — LTA 就够用了。我见过不少团队把事情复杂化，本来 LTA 完全够。

什么时候 MTA 有用

MTA 在这些场景发光：

1. 考虑周期长：B2B、大件消费
2. 上漏斗投入重：品牌 campaign、内容营销
3. 复杂的用户旅程：多设备、多渠道、多触点

MTA 试图按每个触点对转化的”贡献”分配信用。

MTA 的根本问题

说个脏话：MTA 不测增量。

MTA 回答的是：“哪些触点出现在已转化用户的旅程里？”

MTA 不回答：“如果没有这些触点，会发生什么？”

本来就会转化的用户仍然会有触点出现，MTA 照样给它们记功。这就是为什么我始终要用真实实验来校准 MTA。

更好的框架

与其争论归因模型，不如先问：

1. 你想做什么决策？

   • 跨渠道重分配预算？你需要增量性测试
   • 单渠道内部优化？平台归因可能就够
   • 理解用户旅程？做 user path analysis

2. 你需要多准？

   • 方向对就行？LTA 通常足够
   • 精确校准？需要实验

3. 你能真正测什么？

   • 可行时设计 holdout 实验
   • 对不能单独随机化的渠道，用地理测试

我的现状观点

归因模型适合日常监控和方向性优化；做预算分配决策时，必须用实验证据来校准。

最好的测量体系是组合：

• 归因用于日常监控
• 增量性测试用于校准
• MMM 用于整体预算分配

没有哪个单一方法给你真相。但多方法三角化会更靠近。

自己试一下

在下面拼一条用户旅程，看五个归因模型对同一笔转化给出的截然不同的分账。同一份数据、完全不同的故事 — 这恰恰是为什么不先定义决策、光争模型是浪费时间。

Interactive · MTA vs. LTA

Who gets the credit?

Build a customer journey. Compare how five attribution models split a single conversion.