亚马逊广告多触点归因开放：从末次点击走向全路径价值衡量（万字长文）

前段时间一个产品经理找我预约一次新产品的培训，因为是特别新的东西，缺少数据。很幸运的是前期开放的4000个账号我的手里有3个被检索到了，所以前期我们在配合做数据累计。

登录之后我特别震惊，参与测试的亚马逊广告后台（8.3号文章发布前，好像已经正式上线，我的账号都可以看到了），已经出现Purchases(multi-touch)、Sales (multi-touch)和ROAS(multi-touch) 等新指标。

表面上只是多了几列，实质上却改变了广告价值被解释的方式：一笔订单不再只能奖励最后一条广告，消费者购买路径上的多个触点可以按照估算贡献共同分享功劳。

对专业级卖家和品牌主而言，这不是一次普通的报表更新。

过去，我们习惯拿末次触点的订单量、销售额、ACOS和ROAS判断广告好坏；现在，同一条广告还会出现一套多触点结果。

两套数字并列存在，意味着预算讨论将从“谁拿到订单”进一步走向“谁参与创造订单”。

图片来源：亚马逊广告后台

这场变化真正“地震级”的地方，不在于报表多了三个英文后缀，而在于它动摇了一个长期默认的前提：最后碰到消费者的广告，并不必然创造了全部购买价值。

文章特别长，我会先从归因模型原理开始讲到它对于我们未来的影响，全文大概1.08万字，希望耐心看。

多触点归因（Multi-Touch Attribution，MTA后文我均用缩写表述）

01末次触点没有错，但它只讲了故事的最后一句

亚马逊广告传统标准归因通常采用末次触点（Last-Touch Attribution，LTA）：在允许的归因窗口内，把一次购买归给购买前最后一次符合条件的广告点击或浏览。它的优点很现实——规则清楚、结果稳定、容易对账，也适合日常竞价和快速优化。

问题在于，末次触点回答的是“购买前最后一次互动是谁”，却很难回答：

如果只看末次触点，上层品牌广告和中层再营销经常像足球比赛中的传球者：它们参与组织进攻，却因为最后没有射门而在数据上失去功劳。长期按照这种视角分配预算，广告主可能不断压缩上层投入，把钱集中给最靠近转化的广告，最终让“收割效率”看起来越来越高，但可收割的人群却越来越少。

因此，MTA不是简单宣布末次触点“作废”。更合理的用法，是把标准归因与多触点归因并列观察：前者提供稳定的执行口径，后者补充协同贡献的视角。二者的差异，本身就是值得分析的信号。

02用一件Columbia冲锋衣，看懂多触点购买路径

假设一位消费者计划在秋季旅行前购买一件冲锋衣。

第一晚，他在家观看流媒体节目时，看到了Columbia哥伦比亚的户外品牌广告。广告没有立刻带来购买，却在他脑中种下了“专业户外、防风防水”的印象。这可以类比Streaming TV或DSP电视流媒体广告。

第二天，他浏览过某款Columbia冲锋衣后，在OTT或网页环境里再次看到这款产品的再营销广告。他开始比较面料、版型和价格。这可以类比DSP再营销。

周末到商场时，他在入口看到Columbia当季户外服装的品牌宣传，进一步确认这个品牌与自己的出行场景匹配。这可以类比品牌推广 Sponsored Brands（SB）承担的品牌承接作用。

最后，他走进服装卖场，在具体冲锋衣货架前听导购讲解防水指数、压胶工艺和尺码，并完成购买。这可以类比商品推广Sponsored Products（SP）在高意向阶段的商品级承接。

如果使用末次触点，全部功劳都可能归给最后的“导购/SP”。但消费者为什么愿意走进这家店、为什么相信品牌、为什么已经对这件冲锋衣产生兴趣？答案显然不是导购在几分钟内独自创造的。品牌广告、再营销、商场入口宣传和货架导购共同塑造了购买决定。

03同一件冲锋衣，七种归因模型会怎样“分功劳”

为了方便理解，假设这笔购买前共有四个触点：品牌视频、再营销、品牌宣传、商品导购。下面所有比例都只是教学示意，并非亚马逊固定归因考量。

首触、末触、线性、时间衰减和位置归因，本质上都是规则型模型：先规定一套分配原则，再把功劳套进规则。

马尔科夫链和机器学习模型则更偏数据驱动，但“数据驱动”不自动等于“真实因果”。观察到一个触点经常出现在购买前，可能是它推动了购买，也可能是高意向消费者本来就更容易遇到它。

04我在前几个月讲AMC内容中多次提到和讲解过马尔可夫链归因，那么马尔可夫链和多触点归因MTA究竟什么什么关系？

MTA和马尔科夫链：不是同一种东西，也不是互斥关系

最准确的一句话是：多触点归因（Multi-Touch Attribution，MTA）是一类测量框架或要解决的问题；马尔科夫链归因（Markov Chain Attribution）是实现MTA的一种具体算法。

马尔科夫链会把消费者路径抽象为若干状态。

例如“开始—DSP—SB—SP—购买”或“开始—SP—离开”。模型根据大量路径计算从一个状态转移到下一个状态的概率，再移除某个渠道，观察总体购买概率下降多少。下降越大，该渠道的“移除效应”越强，分到的功劳通常越多。

这套方法比固定比例更能识别路径结构。

例如，一个渠道很少成为最后触点，却是消费者从认知走向考虑的必经环节，移除它后购买概率可能明显下降。但马尔科夫链仍依赖观察到的路径，结果会受到渠道粒度、路径截断、归因窗口、样本稀疏和状态定义影响。它回答的是“在这套路径模型中，移除某状态会怎样”，不等于完成了真实世界的随机实验。

亚马逊公开资料对自身MTA的描述并不是“马尔科夫链模型”。

其官方介绍指出：多触点分配会综合广告特性，并使用实验、机器学习和历史购物信号；

亚马逊作者公开的技术论文进一步解释，其方法结合随机对照实验（Randomized Controlled Trials，RCTs）、机器学习归因模型、事件历史和因果校准。RCT提供较可信但可能较粗、较噪的增量信号，模型提供可扩展、触点级的精细预测，再通过校准将二者结合。

所以，文章或培训中可以说“马尔科夫链属于MTA的一种实现”，但没有官方证据时，不能说“亚马逊MTA就是马尔科夫链”。

05为什么会出现 31.34 个的销量？

下图就是多触点归因报告的截图：

图片来源：多触点归因报告截图

看到Purchases(multi-touch)为31.34时，不要理解成系统卖给了“31.34个消费者”。

小数来自功劳拆分：假设一笔订单经过三次广告互动，模型可能把 0.20、0.35和0.45的归因贡献分别分给三个触点。大量订单聚合到广告活动、广告组或商品层级后，就会出现带小数的购买量。

这也带来三个必须记住的口径原则：

第一：标准购买量与多触点购买量是对同一批转化的两种解释视角，不是两批订单，不能相加。标准销售额与MTA销售额同样不能相加。

第二：比较必须保持同一日期范围、同一站点、同一报告粒度和相同指标定义。把一个活动的30天标准销售额与另一个活动的7天MTA销售额比较，没有分析意义。

第三：小数不是“不准确”的证据，而是分数功劳在聚合层面的正常表现；但它也提醒我们，MTA是模型估计值，不是财务结算订单数。

06 真实数据：同一条广告，MTA可能更高，也可能更低

下面选择两个相同日期范围的代表性明细，日期均为2026年6月30日至7月29日。为保护业务信息，账户、品牌、ASIN、SKU、活动名和广告组名均已删除或改写。金额单位沿用源报告币种。为了便于讲解案例，我把原始后台报告精炼一下。

案例A不意味着应该立刻大幅加投，案例B也不意味着应该停投。MTA上升可能反映上层或中层助攻价值；MTA下降可能反映该活动更常扮演最后收口角色。预算决策还要结合覆盖增量、受众重叠、边际成本、路径质量、新客表现和实验结果。

此外，源CSV中不同明细的日期范围并不完全一致，因此本文没有对整份文件直接求和。归因分析中，“先统一口径，再计算差异”比得到一个看似宏大的总数更重要。

所以路径并不是唯一性，为了区分路径价值，接来下我需要导入AMC数据模型

07 广告产品重叠：购买者不是被某一种广告独占

图片来源：案例报告截图

图中，DSP∩SP只占触达用户的9.1%，却覆盖44.2%的购买者；DSP∩SB∩SP只占触达用户的1.2%，却覆盖28.8%的购买者。相比之下，SP单独触达覆盖68.0%的用户，但购买者份额为18.2%。这组数据直观说明：许多购买者并不是只接触一种广告产品，组合触达在购买人群中占据显著位置。

但这里必须划一道因果边界。

• 1.组合人群购买率更高，不等于“组合广告已经被证明带来同等幅度的增量”。

• 2.高意向消费者可能主动搜索更多、浏览更多，也更容易同时被DSP、SB和SP触达。重叠报告揭示的是协同路径和相关性，真正的增量效果仍需频控、留出组或其他实验设计验证。

08 Top Conversion Paths：消费者不会乖乖走一条直线

图片来源：案例报告截图，Top Conversion Paths展示常见触点顺序及对应成本、购买、销售额和新客结果。

路径[SP]表示消费者在记录窗口中只出现SP触点；[SP→DSP→SP] 表示先接触SP，之后被DSP触达，最后又回到SP；[SB → SP] 则体现品牌承接后进入商品转化。

图中还出现SP与DSP反复往返的四次、五次路径，说明真实购物旅程更像多次搜索、比较、提醒和返回，而不是从上层到下层的一次性直线漏斗。

分析路径时不能只看“发生次数”。高频路径可能只是流量大，未必效率高；低频路径也可能贡献更高客单或更多品牌新客。至少要同时看路径发生次数、曝光量、总成本、购买用户、销售额、购买率以及新客购买。

路径报告回答“用户怎样走过来”，MTA回答“路径中的各触点应分多少功劳”，二者结合才有解释力。

八、九阶段，我们一直在关注一个指标ntb，品牌新客的获取，从24年初我的展示型推广归因问题报告开始，我一直在强调不论哪种广告形式，品牌新客获取一定是第一梯队的价值衡量因素。

09 MCF 与频次：重复触达何时有效，何时只是疲劳

图片来源：案例报告截图，MCF中的SP*20、DSP*4表示路径内相应广告产品出现的触点次数。

在上图中，SP*20对应136次转化和22.7%的转化份额，DSP*20对应22次转化和3.7%的转化份额；DSP*4的转化价值份额为2.6%，高于其1.7%的转化份额。它提醒我们，触点次数不仅影响转化数量，也可能与订单价值结构相关。

不过，SP*20不能直接解读成“消费者看20次最好”。它可能包含高意向用户的反复搜索，也可能意味着预算集中、触达冗余或归因窗口较长。

正确的问题应当是：在相同受众、相近意向和可比成本下，增加一次曝光是否还能带来额外转化？

图片来源：案例报告截图，频次段 F1、F2…F10+ 的用户数、购买率和品牌新客表现

上图中，DSP的F1人群规模最大，购买率约为0.01%；F10+人群购买率约为0.6%，品牌新客购买率约为0.5%。数字很容易诱导我们得出“曝光越多越好”的结论，但高频人群可能本来就更活跃、浏览周期更长或购买意向更强。频次和购买率之间存在相关性，不代表每增加一次曝光都创造了对应增量。

实践中可以把频次分成三个观察区间：曝光不足——大量目标用户只看到一次，品牌信息尚未形成记忆；有效重复——购买率或新客率随适度频次改善，边际成本仍可接受；广告疲劳——频次继续上升，但新增购买趋缓、成本恶化或受众覆盖停滞。区间边界必须用本品类数据和实验确定，不能套用统一的“黄金频次”。

10 广告主使用 MTA 的五步方法

第一步：把两套指标放在同一张表里

同时添加标准Purchases、Sales、ROAS与对应的multi-touch指标。不要用不同报表、不同时间截取后再人工拼接，否则很容易引入口径误差。

第二步：先固定比较条件

锁定日期、站点、币种、归因窗口和报告粒度。活动层看策略，广告组或投放层找差异来源，商品层确认被推广商品与品牌光环销售是否混在一起。

第三步：计算“归因迁移”

分别计算MTA与标准购买量、销售额、ROAS 的绝对差和百分比差。持续高于标准值的活动，可能承担较多上层或中层助攻；持续低于标准值的活动，可能更靠近收口。这里的关键词是“可能”，需要下一步证据解释。

第四步：用四类报告解释差异

用广告产品重叠看协同人群，用Top Conversion Paths看先后顺序，用MCF看触点组合与重复次数，用频次报告判断覆盖不足、有效重复和潜在疲劳。若还有AMC分析能力，可进一步按受众、商品、新客和时间窗口切分，但不要把不同归因产品的指标混成同一口径。

第五步：用小步预算和实验验证

优先做可逆的小幅调整，例如将一部分预算从“末触很强、MTA明显回落”的活动转向“末触一般、MTA稳定上升且覆盖有增量”的活动，同时设置观察周期与停止条件。若预算规模允许，再用留出组、地理实验或频控实验判断增量。不要因为一张MTA报告就立即大幅停投或加投。

11 MTA不能解决什么

第一，MTA不等于绝对因果真相。亚马逊的方法加入实验信号和因果校准，显著增强了可解释性，但广告主看到的仍是模型化归因结果，受数据覆盖、归因窗口、模型更新和可观察触点限制。

第二，MTA不等于马尔科夫链。前者是框架，后者是一种路径算法；亚马逊公开方法有自己明确的实验与机器学习组合逻辑。

第三，MTA不等于AMC自定义归因，也不等于Amazon Attribution。MTA是亚马逊广告报告中的模型化贡献指标；AMC是可编程的隐私安全分析环境，可按业务问题自定义查询；Amazon Attribution主要用于衡量非亚马逊渠道如何影响亚马逊上的购物行为。三者可以互补，但数据范围、方法和用途不同。

第四，MTA不会自动生成唯一正确的预算方案。归因值告诉你功劳如何重新分配，却没有自动纳入毛利、库存、现金流、品类季节性、受众增量和品牌战略。

第五，MTA无法完全消除跨设备识别、站外触点缺失和不可观测影响。消费者可能在线下试穿、看达人内容或被朋友推荐，这些影响未必完整进入同一条广告事件历史。

第六，标准销售额与MTA销售额绝对不能相加。它们是同一业务结果的两种归因视角，相加会造成重复计算。

12 真正的变化，是从“抢功劳”走向“验证协同”

回到Columbia冲锋衣的例子。

卖场导购完成了最后一步，他当然重要；但如果消费者没有先看过品牌视频、没有被再营销提醒、没有在商场入口再次确认品牌形象，他可能根本不会走到那个货架前。

亚马逊后台新增的不是几列孤立指标，而是一种新的观察语言：过去我们问“哪条广告拿到了订单”，现在还可以追问“哪些广告共同塑造了订单，它们各自的贡献可能有多大”。

这会迫使广告团队重新审视上层触达、中层培育和下层收口之间的关系，也会让预算争论从单一 ROAS 排名，走向可验证的全漏斗协同。

末次触点仍然值得保留，因为它稳定、清晰、适合日常执行；MTA 也值得认真研究，因为它帮助我们看见被最后一次互动遮住的前期价值。

成熟的广告主不会二选一，而会把两套视角的差异转化成假设，再用路径分析、频次管理和增量实验检验。我相信未来越来越多以长期发展战略经验的广告主会尝试采用多种广告工具去拓宽自己的获客渠道。

虽然首批参与测试的卖家只有约4000 家，（截止8月3日我测试后台都是可用的，我不知道是全部悄悄开放了还是我apn授权的因素）但我相信，这项功能很快会向更多卖家开放。

未来，真正决定卖家竞争力的，不只是能否获得新功能，而是能否理解并用好这些新的数据工具。专业能力越强的卖家，越能从复杂的归因数据中识别机会，并结合自身的品类特点、品牌阶段和消费者路径，找到更适合自己的定制化优化方案，最终推动品牌实现更稳健、更长远的发展。

图中截图均为Seven于众合云创账号内部截取，部分图片内容为AMC数据模型分析。

我把外部参考资料来源也放出来，给后来的通行者搭一层阶梯。

外部参考资料来源：

1. 亚马逊广告官方发布：《利用多触点归因（测试版）发掘全漏斗中的广告价值》  

https://advertising.amazon.com/zh-cn/resources/whats-new/uncover-ad-value-across-funnel-with-multi-touch-attribution

2. Lewis,R.et al.(2025), Amazon Ads Multi-Touch Attribution

https://arxiv.org/html/2508.08209v1

3. Anderl, E. et al., Mapping the Customer Journey: Lessons Learned from Graph-Based Online Attribution Modeling

https://www.sciencedirect.com/science/article/pii/S0167811616300349

4. 亚马逊广告：《营销归因概念梳理及全面指南》 

https://advertising.amazon.com/zh-cn/library/guides/marketing-attribution

5. 亚马逊广告多触点归因介绍：

https://drive.weixin.qq.com/s?k=AIwAIAf8AAYWBKvzOn

封面来源/图虫创意

（来源：七号笔记）