Attributed, But Not Incremental: Cannibalization-Corrected Attribution for Large-Scale Advertising
归因但不增量：大规模广告的蚕食修正归因框架
🧭 广告归因 · 增量实验校准 · 层级分配
TikTok
以增量实验为因果锚点，将稀疏实验信号转化为每日归因修正，大幅消除付费广告归因中的蚕食偏差
📌 工作参考价值
- 实验校准归因信号：部署轻量级修正层，将已有的增量实验作为校准锚点，每天修正渠道级归因量，无需替换现有归因管道，直接产出更接近真实增量的 DNU，用于 nROI 计算与预算决策。
- 代理变量建模泛化实验 Lift：利用有机基线代理特征、节假日/季节性、渠道投放强度等持续可得的特征，将稀疏实验 Lift 泛化到全量渠道×日粒度，工程实现简单（广义线性模型+Huber 损失），抗噪声且可解释。
- 层级约束分配保证操作性：在渠道日总量校准后，通过归一化倾向得分将修正量分配到广告计划、版位、设备等细粒度业务单元，并强制父子聚合一致性与可行性边界，避免修正信号泄漏到无关分支，使预算调整更精准。
- 滚动评估与自动重校准：采用前向滚动实验设计，新完成实验只用于评估后续周期，避免数据泄露，并可周期性重训模型以适应市场变化，适合持续运行的广告系统。
动机
大规模广告系统中，日常预算分配高度依赖生产归因给出的转化量（如每日新增用户 DNU）。但当付费渠道与自然量、品牌流量或其它渠道重叠时，归因量会系统性高估真实增量（蚕食），误导 ROI 计算与预算方向——收割低增量渠道、抑制高增量渠道。增量实验能给出因果 Lift，却稀疏、滞后、无法高频覆盖所有渠道和时段。问题的关键不是用实验替代归因，而是用实验校准归因，使其对齐增量。
方法关键点
- ETDC+HCA 框架：由实验到每日蚕食估计（ETDC）和层级蚕食分配（HCA）两级组成，作为轻量附加层叠加在现有归因管道之上。
- 实验信号标准化：统一渠道定义、实验窗口与转化指标，清洗曝光不足、异常阻断等低质量实验，并修正“提前转化”效应，产出干净的渠道日 Lift 信号作为监督。
- 代理变量建模：ETDC 用有机基线代理、时间周期特征和渠道投放状态三类持续可得的特征，训练广义线性模型（Huber 损失）拟合实验 Lift，得到每日渠道级 Lift 预测，再反推蚕食率和修正后的增量归因量。
- 层级分配：HCA 不重新估计细粒度因果效应，而是在渠道日校准总量约束下，按本地特征计算子单元归因倾向得分，归一化后分配蚕食量，并处理边界溢出与再分配，保证聚合一致性和局部性。负蚕食仅作诊断信号，不参与分配。
关键结果
- 离线前向验证：在 8 个市场、18 轮增量 A/B 实验中，ETDC+HCA 相对原始归因减少 91.38% 的校准误差，中位相对误差接近零，不同市场-渠道-轮次切片表现稳定；而纯设备级 ML 基线仅减少 69.11%，且误差方向不稳定。
- 局部分配验证：一次广告渠道内部策略变更下，ETDC+HCA 将归因变化集中在目标渠道，无关渠道几乎不受影响，而单纯 ETDC 修正则会扩散到其它渠道。
- 线上部署：在 TikTok 全球多市场部署后，基于修正信号调整预算和流量策略，整体测量蚕食率下降约 15 个百分点。
核心启示
“归因给出的转化量并不等于真正的增量，用实验作为因果锚点持续校准归因，是厘清广告真实价值的务实路径。”