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 ★ 深度解读
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（4 点）
- 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。