近期，亚马逊广告后台在部分测试账号中上线了多触点归因（Multi-Touch Attribution，简称 MTA）功能。新增的 Purchases(multi-touch)、Sales (multi-touch) 和 ROAS(multi-touch) 等指标，标志着广告价值评估逻辑的重大转变：一笔订单的功劳不再仅归属于最后一条广告，而是根据估算贡献，由消费者购买路径上的多个触点共同分享。
对于专业卖家和品牌而言，这不仅是报表更新，更是预算分配逻辑的升级——从关注“谁拿到订单”转向分析“谁参与创造订单”。
点击查看大图
这一变化的核心在于动摇了“末次触点决定论”。本文将深入解析归因模型原理、MTA 与马尔科夫链的关系、数据解读方法及实战应用策略。
01 末次触点没有错，但它只讲了故事的最后一句
亚马逊传统标准归因采用末次触点（Last-Touch Attribution，LTA），即在归因窗口内，将购买归因于最后一次符合条件的广告互动。其优势在于规则清晰、结果稳定，适合日常竞价优化。
然而，LTA 无法回答品牌认知建立、兴趣激发及犹豫期提醒等上游环节的价值。若仅依据末次触点分配预算，可能导致上层品牌广告和中层再营销投入被压缩，长期来看虽提升了短期“收割效率”，却缩小了可收割的人群池。
因此，MTA 并非否定末次触点，而是提供协同视角。建议将标准归因与多触点归因并列观察，二者差异本身即是重要的分析信号。
02 用一件 Columbia 冲锋衣，看懂多触点购买路径
以消费者购买冲锋衣为例，真实决策路径往往包含多个阶段：
- 品牌认知：观看流媒体品牌广告，建立“专业户外”印象（类比 Streaming TV/DSP）。
- 兴趣激发：浏览产品后看到再营销广告，开始比较参数（类比 DSP 再营销）。
- 品牌确认：线下或线上看到品牌宣传，确认场景匹配（类比 Sponsored Brands）。
- 最终转化：在商品详情页或货架前完成购买（类比 Sponsored Products）。
若仅看末次触点，功劳全归最后一步；但实际上，前序环节共同塑造了购买决定。MTA 旨在量化这些前置触点的贡献。
03 同一件冲锋衣，七种归因模型会怎样“分功劳”
假设一次购买经历四个触点，不同归因模型的分配逻辑如下：
|
模型 |
核心逻辑 |
示例分配 |
优势 |
主要局限 |
|
首次触点 |
100% 归给第一次互动 |
100% /0/0/0 |
强调获客入口 |
忽略后续培育 |
|
末次触点 |
100% 归给最后一次互动 |
0/0/0/ 100% |
稳定、易对账 |
低估上层广告 |
|
线性归因 |
所有触点平均分配 |
25%/25%/25%/25% |
承认每次触达作用 |
忽视贡献差异 |
|
时间衰减 |
越接近购买权重越高 |
10%/20%/30%/40% |
兼顾路径与时间 |
衰减速度人为设定 |
|
位置归因 |
首尾获得主要功劳 |
40%/10%/10%/40% |
重视认知与转化 |
中间触点易被低估 |
|
马尔科夫链 |
基于路径转移概率及移除效应 |
由全量路径计算 |
识别渠道依赖 |
对样本量和状态定义敏感 |
|
亚马逊 MTA |
实验、机器学习及因果校准 |
模型动态计算 |
提供差异化贡献 |
受数据覆盖限制 |
首触、末触等属于规则型模型，而马尔科夫链和亚马逊 MTA 更偏向数据驱动。需注意，“数据驱动”不等于“绝对因果”，高意向用户可能天然更容易接触某些渠道。
04 MTA 和马尔科夫链：不是同一种东西，也不是互斥关系
多触点归因（MTA）是测量框架，马尔科夫链是实现 MTA 的一种算法。马尔科夫链通过计算移除某渠道后购买概率的下降幅度（移除效应）来分配功劳。
亚马逊官方并未宣称其 MTA 仅基于马尔科夫链。其方法结合了随机对照实验（RCTs）、机器学习归因模型及因果校准。RCT 提供增量信号，模型提供精细化预测，二者结合以提升准确性。因此，不能简单等同亚马逊 MTA 与马尔科夫链。
05 为什么会出现 31.34 个的销量？
MTA 报告中的小数（如 Purchases 为 31.34）源于功劳拆分。若一笔订单经三个触点，模型可能按 0.2、0.35、0.45 分配贡献。聚合后即出现小数。
解读时需遵循三大原则：
第一
标准购买量与 MTA 购买量是对同一批转化的两种解释，不可相加。
第二
比较需保持日期、站点、粒度及指标定义一致。
第三
小数是模型估计值，非财务结算数，反映分数功劳的聚合。
06 真实数据：同一条广告，MTA 可能更高，也可能更低
以下为脱敏案例对比（2026 年 6 月 30 日至 7 月 29 日）：
|
脱敏案例 |
标准购买量→MTA |
标准销售额→ MTA |
标准 ROAS→ MTA |
应如何理解 |
|
流媒体电视再营销活动 A |
3→4.18 |
66.97→ 76.29 |
0.10→ 0.11 |
MTA 高于末触，说明该活动在其他广告收口的订单中获得了助攻功劳 |
|
实时浏览再营销活动 B |
87→39.47 |
2,792.09 → 1,045.45 |
7.79→ 2.92 |
MTA 低于末触，说明标准口径原先将较多完整订单归给它；多触点模型把部分功劳重新分给路径中的其他广告 |
MTA 上升未必代表立刻加投，下降也不意味停投。需结合覆盖增量、受众重叠及边际成本综合判断。预算决策应遵循“先统一口径，再计算差异”的原则。
07 广告产品重叠：购买者不是被某一种广告独占
点击查看大图
数据显示，组合触达（如 DSP∩SB∩SP）在购买人群中的占比显著高于其在总触达用户中的占比。这表明许多购买者经历了多重广告接触。
但需注意因果边界：组合人群购买率高，可能是因为高意向用户主动搜索更多，而非组合广告直接带来了同等幅度的增量。真正的增量效果仍需通过频控或留出组实验验证。
08 Top Conversion Paths：消费者不会乖乖走一条直线
点击查看大图
Top Conversion Paths 展示了常见的触点顺序。真实购物旅程往往包含多次搜索、比较和返回，而非单向漏斗。分析时不仅要看路径发生次数，还需结合曝光量、成本、购买率及新客表现综合评估。
路径报告回答“用户怎样走过来”，MTA 回答“各触点分多少功劳”，二者结合才具解释力。
09 MCF 与频次：重复触达何时有效，何时只是疲劳
点击查看大图
MCF 报告显示，触点次数不仅影响转化数量，也可能与订单价值相关。但高频次（如 SP*20）不一定代表最优，可能包含冗余触达。
点击查看大图
频次分析可将人群分为三个区间：曝光不足、有效重复、广告疲劳。区间边界需依据本品类数据和实验确定，避免套用统一的“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
同时添加标准指标与 multi-touch 指标，避免人工拼接导致口径误差。
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。
第三步：计算“归因迁移”
计算 MTA 与标准指标的差值。持续高于标准值的活动可能承担助攻角色，反之则更靠近收口。
第四步：用四类报告解释差异
结合广告产品重叠、Top Conversion Paths、MCF 及频次报告进行多维分析。
第五步：用小步预算和实验验证
优先做可逆的小幅调整，设置观察周期，必要时通过留出组或地理实验验证增量。
11 MTA 不能解决什么
- 非绝对因果真相：MTA 仍是模型化结果，受数据覆盖和归因窗口限制。
- 不等于马尔科夫链：亚马逊 MTA 融合了实验与机器学习，逻辑更为复杂。
- 区别于 AMC 与 Attribution：MTA 是报告指标，AMC 是分析环境，Amazon Attribution 用于站外衡量，三者用途不同。
- 不自动生成预算方案：归因值未纳入毛利、库存及品牌战略等商业因素。
- 无法消除所有盲点：跨设备识别、站外触点及线下影响仍难完全捕捉。
- 严禁数据相加：标准销售额与 MTA 销售额绝对不能相加，否则会导致重复计算。
12 真正的变化，是从“抢功劳”走向“验证协同”
亚马逊新增的 MTA 指标提供了一种新的观察语言：从单一关注“哪条广告拿到订单”，转向探究“哪些广告共同塑造了订单”。这将推动广告团队重新审视全漏斗协同关系，使预算争论从简单的 ROAS 排名走向可验证的策略优化。
成熟的广告主不会在末次触点与 MTA 之间二选一，而是利用两者的差异提出假设，并通过路径分析、频次管理和增量实验进行验证。未来，能否理解并善用这些新的数据工具，将成为卖家竞争力的关键分水岭。
外部参考资料来源：
