许多卖家在广告复盘时，习惯直接查看后台的归因订单与销售额。但当消费者经历“Streaming TV曝光 -> DSP Display曝光 -> Sponsored Products点击 -> 购买”的复杂路径时，默认归因往往掩盖了各触点的真实贡献。进入AMC（Amazon Marketing Cloud）进行自定义归因，才能根据业务逻辑重新分配触点价值。
本文深度拆解AMC核心用例：Custom attribution overview。其核心并非制作更复杂的报表，而是解答以下三个关键问题：
- AMC自定义归因与亚马逊标准归因的核心差异；
- 首次、末次、线性和位置归因模型的适用场景；
- 执行查询前如何正确选择转化表与字段，避免数据重复计算。
归因的核心逻辑解析
归因的本质，是将一次转化的贡献合理分配给消费者在转化前接触的各个广告触点。
假设一位消费者的转化路径为：Streaming TV曝光 -> DSP Display曝光 -> Sponsored Products点击 -> 购买。采用不同归因模型，会得出截然不同的结论：
- 首次触点归因：100%功劳归于 Streaming TV；
- 末次触点归因：100%功劳归于 Sponsored Products；
- 线性归因：路径中各广告活动平均分配功劳；
- 位置归因：重点奖励首尾触点，官方模板默认按30%和70%分配。
需明确的是：自定义归因结果并非“转化路径明细表”。查询会在内部识别触点顺序，按模型将加权转化分配至Campaign，最终输出的核心依然是各Campaign获得的归因贡献占比。
标准归因与自定义归因的区别
亚马逊广告后台已具备标准归因功能，但不同广告产品与转化类型的规则存在差异。
ASIN转化的标准归因
Seller Sponsored Products 通常采用基于商家的末次点击归因（常用7天窗口）；而DSP、Sponsored Brands、Sponsored Display及Vendor Sponsored Products的ASIN转化，则采用基于品牌的归因逻辑，综合考量相关性，优先点击、次优浏览。
Pixel转化的标准归因
Pixel转化通常采用14天末次触点逻辑，优先最后一次点击，其次最后一次浏览。
AMC自定义归因
AMC允许广告主自主选择规则型模型，并根据场景调整回溯窗口。针对ASIN转化及推广ASIN的Sponsored Ads、DSP分析，官方模板通常基于最长28天的相关窗口设计。
自定义归因并非为了否定后台数据，而是提供多维业务视角。后台报表适用于查看标准口径，AMC则适用于对比不同模型下各类广告的角色定位。
四大归因模型的适用场景
首次触点归因 (First touch)
将100%转化贡献归于路径中的首次广告接触。适合识别开启消费者旅程的核心Campaign，尤其适用于评估认知类广告、视频广告及上层漏斗投放效果。
末次触点归因 (Last touch)
将100%贡献归于转化前的最后一次广告接触。适合识别逼近成交的Campaign，常用于评估收口与转化驱动能力。
线性归因 (Linear)
将转化贡献平均分配给路径中的各Campaign触点。适合观察多触点协同影响转化的场景，避免“赢者通吃”的偏差。
位置归因 (Position based)
仅为首尾触点分配贡献，官方模板默认首次30%、末次70%（可调整为50%/50%等）。适合既重视获客开端、又强调成交收口的运营团队。
建议不要纠结于“哪个模型最准确”，而应先明确评估目标（引流、协同或收口）。将同一批数据代入四种模型，对比Campaign排名变化，往往更具分析价值。
核心转化表的选择策略
自定义归因主要涉及两张核心数据表：
conversions；conversions_with_relevance。
conversions 表
一条独立转化事件通常仅保留一行。适合探索账户内的转化事件类型、按转化本身进行汇总，以及检查事件类型和数量。
conversions_with_relevance 表
同一笔转化若与多个Campaign相关，可能会产生多行。该表增加了广告活动相关维度（如campaign、engagement_scope、halo_code）。官方四种规则型自定义归因模板主要依赖此表。
避坑指南：切勿直接将conversions_with_relevance中的转化数跨Campaign相加。因同一事件可能对应多个Campaign，直接相加会导致重复计算。必须使用官方模板的归因逻辑，或在正确粒度上去重后再汇总。
ASIN转化的深度理解
对于ASIN转化，进入自定义归因的数据需与广告主及Campaign具备相关性。常见条件包括：用户在转化前的相关窗口内接触过合格广告，且购买或互动的ASIN属于被推广商品、变体商品或同品牌光环范围。
自定义归因结果通常与DSP或Sponsored Ads控制台不完全一致，主要原因包括：
- 回溯窗口设置不同；
- 对曝光可见性的处理逻辑不同；
- 流量合格判定条件不同；
- 账户与Campaign间的竞争及去重规则不同；
- 自定义归因保留了更多可供模型重新分配的相关转化。
因此，不建议用AMC自定义归因结果与后台数据进行逐行对账。它更适合在统一的AMC口径下，对比Campaign、广告产品及模型的变化。
Pixel转化的特殊处理逻辑
Pixel转化涵盖站外落地页访问、表单提交、注册、加购等事件。其与ASIN转化的最大差异在于：自定义转化表中可能同时包含“接触过广告”与“未接触过广告”的用户。
这意味着，不能仅凭转化表中的Pixel事件就断定其由广告带来。实操中，必须将DSP或Sponsored Ads流量与Pixel转化相连接，先锁定广告接触用户，再执行自定义归因。
运行主模板前的探索查询
官方建议不要直接运行主归因模板，而应先确认账户中实际存在的事件类型。
转化事件探索查询
从conversions表中读取event_type、event_type_class、event_category、event_subtype、event_type_description及conversions等字段。
此步骤旨在建立“事件字典”，确认账户中实际存在购买、详情页、加购或Pixel事件后，再将目标事件写入后续模板。
订购省首购探索查询
若需分析订购省（Subscribe & Save）首次订阅转化，可使用event_subtype = 'snsSubscription'进行筛选，并按tracked_item汇总首个订购省转化。
注意：探索查询仅用于确认数据基础，不会自动返回归因结果。探索完成后，需返回对应的自定义归因主模板执行计算。
engagement_scope与halo_code字段解析
conversions_with_relevance表中最关键的两个字段为：
engagement_scope：说明转化商品与Campaign的关系范围；halo_code：进一步说明具体的直接推广、变体或品牌光环关系。
engagement_scope常见值包括：
PROMOTED：Campaign直接推广了该转化商品；BRAND_HALO：转化商品与推广商品属同品牌，但非直接推广商品；NULL：部分事件中不适用。
halo_code常见值包括TRACKED_ASIN、VARIATIONAL_ASIN、BRAND_KEYWORD、CATEGORY_KEYWORD、BRAND_MARKETPLACE、BRAND_GL_PRODUCT、BRAND_CATEGORY和BRAND_SUBCATEGORY。
ASIN层级逻辑可理解为：MARKETPLACE >> GL_PRODUCT >> CATEGORY >> SUBCATEGORY >> Brand >> ASIN。建议先运行官方提供的探索查询，了解同一商品为何与不同Campaign建立不同的相关关系。
区分Amazon Attribution与AMC自定义归因
Amazon Attribution 主要衡量站外营销（搜索、社交、视频、展示、邮件等）如何驱动Amazon站内的互动或转化，常用14天末次点击归因。
AMC自定义归因 主要评估Amazon Ads媒体触点（也可结合站外数据），支持首次、末次、线性、位置等多种规则型模型。
两者并非替代关系：Amazon Attribution解答“站外营销如何影响站内行为”，AMC自定义归因解答“多种广告触点如何共同促成转化”。组合使用，方能构建完整的媒体归因视角。
高阶实操建议
第一步：明确业务问题。寻找开启旅程的Campaign、收口Campaign，还是多触点协同？目标决定模型选择。
第二步：执行探索查询。先确认事件类型、ASIN、Pixel及订购省事件是否真实存在，再修改主模板，避免无效运行。
第三步：固定比较口径。四种模型必须使用相同的分析周期、转化事件、流量资格与回溯窗口，确保横向对比有效。
第四步：正确理解加权转化。线性和位置归因会产生小数，这是模型分配后的贡献值，并非实际新增订单。
第五步：严谨处理数据汇总。切勿跨Campaign直接相加相关转化，需确认数据源及去重逻辑后再行汇总。
核心总结
Custom attribution overview 的核心价值在于建立一套标准化的自定义归因工作流：
- 厘清标准归因与自定义归因的边界；
- 根据业务目标选择首次、末次、线性或位置模型；
- 精准选用
conversions或conversions_with_relevance表； - 通过探索查询验证事件与字段基础；
- 运行主模板，并在统一口径下对比分析结果。