MTA 的黄金时代
2015-2020 年，多触点归因 (Multi-Touch Attribution, MTA) 是数字营销测量的金标准。它的逻辑很清晰：
- 追踪每个用户从首次接触到购买的完整路径
- 用算法（Shapley 值、Markov 链、逻辑回归）分配每个触点的贡献权重
- 输出用户级的 ROAS，精确到每一次点击
在那个时代，Google Analytics、Adobe Analytics、以及独立 MTA 厂商（Visual IQ、Convertro、Adometry）提供了前所未有的精细度。你可以知道"TikTok 的第三次曝光贡献了 12% 的转化概率"。
MTA 的前提：它需要完整的、用户级的、跨平台的触点数据。这个前提在 2021 年之后崩塌了。
隐私时代崩塌
三个事件彻底终结了 MTA 的统治地位：
1. iOS 14.5 + ATT（2021 年）
Apple 的 App Tracking Transparency 要求 App 必须获得用户明确同意才能跨应用追踪。结果：约 75% 的用户选择拒绝。iOS 上的跨应用归因数据损失了 40-60%，MTA 模型严重失真。
2. 第三方 Cookie 淘汰（2024 年）
Chrome 虽然在 2024 年调整了策略，但第三方 Cookie 的退场趋势不可逆。跨域追踪能力持续下降，浏览器内的 MTA 数据覆盖率从 90%+ 降到 60% 以下。
3. 数据可用性碎片化
Meta、Google、Amazon、TikTok 各自封闭生态，平台内数据不互通。跨平台用户匹配率从 70% 降到 30-40%。MTA 需要"看到完整路径"，但现在路径被切成碎片。
iOS 14.5 后 MTA 可追踪用户覆盖率下降约 40-50%。这意味着 MTA 模型训练用的样本量减半，输出的渠道贡献权重存在系统性偏差 — 平台内渠道（Meta Ads）被高估，平台外渠道（线性电视、户外广告）被低估。
MMM 的回归
MMM 不依赖用户级数据。它工作在聚合层 — 每日/每周的渠道总花费和总销售。只要你有"那天花了多少、卖了多少"，就能建模。
这让它天然免疫隐私限制：
| 维度 | MTA | MMM |
|---|---|---|
| 数据粒度 | 用户级触点路径 | 聚合层花费与销售 |
| 隐私依赖 | 高（需要跨平台追踪） | 低（只需汇总数据） |
| 覆盖渠道 | 仅数字渠道 | 全渠道（含 TV、户外） |
| 因果性 | 弱（观察性路径数据） | 弱（相关性，需实验校准） |
| 时效性 | 实时/近实时 | 周/月粒度 |
| 适用场景 | 微观触点优化 | 宏观预算分配 |
核心差异对比
MTA 和 MMM 不是在同一层面解决问题。MTA 回答"哪个触点促成了转化"，MMM 回答"哪个渠道的预算应该增加"。
一个具体例子：
- MTA 视角：用户路径是 TikTok 曝光 → Google 搜索 → Meta 点击 → 购买。MTA 会把功劳分配给三个触点。
- MMM 视角：本月 TikTok 花费增加 20%，总销售增加 8%，控制其他变量后，TikTok 的弹性系数是 0.4。建议维持当前 TikTok 预算。
MTA 更精细但更脆弱，MMM 更稳健但更粗粒度。
两者如何互补
成熟的测量体系不是二选一，而是三层架构：
- MMM（宏观层）：季度/年度预算分配决策。回答"下个季度 Google、Meta、TikTok、TV 各花多少"
- MTA（微观层）：日常 campaign 优化。回答"这条广告在 Meta 上的归因 ROAS 是多少，要不要调整出价"
- 增量实验（因果层）：校准 MMM 和 MTA。回答"TikTok 的真实增量 ROAS 是多少"
关键洞察：MMM 提供方向，MTA 提供战术精度，增量实验提供因果校准。三者形成测量飞轮。
SparkX 的立场
SparkX MMM 专注于MMM + 增量实验这一层。我们不做 MTA，因为：
- MTA 的数据可用性问题只会越来越严重
- 大多数品牌的核心痛点是"不知道该在哪个渠道花多少钱"，这是 MMM 的领域
- MTA 已经被平台自带工具（Meta Attribution、Google Ads 归因）覆盖得足够好
但我们的 API 支持将 MTA 结果作为辅助变量导入，在 Expert Mode 中作为先验信息提升模型精度。如果你同时有 MTA 和 MMM，用 MTA 的相对渠道权重作为先验，MMM 做全局拟合，效果最好。
如果你的年营销预算 < $500k，只做 MMM 就够了。如果 > $2M，建议 MMM + MTA + 增量实验三层并行。中间地带从 MMM 开始，按需增加实验。