Meta/Google/TikTok 的花费在你自己的后台，Amazon Ads 的花费和转化在亚马逊的后台，两套数据从粒度到归因逻辑完全不是一回事。预算会议上经常出现"两边都说自己贡献大"的死锁——这篇文章讲清楚问题出在哪，以及怎么打通。
如果你的品牌同时在 Meta、Google、TikTok 投站外广告，又在 Amazon 上跑 Sponsored Products / Sponsored Brands / DSP，你大概率遇到过这个场景：季度预算会议上，站外团队拿着 GA4 或者 Shopify 的归因报告，说"Meta 贡献了 35% 的收入"；Amazon 运营团队拿着 Amazon Ads Console 的 ACOS 报表，说"Sponsored Products 的 ROAS 是 4.2"。两份数据都不假，但没有人能回答一个更关键的问题：如果把预算从 Meta 挪 10% 到 Amazon DSP，总增量会怎么变？
这个问题回答不了，本质原因不是数据不够，而是两套体系的"转化"根本不是同一件事。Meta 归因的是站外落地页到 Shopify/独立站的购买，Amazon Ads 归因的是站内 ASIN 的购买——同一个消费者可能被 Meta 广告种草后，直接搜索品牌词跑去 Amazon 下单，这笔交易在 Meta 后台看是"未转化"，在 Amazon 后台看是"自然搜索转化"，两边都不会把功劳记给对方，但真正驱动这笔交易的可能恰恰是 Meta 广告的种草效应。
把 Meta ROAS 和 Amazon ACOS 倒数直接放在同一张表里比大小，是这个问题最常见的错误处理方式。两个指标的分母（归因窗口、转化定义、是否含自然流量）都不一样，直接比较得出的"谁更该加预算"的结论，大概率是错的。
把两套数据放进同一个模型之前，先要理解三个结构性差异，这些差异不是"数据没对齐"，而是两个平台的产品设计决定的：
| 维度 | DTC 站外（Meta/Google/TikTok） | Amazon Ads |
|---|---|---|
| 转化定义 | 落地页/独立站的购买事件（像素/Conversions API 回传） | ASIN 层级的订单，可能来自广告点击，也可能来自广告曝光后的自然搜索 |
| 归因窗口 | Meta 默认 7 天点击 + 1 天曝光，可配置 | 取决于广告类型和卖家身份：Sponsored Products 对 Seller 是 7 天点击归因，对 Vendor/Author 是 14 天；Sponsored Brands / Display 统一 14 天；Amazon DSP 统一 14 天（含点击和曝光） |
| 销售数据粒度 | 订单级，可关联独立站 SKU、客户 ID | ASIN 级汇总，Amazon 出于隐私政策不提供订单级明细给第三方工具 |
| 是否含自然流量 | 广告平台只报告广告归因的转化 | Amazon 的"广告后台 ROAS"不含自然搜索/推荐流量贡献，但 Brand Analytics 报表可以看到品类搜索词整体趋势 |
| 渠道间外溢 | 站外广告对 Amazon 站内转化的拉动，站外平台完全看不到 | Amazon 站内广告对站外品牌搜索的拉动，Amazon 后台也完全看不到 |
最后一行是关键——渠道间外溢（cross-channel spillover）在任何单一平台的原生报表里都是不可见的。这也是为什么"两边都算自己的账"永远算不出谁的贡献更大：因为各自的账本设计上就不包含对方渠道制造的外溢效应。这恰恰是 MMM 存在的意义：MMM 不依赖任何单一平台的归因像素，而是用全渠道的花费和总销售额时间序列，反推每个渠道（含外溢）的真实边际贡献。
要把 Amazon 纳入 MMM，第一步是搞清楚能程序化拿到哪些数据。Amazon 目前对第三方分析工具开放的是 Amazon Marketing Stream 和 Amazon MMM API（Beta/GA 状态因市场而异）两条路径，核心可用数据分三类：
SparkX 的 Amazon Ads API 连接器目前状态是即将上线（产品路线图 v1.5），需要品牌在 Amazon Ads Console 完成注册并通过审批后才能授权同步。在连接器正式上线前，这条数据目前需要通过 Amazon Ads Console 或 Amazon Marketing Stream 手动导出 CSV，再通过 SparkX 的通用数据上传功能接入建模管道。这不影响下文讲的建模方法——手动导出的数据和未来自动同步的数据在字段结构上是一致的。
拿到这些数据后，真正的工作才开始：把它们对齐到和站外渠道同一张时间序列表里，这是下面三步要解决的问题。
MMM 的目标变量（要解释的 Y）必须是一个能同时装下站内站外交易的口径。如果你的品牌在 Amazon 上的销售占比不小（很多 DTC 品牌 Amazon 渠道占 20–40% 的总收入），只用独立站收入作为目标变量，会让模型系统性低估所有能拉动 Amazon 站内转化的渠道（尤其是品牌类广告和电视/线下渠道）的真实贡献。
正确的做法是把目标变量定义为总收入 = 独立站收入 + Amazon 站内收入（含广告归因和自然搜索），按天或按周汇总成一条时间序列。这一步的难点不是技术，是组织协调——独立站收入通常在 Shopify/GA4，Amazon 收入在 Amazon Ads Console 和 Seller Central，两个数据源的对账口径（含税、含退款、含运费）需要提前拉齐，否则会在合并后的序列里引入噪音，反过来污染模型对广告效应的估计。
Amazon 广告的归因窗口普遍比站外平台更长，但具体长度因广告类型和卖家身份而不同——Sponsored Products 下 Seller 账户是 7 天，Vendor/Author 账户是 14 天；Sponsored Brands/Display 和 DSP 不区分卖家身份，统一是 14 天。如果直接把两边的"当日转化数"拼接成一张表，会造成一个隐蔽的时序错位：Amazon 侧（尤其是 14 天窗口的广告类型）的"转化"实际上是过去一到两周内多次曝光/点击的累积结果，而站外侧的"转化"更贴近当天或近几天的曝光效果。
MMM 本身用 Adstock（广告存量衰减）机制来处理这种时序延迟效应，这也是为什么 MMM 比单纯拼表格更适合处理跨平台数据——你不需要人工把 Amazon 的归因窗口"拉平"成 7 天，而是把 Amazon 花费也当作一个独立渠道输入模型，让 Adstock 衰减参数自己去拟合这个渠道实际呈现出的滞后效应长度。需要人工做的，只是保证花费数据本身按自然日/自然周正确对齐，不要把 Amazon 的"归因周期"和实际"花费发生周期"搞混——花费永远按实际投放日期记录，归因窗口的差异交给模型的 Adstock 层处理。
这是整篇文章最重要的一步，也是回答"两边都说自己贡献大"这个死锁问题的关键。品牌搜索量（Branded Search Volume）是连接站外和站内渠道的桥梁——Meta/TikTok 上的种草广告，很大一部分转化路径是：看到广告 → 不点击 → 几天后在 Amazon 或 Google 上搜索品牌词 → 下单。这条路径里，Meta 广告制造了需求，但转化发生在 Amazon 站内，Meta 广告后台看不到这笔转化，Amazon 广告后台会把它算成"自然搜索"而不是广告归因。
把站外广告花费和 Amazon 站内销售放进同一个 MMM 模型，模型能够捕捉到这种滞后的跨渠道拉动关系：如果 Meta 花费的系数在控制了 Amazon 自身广告花费之后依然显著为正，且这个效应在时间上滞后于 Meta 花费本身（通过 Adstock 衰减参数体现），这就是统计意义上可信的"外溢证据"——比任何单一平台的归因报表都更接近真实的因果关系。
如果条件允许，建议同时把"品牌词搜索量"（Google Trends 品牌词指数，或 Amazon Brand Analytics 里的搜索排名数据）作为一个辅助的控制变量纳入模型。它本身不是一个媒介渠道，但能帮助模型把"站外广告拉动品牌搜索、品牌搜索转化到 Amazon"这条路径的中间环节显性化，减少外溢效应被错误地归因给其他相关变量（比如季节性）的风险。
"站外广告拉动站内自然转化"这句话要在 MMM 里落地，需要先明确一个前提：普通的单渠道 MMM 方程没有办法表达外溢，因为它假设每个渠道的贡献只取决于自己的历史花费。要装下外溢，有两种数学上站得住脚的做法——直接效应扩展法和两阶段中介模型，两者可以配合使用。
标准 MMM 的销售方程是：
这个方程假设渠道之间互不影响，Amazon 站内转化只取决于 Amazon 自己的广告花费。要显式建模"Meta 花费拉动 Amazon 站内自然转化"，需要在方程里加一个跨渠道交互项：
其中 γ（gamma）就是外溢系数——它衡量的是"控制了 Amazon 自身广告花费之后，Meta 的历史花费对 Amazon 站内销售还有多少净贡献"。τ（tau）是滞后期数，因为种草到转化通常有几天到两周的延迟，不会是当天发生。这个方程能不能估计出稳健的 γ，取决于三件事：
γ 的估计会不稳定。γ 的后验分布——如果 95% 置信区间跨过 0，说明外溢效应在当前数据量下不能被可信地检测出来，不该草率下结论说"Meta 对 Amazon 有拉动"。直接效应扩展法有个局限：它把 Meta 花费到 Amazon 销售之间的机制当成一个黑箱，只估计一个总的 γ，看不出"到底是不是通过品牌搜索这条路径"在起作用。如果你有品牌词搜索量数据（Google Trends 品牌词指数，或 Amazon Brand Analytics 的搜索排名），可以把这条因果链拆成两段来估计，这在计量经济学里叫中介分析（Mediation Analysis）：
第一阶段回答"Meta 花费能不能拉动品牌搜索"，第二阶段回答"品牌搜索能不能转化为 Amazon 站内销售"。整条中介路径的间接效应（indirect effect）是两段系数的乘积：
这个乘积就是"Meta 广告通过品牌搜索这条路径，对 Amazon 销售的真实拉动量"，比方式一里那个笼统的 γ 更有解释力，因为它把机制拆开了——如果 α1 显著但 β1 不显著，说明 Meta 确实在拉动搜索，但搜索没能有效转化成 Amazon 订单，问题出在 Amazon 站内的转化环节（可能是 Listing 质量、价格、评论数不够），而不是 Meta 广告本身没用。这个区分对预算决策的意义完全不同：前者该优化 Amazon Listing，后者才该砍 Meta 预算。
中介效应的显著性检验不能直接用两段回归各自的 p 值相乘去判断，标准做法是用 Bootstrap 重采样（重复抽样计算 α1 × β1 的分布）或 Sobel 检验来估计间接效应本身的置信区间。样本量小（比如少于 100 周的数据）时，Bootstrap 方法的置信区间会更保守也更可信。
加了跨渠道交互项或者中介路径之后，模型的解释力（R²）几乎总会提升——但这不代表外溢效应就是真的，有可能只是给模型多加了自由度、让它更容易拟合噪音。三个诊断步骤能帮你判断结果是否可信：
| 诊断方法 | 怎么做 | 通过标准 |
|---|---|---|
| 留出集验证 | 用最近 8-12 周数据作为 holdout，比较含外溢项和不含外溢项两个模型在 holdout 上的预测误差（MAPE 或 RMSE） | 含外溢项模型的 holdout 误差应该更低，不只是训练集拟合更好 |
| 置换检验（Permutation Test） | 把 Meta 花费的时间序列随机打乱顺序（破坏真实的时序关系）重新估计 γ 或间接效应，重复 500-1000 次，看真实数据估计出的效应值排在打乱后分布的第几百分位 | 真实效应值应该显著偏离打乱后的分布（通常要求排在前 5% 或后 5%） |
| 反向检验 | 把因果方向反过来跑一遍——用 Amazon 花费预测 Meta 渠道的表现，如果反向也能跑出类似强度的"效应"，说明原来的结果更可能是共同趋势（比如季节性）而不是真实的跨渠道拉动 | 反向模型的效应应该明显更弱或不显著 |
三项diagnostics里，留出集验证是最基本的门槛——如果加了外溢项后训练集拟合变好但 holdout 误差没有改善甚至变差，几乎可以确定是过拟合，这个外溢项不该留在最终模型里，不管它的系数看起来多么"合理"。
前面的直接效应扩展法和中介模型，估计的都是一个方向——Meta 站外花费对 Amazon 站内销售的拉动。如果你想证明的是"Amazon 广告也能反过来带动独立站/DTC 渠道的销售"，不能简单地把公式里的 amz 和 meta 互换再跑一次就算完事，因为这样做完全可能得到两个看起来都"显著"的方向，但其中至少一个是假的——共同的季节性、大促节奏、品牌整体声量上升，会同时推高两个渠道的销售，让模型误以为"A 拉动了 B"，而实际上是"C（某个没进模型的共同因素）同时拉动了 A 和 B"。
要严谨地检验双向关系，需要两件东西：一个对称的双方程系统，以及一个专门为检验双向因果设计的统计工具（Granger 因果检验）。
把方式一里的单向交互项，扩展成两条方程，每条方程都控制对方渠道自身的花费和滞后效应：
这里 γ1 衡量"DTC 站外花费对 Amazon 销售的净拉动"，γ2 衡量反过来"Amazon 广告花费对 DTC 独立站销售的净拉动"。两条方程必须同时估计、共享同一组控制变量（尤其是季节性和促销日历），而不是分别单独跑两次回归——这一点很关键：如果两条方程用的控制变量集合不一致，某个方向"显著"很可能只是因为那条方程漏掉了本该控制的共同驱动因素。真正双向的证据是：在两条方程都充分控制了共同因素之后，γ1 和 γ2 依然分别显著为正。
Granger 因果检验（Granger Causality Test）是计量经济学里专门用来回答"A 的历史信息能不能帮助预测 B 的未来，超出 B 自身历史信息所能预测的范围"这个问题的工具，天然适合检验双向关系，因为它可以对两个方向分别独立检验，不要求你预设"谁影响谁"。基本逻辑是比较两个预测模型：
如果加入 DTC 花费的历史滞后项之后，完整模型对 Amazon 销售的预测显著优于只用 Amazon 自身历史的受限模型（用 F 检验比较两者的残差平方和），就说"DTC 花费 Granger-causes Amazon 销售"。把两个渠道的角色互换，再做一次同样的检验，就能独立得到"Amazon 花费是否 Granger-causes DTC 销售"的结论。四种可能的结果组合，分别对应四种不同的业务结论：
| 检验结果 | 业务含义 |
|---|---|
| 双向都显著 | DTC 和 Amazon 之间存在真实的相互拉动，预算决策需要同时考虑两个方向的外溢，单独优化任何一个渠道都会低估其对另一渠道的贡献 |
| 只有 DTC → Amazon 显著 | 种草效应主要走"站外广告→品牌搜索→Amazon 转化"这条路径，Amazon 广告本身更多是承接站外流量而非独立创造新增需求，Amazon 预算应该侧重防守型投放（品牌词保护）而非进攻型扩量 |
| 只有 Amazon → DTC 显著 | 可能是 Amazon 站内的评论/排名信任背书效应外溢到了独立站决策（消费者先在 Amazon 上验证产品口碑，再回独立站用会员价/订阅折扣下单），这种情况下砍 Amazon 预算去补贴独立站，反而会伤到独立站的转化 |
| 双向都不显著 | 此前观察到的"效应"更可能来自未被模型充分控制的共同因素（大促日历、季节性、品牌整体声量），需要回头检查控制变量是否完整，而不是急着下"两个渠道无关"的结论 |
Granger 因果检验要求两个时间序列都是平稳的（不存在持续增长或衰减的趋势），如果 Amazon 或 DTC 的销售额本身有明显的长期增长趋势，需要先做差分（用逐周变化量代替原始水平值）或去趋势处理，否则检验结果会虚高，两个高速增长的序列几乎总能"检验出"双向显著，但这只是趋势共振，不是真实的渠道拉动。
把双向外溢证据落到实际操作上，建议按这个顺序推进：
γ1、γ2 的贝叶斯后验分布。这套流程跑下来，能得到的不是一句"DTC 和 Amazon 互相带货"的定性结论，而是两个有置信区间、经过交叉验证的量化系数——这才是能真正支撑预算决策（比如"该不该为了拉动 Amazon 搜索排名，把 10% 的 Amazon DSP 预算挪去做站外品牌广告"）的证据，而不是一句听起来合理但经不起推敲的直觉判断。
具体到建模操作，把 Amazon 数据接入后的渠道结构大致是这样：
| 变量类型 | 包含内容 | 作用 |
|---|---|---|
| 媒介渠道（自变量） | Meta、Google、TikTok 花费 + Amazon Sponsored Products / Sponsored Brands / DSP 花费，各自独立作为渠道 | 模型分别估计每个渠道的 Adstock 衰减和饱和曲线 |
| 控制变量 | 品牌词搜索指数、价格/促销强度、季节性（假期、Prime Day）、竞品大促 | 剥离非媒介因素对销售的影响，避免把季节性错误归因给广告 |
| 目标变量 | 总收入（独立站 + Amazon 站内，含自然流量） | 让模型能捕捉到站外渠道对站内自然转化的外溢贡献 |
引擎选择上，如果 Amazon 渠道和站外渠道之间存在明显的非线性交互（比如"Meta 和 Amazon Sponsored Brands 同时投放时的联合效应，大于两者单独效应之和"），LightGBM + SHAP 引擎比线性引擎更适合这类场景——它天然能捕捉渠道间的交互效应而不需要提前手动指定交互项。如果你更关注每个渠道系数的置信区间和统计显著性（比如要在董事会上讲清楚"Amazon 广告的真实增量 ROI 有多大把握"），PyMC 或 SparkX Expert 引擎的贝叶斯后验分布能给出更严谨的不确定性量化。
建议的实际流程：先用 Ridge 引擎跑一个 Instant Mode 基线（几分钟出结果），确认合并后的数据序列没有明显异常值或口径错位；再切到 Expert Mode，用 LightGBM + SHAP 或 PyMC 精细建模，重点看 Amazon 渠道系数在剥离站外渠道影响后是否依然稳健。
DTC 和 Amazon 从来不是两个割裂的生意，消费者的决策路径本身就是跨渠道的。数据体系不打通，模型看到的永远是残缺的因果链条。把两边的花费和销售放进同一个 MMM，不是为了得到一个"更好看"的仪表盘，而是为了在下一次预算会议上，能拿出一个两个团队都认的答案。