多触点归因 MTA：马尔可夫与 Shapley

多渠道多触点归因模型 (Multi-Touch Attribution, MTA) 算法体系（最后点击归因 vs 基于马尔可夫链移除效应的归因 vs 基于博弈论 Shapley 值的公平归因）是衡量不同营销投放渠道（信息流广告、搜索广告、KOL 带货、短信召回）对最终用户购买转化贡献度的核心数据分析方法；传统规则归因（如 Last-Touch / First-Touch）极度片面，总是把 100% 功劳给最后点击或初次触达；算法归因两大主流：1) 马尔可夫链归因 (Markov Chain Attribution / Removal Effect): 将用户从“初次曝光 $\to$ 搜索 $\to$ 浏览 $\to$ 转化/流失”建模为状态转移概率矩阵 $P$，通过计算移除某一特定渠道后全链路总转化率的相对下降幅度（Removal Effect: $R_i = 1 - \frac{P(\text{Conversion w/o Channel } i)}{P(\text{Conversion Total})}$）来分配功劳；2) 沙普利值归因 (Shapley Value Attribution): 基于合作博弈论计算每个渠道在所有可能联盟子集下的边际平均贡献，满足严密的公理化公平性（有效性、对称性、虚拟性与可加性）。

亿级跨渠道数字营销预算归因结算、广告投放渠道权重优化、用户转化旅程路径分析。

传统最后点击归因严重低估了高价值品牌曝光与搜索前期的种草心智价值；马尔可夫与 Shapley 算法归因还原了各渠道在全转化旅程中的真实协同贡献。

写出马尔可夫链归因中吸收态转移概率矩阵的构造方法，并详细推导移除效应 (Removal Effect) 的数学计算步骤？

写出沙普利值 (Shapley Value: $\phi_i(v) = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!(|N|-|S|-1)!}{|N|!} (v(S \cup \{i\}) - v(S))$) 的合作博弈公式，并说明四大公理？

为什么在实际落地中，当触点渠道数量 $N > 15$ 时，Shapley 值的 $O(2^N)$ 计算复杂度会发生爆炸，如何通过 Monte Carlo 随机采样近似求解？

隐私政策变革冲击（Apple ATT 弹窗与三方 Cookie 废除）对用户级路径跟踪的破坏：为什么行业正加速从 MTA 转向隐私安全宏观的 MMM (市场营销组合模型)？

增量因果归因 (Incrementality-based Attribution): 如何通过增量实验 (Geo-Lift Experiment) 矫正 MTA 算法模型得出的归因系数？