How to compute Shapley-value attribution and read the result honestly

The question: you want a credit allocation with a defensible fairness property. The Shapley value — borrowed from cooperative game theory — distributes credit by averaging each channel's marginal contribution across all possible orderings. How do you actually compute and interpret it?

The playbook:

— Define each channel as a 'player' and conversions as the 'payout' of a coalition (set of channels present in a path).
— Compute each channel's marginal contribution: conversion rate of coalitions with it minus without it.
— Average those marginals across all orderings. This is the unique allocation satisfying efficiency, symmetry, and the null-player property — which is why it's theoretically clean.
— Mind the combinatorics. Channels grow the coalition count as 2^n; beyond ~10-12 channels you'll need Monte Carlo sampling to approximate.

The nuance: Shapley's fairness axioms are mathematical, not causal. It fairly divides the observed correlation between channel presence and conversion — it does not establish that any channel caused anything. Two channels that always co-occur get split evenly even if only one is doing the work. Only experiments resolve that.

Bottom line for practitioners: Shapley is the most principled observational allocator and an excellent prior. But 'fair' is a property of the math, not proof of incrementality — calibrate it against a lift test before betting budget on the split.

A checklist for attributing offline and phone conversions correctly

The question: a meaningful share of conversions happen off-site — calls, store visits, sales-assisted deals. How do you bring them into attribution instead of letting them vanish into (direct)?

The instrumentation checklist:

— Deploy dynamic call tracking. Swap the displayed phone number per session so the call inherits its source, medium, and campaign. Without this, every phone sale defaults to last-touch noise.
— Capture a click identifier (the platform's click ID) at lead creation and store it. When the deal closes weeks later in the CRM, you can upload the offline conversion back to the platform against that ID.
— Set the offline conversion window to match your real sales cycle. A 90-day B2B cycle uploaded into a 30-day window loses most of its conversions.
— Reconcile CRM revenue to ad-platform uploads monthly; silent upload failures are common.

The nuance: offline conversion import still rests on last-click logic — it hands full credit to whatever touch the click ID captured. It fixes the missing-data problem, not the single-touch-bias problem. And matching introduces its own gaps: unmatched offline sales quietly understate the channels that drive them.

Bottom line for practitioners: instrument calls and CRM-back uploads so offline conversions exist in your data at all — that's the prerequisite. Then remember you've solved coverage, not causation; the credit logic underneath is still last-click until you test it.

Тем временем подстилка коричневых Кардиналов и лично Кустова главред Максим Огненный завёл собственный канал, где, наверное, опять будет писать стихи и анонсировать вьюхи с ме**дроновыми наркоманами.🤡🤡

Чем вообще известен этот персонаж? Собсна, только порцией отборного кринжа, например, не так давно он выебывался на Иванова в "Письмах кардинала", но недожал и тема осталась нераскрытой. ЕЮ заслужил даже высокоинтеллектуальные выпады, которые тот не понял в силу врождённого аутизма:

Высокохудожественная лексика героя, демонстрируемая им не только на своем канале, но и на любой публичной площадке, настолько пленит любого слушателя, что мало кто может стать собеседником жертвы во второй раз.

Нихуя не разбираясь в аффилке, он на серьёзных щах брал интервью у Мефмедова и пытался построить серьёзный диалог с объёбанной ракетой. Из остальных достижений только нытье в чатиках: персонаж настолько невзрачный, что даже хуесосить его не так интересно.¯\_(ツ)_/¯

А теперь Огненный завёл собственный канал, где собрался выебать всех, но, походу, ебать будет лишь подписоту своей графоманией. Похожей хуйнёй занимался и оунер ФБ Киллы, который так любит рассуждать про экономику и политику. Оно и понятно: что у коричневых, что у киллы, что у партнёркина — один инвестор и одна крыша, поэтому подопечные синхронно занимаются бестолковой хуйнёй. Кому не похуй, подписывайтесь, будет интересно (нет): https://t.me/+dr240TeLtPc2Nzdk

В арбитраже деньги есть, но только у тех, кто с LuckyCards 💵

How to run a power analysis before you launch any attribution experiment

The question: half of incrementality tests come back 'inconclusive' — not because the channel doesn't work, but because the test was never large enough to detect its effect. How do you avoid wasting a quarter on an underpowered test?

The power-analysis steps, before launch:

— Define the minimum detectable effect (MDE) — the smallest lift worth acting on. A test built to catch a 30% effect is blind to a real 8% one.
— Pull your baseline conversion rate and its variance. Rare, noisy conversions need far more sample than common ones.
— Estimate required sample and duration for ~80% power at your MDE. The arithmetic: smaller effects and noisier metrics demand quadratically more data.
— Reality-check against your traffic. If hitting power needs 12 weeks and you have 6, redesign now — switch to a more granular metric, a cleaner geo pairing, or a bigger holdout share.

The nuance: a null result from an underpowered test tells you nothing — you can't distinguish 'no effect' from 'effect too small to see.' Teams routinely misread these nulls as proof a channel is worthless and cut it wrongly. Absence of evidence isn't evidence of absence.

Bottom line for practitioners: compute MDE, baseline variance, and required duration before you start. An experiment you can't power is a coin flip dressed as rigor — design it to detect the effect size that would actually change your decision, or don't run it.

Antropic раскрыла ферму с нейронными дейтинг-моделями

Anthropic раскрыла кейс китайской студии, которая запустила 20 дейтинг-приложений с нейропрофилями для удержания пользователей. Вместо стандартного слива дейтинг-трафика на чужие смартлинки, вебмастерам стоит присмотреться к разработке собственных LLM-сервисов. Затраты на токены и подключение платежных решений окупаются за счет прямого контроля над монетизацией и забора всей маржи рекламодателя.

➡️ Читайте на сайте: https://aff.top/blog/antropic-raskryla-fermu-s-neironnymi-deiting-modeliami

🧠 Ещё больше инсайтов → в канале AFF.top

Разработчик игры слил $220 в Google ads на установки ботами

Статья описывает кейс разработчика, потерявшего бюджет в Google Ads из-за фрода и специфики атрибуции. Платформа засчитала конверсии, которые не подтвердились в Google Play Console, так как алгоритм учитывает установки без прямой связи с кликом. Главный вывод: Google Ads может наливать ботов не меньше пуш-сетей. При работе за инсталы важно жестко контролировать качество трафика и сверять аналитику с бэкендом, в то время как Facebook на данный мо…

➡️ Читайте на сайте: https://aff.top/blog/razrabotchik-igry-slil-220-v-google-ads-na-ustanovki-botami

🧠 Ещё больше инсайтов → в канале AFF.top

Google расширил Data Manager

Google интегрировал инструмент Data Manager в GA и DV360 для удобной передачи first-party данных, что дает рост ROAS до 26%. Для арбитража трафика прямого применения у офлайн-данных нет, однако инструмент можно использовать для манипуляции алгоритмами: отправка синтетических конверсий через API поможет скорректировать оптимизацию и направить автостратегии на поиск нужной аудитории.

➡️ Читайте на сайте: https://aff.top/blog/google-rasshiril-data-manager

🧠 Ещё больше инсайтов → в канале AFF.top

How to choose and configure a heuristic model when you can't run experiments

The question: you lack the data volume or budget for Markov, Shapley, or lift tests. Among the simple rule-based models — first-touch, last-touch, linear, time-decay, position-based — how do you choose deliberately instead of by default?

The selection playbook:

— Map your sales cycle length. Short impulse cycles tolerate last-touch; long considered cycles demand a model that credits the opener.
— Match the model to your actual question. Asking 'what creates demand'? First-touch or position-based (the 40-20-40 'U-shape' that rewards first and last). Asking 'what closes'? Last-touch. Asking 'what sustains a long nurture'? Time-decay, which weights recent touches more.
— Set time-decay's half-life from your real conversion lag, not the default. A 7-day half-life on a 60-day cycle erases the top of the funnel.
— Run two heuristics in parallel and study where they disagree — the disagreement maps your funnel's shape.

The nuance: every heuristic is an assumption wearing a number. None is more 'correct' than another; each encodes a different belief about how touches matter. They describe correlation patterns you imposed by choosing the rule — they prove no causation.

Bottom line for practitioners: pick the heuristic that matches your sales-cycle length and the specific question you're answering, configure its parameters from measured lag, and never present its output as truth. A consciously chosen rule beats an inherited default — but it's still a convention, not a measurement.