多触点渠道归因想从「末次点击」切到数据驱动（Shapley/马尔可夫），落地时怎么解决状态爆炸与衰减窗口选取？

【背景】 我做了 5 年算法，最近在负责一个 B2B SaaS 的获客漏斗数据：从曝光 → 注册 → 激活 → 付费共 4 层，上游接入约 18 个渠道（SEM、信息流、行业媒体、销售外呼、伙伴转介绍、内容营销等）。目前业务方考核渠道 ROI 用的是「末次点击归因」，销售外呼因为离付费最近，长期拿走高额 credit，业务方自己也觉得不合理，想切到数据驱动的归因模型（Shapley Value / 马尔可夫链 / Data-Driven Attribution）。

【现象与卡点（具体）】

1. 渠道数 18 个，Shapley 精确解复杂度 O(2^n) ≈ 26 万条子集，单用户可接受，但我们日活注册事件量级在百万级，直接跑不动；采样近似（比如只采 200 个子集）后归因分数在渠道间抖动明显，业务方拿到两份报告数字对不上。
2. 马尔可夫链方案里，转移概率矩阵依赖「会话窗口」切分，我用过 7 天和 30 天两种窗口，同一渠道的 removal effect 能差 3 倍以上，不知道业界怎么选窗口、怎么给业务方一个稳定的口径。
3. 衰减窗口（attribution window）到底按渠道类型差异化（SEM 7 天 / 内容 90 天）还是统一一个窗口？有没有可复现的选取方法，而不是拍脑袋。

【已尝试的排查与结果】

• 用 Python 手写 Shapley + 蒙特卡洛采样（sample=200），单用户 30ms，全量跑 4 小时，但结果方差大；
• 换用马尔可夫链（基于转移矩阵 + removal effect），窗口 7 天 vs 30 天结果差异显著，业务方质疑口径；
• 查了 Google Analytics 4 的 Data-Driven Attribution 文档，但它是黑盒，没有可复现的公式细节。

【期望得到的答案形态】

• 希望有人给出可复现的工程方案：Shapley 近似算法（比如蒙特卡洛采样数怎么定、有没有低方差估计器如 Antithetic / Sobol 序列）、或者直接用现成库（Python 的 shap / R 的 attributionR）；
• 马尔可夫链方案里状态窗口与转移矩阵的稳健选取方法，最好有阈值判断（比如用移除效应稳定性作为收敛判据）；
• 衰减窗口的选取原则，最好能给出一个可量化的评估流程（比如用历史数据回测不同窗口下渠道 credit 分配的方差），而不是经验值；
• 如果能附上一个小数据集上的对比（末次点击 vs Shapley vs 马尔可夫，同一批 100 个用户），就更好了。

我自己倾向的方案是：用 Sobol 序列做 Shapley 近似 + 用移除效应稳定性判定马尔可夫窗口的收敛，但没把握这套组合在百万级事件量下是否可行，想听听各位的实战经验。