营销组合建模

营销组合建模（MMM）是一种统计分析技术，使用汇总的历史数据而非用户级跟踪，量化每个营销渠道（以及非营销因素）对收入等业务结果的贡献。

MMM 最初于 20 世纪 60 年代为 TV 和印刷广告而开发；随着数字跟踪变得不再可靠，这项技术重新受到重视——它是唯一一种完全不依赖用户级标识符或 Cookie 的衡量方法。

归因在单个用户层面运作，沿着已跟踪的触点追溯特定客户的历程。MMM 在总体层面运作，通过分析一段时间内的汇总支出和收入模式来推断渠道贡献。

归因粒度较细但并不完整（会遗漏线下、暗社交和未跟踪的触点）。MMM 可以从统计角度观察全貌，但无法识别单个客户的历程。这两种方法相互补充，而不是相互竞争。

MMM 模型需要按周或按月的时间序列数据，包括：各渠道的营销支出、收入或转化，以及独立于营销而影响销售的外部变量——包括季节性、竞争对手活动、定价变化、宏观经济指标和天气。

MMM 输出的质量与输入的质量和完整性成正比。缺失渠道或外部因素会导致模型将它们的影响错误归因于数据集中存在的渠道。

MMM 的核心输出之一是收入分解图，展示总收入中分别归因于各营销渠道、基础需求（零营销情况下会发生的情况）和外部因素的比例。

这种分解通常会显示，来自基础需求的收入占比高于大多数营销团队的预期，从而重新校准对于营销总体影响以及各渠道增量价值的讨论。

广告存量效应指广告的延续影响——今天的广告支出会在未来几周继续影响销售，因为品牌记忆和认知度会逐渐衰减，而不是立即消失。

边际收益递减描述的是：渠道中每增加一单位支出，带来的增量收入都会低于上一单位支出。MMM 会量化每个渠道的广告存量效应衰减率以及达到边际收益递减的节点。

饱和曲线描绘渠道支出与收入产出之间的关系——展示收入如何在低支出水平下快速增长，随后随着渠道达到饱和点而趋于平缓。

这些由 MMM 输出结果推导出的曲线是预算优化的基础：它们揭示哪些渠道仍有增长空间（支出低、曲线陡峭），以及哪些渠道已经饱和（支出高、曲线平坦）并应将预算重新分配到其他渠道。

Meta 的 Robyn（R 软件包）和 Google 的 LightweightMMM（Python）是两大领先的开源 MMM 框架，让用户无需依赖昂贵的专有供应商即可开展复杂的营销组合分析。

Robyn 使用进化算法自动校准模型，并直接生成预算优化器输出结果和饱和曲线。LightweightMMM 使用贝叶斯推断，可以量化模型输出中的不确定性；这对于向决策者说明置信区间而言是一项重要优势。

MMM 预算优化器将饱和曲线作为输入，并求解能够使预测收入最大化的固定总预算分配方案——本质上是在每个渠道的曲线上找出每花费一美元所贡献的增量收入最多的点。

典型的 MMM 建议包括减少已饱和的 TV 或展示广告渠道的支出，并将预算重新分配给仍有增长空间的数字渠道，通常还会提供预计收入影响范围。

MMM 至少需要两年的每周数据才能产生可靠结果——较短的时间序列无法将季节性模式与真实的营销影响区分开来。它还存在滞后时间：模型通常每季度更新一次，因此无法为实时营销活动决策提供依据。

MMM 还难以处理高度相关的渠道（例如始终同时投放的 TV 和在线视频），也无法衡量用户级归因能够捕捉的细粒度受众定向效果。

完善的衡量框架会将 MMM 用于战略性预算分配决策（下一季度投资哪些渠道），将归因用于战术性的投放中优化（哪些关键词、受众和创意今天正在带来转化）。

MMM 会揭示归因在哪些地方系统性地高估或低估了渠道的贡献，并据此校准归因模型，形成反馈闭环，随着时间推移提升两种衡量方法的准确性。

验证 MMM 输出的一种常见方法是开展地理区域留出实验——在一组测试市场中停投某个渠道，同时在对照市场中维持投放，然后将收入差异与 MMM 对该渠道预测的贡献进行比较。

当留出实验结果接近 MMM 预测时，人们对模型准确性的信心会增强。显著差异表明模型输入可能缺少关键变量，或者广告存量效应的设定需要调整。

MMM 基于汇总数据量化渠道收入贡献，不依赖用户级跟踪，因此在隐私优先的环境中成为最持久的衡量方法。

Robyn 或 LightweightMMM 生成的饱和曲线和预算优化器，可以将模型输出转化为可执行的预算重新分配决策。将 MMM 与归因结合起来，可以构成完整的衡量体系：MMM 负责战略，归因负责战术。