Digital Marketing Academy · 课时

MMM 与归因分析

Q: 「MMM 与归因分析」这节课中我会学到什么？

自上而下与自下而上 你通过在浏览器中直接运行的动手代码来练习 Digital Marketing Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

自上而下与自下而上

第 1 / 4 课13 个步骤

MMM 与归因分析 是 CoddyKit 上的免费 Digital Marketing Academy 课时。这是第 1 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Digital Marketing Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Digital Marketing Academy 课程共包含 4 节课。

同一个问题的两种视角

营销组合建模（MMM）和多触点归因（MTA）都试图回答“是什么推动了销售？”但两者的切入方向相反。

MMM 采用自上而下的方法：利用汇总的时间序列支出和销售数据，估算每个渠道的贡献。MTA 采用自下而上的方法：将单个用户在一次转化前接触的各个触点串联起来。

高级实践者会同时使用两者，并了解每种方法都有盲点，而另一种方法可以部分弥补这些盲点。

MMM 实际衡量的内容

MMM 会将销售额与营销和非营销驱动因素随时间进行回归分析。它会生成渠道层面的弹性，并将销售额拆分为基础贡献和增量贡献。

重要的是，MMM 能够捕捉线下渠道（TV、广播、OOH）以及用户层面跟踪无法观察到的长期影响。

sales_t = base
        + b1*TV_t
        + b2*Search_t
        + b3*Social_t
        + b4*OOH_t
        + seasonality_t
        + error_t

归因实际衡量的内容

MTA 会将部分归因权重分配给用户在转化前接触过的每个可跟踪触点。模型范围从最后点击归因，到数据驱动的沙普利式归因。

它擅长分析数字化且可通过浏览器标识跟踪的客户旅程，并能提供细粒度、近实时的渠道和营销活动归因。

journey: Display -> Search -> Email -> Convert

last_click:   Display=0.0  Search=0.0  Email=1.0
linear:       Display=0.33 Search=0.33 Email=0.33
data_driven:  Display=0.18 Search=0.55 Email=0.27

粒度与覆盖范围

核心权衡是：归因分析粒度细，但覆盖范围窄；MMM覆盖范围广，但粒度较粗。

MTA可以告诉您哪个广告创意促成了用户转化，但会忽略TV、口碑传播以及跟踪窗口之外的所有因素。MMM可以看到完整的预算，但无法深入分析到单个活动或受众。

dimension      MMM            MTA
----------     -----------    -----------
data           aggregate      user-level
offline media  yes            no
granularity    channel        campaign/ad
privacy-proof  yes            no

隐私转向

浏览器跟踪标识的弃用、ATT（应用跟踪透明度）以及同意规则，都削弱了MTA所依赖的用户级信号。

由于MMM只使用汇总数据，因此基本不受这些变化影响。这是MMM重新受到大型广告主青睐的主要原因。

时间范围不同

MTA关注几天到几周的转化窗口。借助广告滞后效应和趋势项，MMM可以建模跨越数月的累积影响和长期品牌效应。

如果只用MTA评估品牌活动，您会系统性地低估其价值，因为它的回报会在窗口之外产生。

数据要求

MMM需要2至3年的按周历史数据：按渠道划分的投入、销售额、价格、促销、分销情况，以及天气或宏观指数等外部因素。

MTA需要在各个触点之间使用持久用户标识符的干净、去重事件日志，而这类数据正越来越难以获取。

MMM rows (weekly):
week | sales | tv_spend | search_spend | price | promo
2024-W01 | 412k | 90k | 30k | 19.99 | 0
2024-W02 | 488k | 90k | 35k | 17.99 | 1

三角验证：两者兼用

成熟的衡量体系会进行三角验证：用MMM在各渠道之间进行战略预算分配，用MTA优化渠道内的战术决策，再用实验校准两者。

当MMM和MTA产生分歧时，差距本身就很有信息价值，通常说明存在未跟踪或被过度归功的路径。

Measurement triangle:
  MMM        -> how much per channel (strategy)
  MTA        -> which campaign/ad   (tactics)
  Experiment -> ground truth        (calibration)

常见失效模式

当各渠道同步变化（共线性）、历史数据过短，或模型对噪声过度拟合时，MMM会失效。

当跟踪不完整、最后点击偏差主导报告，或线下转化从未进入数据集时，MTA会失效。

选择合适的工具

请问自己：这个问题是战略性的还是战术性的？是否涉及线下媒体？这里的用户级数据可靠吗？

覆盖TV、数字媒体和零售渠道的年度预算规划更适合使用MMM。下周要优化付费搜索账户则更适合使用MTA。验证任一方法都更适合采用实验。

if question == 'how split total budget?': use MMM
if question == 'which keyword/creative?':  use MTA
if question == 'is this truly incremental?': run experiment

快速检查

测试您对MMM何时优于归因分析的理解。

在交互式课程中回答

总结

MMM是自上而下的汇总方法，具有隐私适应性，适合包括线下媒体在内的所有媒体进行战略分配。MTA是自下而上的细粒度方法，最适合数字媒体的战术优化，但容易受到跟踪损失的影响。

单独使用任何一种方法都不完整。请对MMM、MTA和实验进行三角验证，并让增量效果测试解决它们之间的争议。

免费开始

用 AI 导师学习 Digital Marketing Academy — 免费

在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。

课程: 63
课程: 239

免费开始学习查看完整课程

常见问题解答