一句话回答
媒体组合模型(MMM)是一种统计方法:把每周销售对各渠道花费、季节和其他控制变量做回归,估算每个渠道贡献了多少销售。它不需要用户级追踪,但需要大约两年、花费有真实起伏的周数据。
公式: 第 t 周销售 = 基线 + Σ 渠道效应ᵢ(花费ᵢ经广告延滞、饱和变换)+ 控制变量 + 误差
什么是媒体组合模型?
在营销衡量里,媒体组合模型(Media Mix Modeling,MMM)是一种统计方法:把一个经营结果(比如每周收入)对各渠道随时间变化的花费或曝光做回归,再加上季节、价格、促销等控制变量,估算每个渠道对销售贡献了多少。它用的是汇总后的时间序列,不需要 Cookie、用户 ID,也不需要点击路径。
这既是它的长处,也是它的代价。因为从不看单个用户,MMM 可以把电视、电台、户外、播客这类不留点击的渠道也算进去;但它只能从数据的波动里学习:如果每个渠道每周的花费都差不多,回归就没有东西可以拆分。本条的核心观点很简单:MMM 需要足够长的周数据,而且花费要有真实的起伏;数据不够时,先做「花费表 + 多个归因模型并排对照」更实际。
「媒体组合模型」和「营销组合模型」(Marketing Mix Model)这两个叫法几乎通用。严格地说,营销组合模型还包括价格、渠道铺货和产品变化,媒体组合模型只看付费媒体。两者回答的是同一个问题:如果没有某个渠道,销售会是多少?
基本形式:基线、渠道效应、广告延滞和饱和
最简单的 MMM 写成:
第 t 周销售 = 基线 + Σ(第 i 个渠道在第 t 周的效应)+ 控制变量 + 误差
- 基线:一分钱媒体都不投时能卖出的量,来自品牌、老客户和自然需求。
- 渠道效应:每个渠道的花费或曝光额外带来的销售。
- 控制变量:吸收媒体以外的因素,比如节假日、调价、竞品上新、缺货。
两个变换让渠道效应更接近现实:
- 广告延滞(Adstock,滞后效应):广告投放那一周之后还会继续起作用。做法是把前几周花费按比例衰减后加到本周,比如加上上周的 50% 和上上周的 25%。
- 饱和(边际递减):同一个渠道里,每多花一块钱,换来的增量比上一块钱少。常用 Hill 函数或指数函数这类曲线,让效应随花费增加而变平。
现在常用的开源工具,比如 Meta 的 Robyn、谷歌的 Meridian,用正则化回归或贝叶斯回归来拟合,先验知识和不确定区间都是输出的一部分,而不只给一个点估计。
MMM 和多触点归因的区别
| 媒体组合模型 | 多触点归因 | |
|---|---|---|
| 数据单位 | 每个渠道每周(或每天)的汇总 | 每一次转化的路径 |
| 需要用户级追踪吗 | 不需要 | 需要:会话、点击或用户 ID |
| 线下渠道(电视、电台、平面) | 能算进去 | 通常看不到 |
| 回答什么 | 各渠道的增量销售、响应曲线、预算情景 | 功劳在用户实际接触过的触点之间怎么分 |
| 能用之前要多少数据 | 大约两年的周数据 | 几周的已追踪转化 |
| 反馈速度 | 每月或每季度更新 | 每天 |
| 主要弱点 | 需要花费有波动;容易和季节、促销混在一起 | 算的是相关不是因果;漏掉没追踪到的触点 |
两者是互补的,不是二选一。归因告诉你谁出现在路径上;MMM 告诉你渠道在基线之上多带来了多少。两者差得很远时,用一次增量测试(地区对照或暂停某个投放)来定。归因这一侧的细节见多触点归因和位置归因模型。
MMM 需要哪些数据?
- 历史长度:Robyn 的分析师指南要求至少两年的周数据,让模型把每个季节至少看两遍。
- 粒度:推荐按周;按天也可以,但噪声更大,需要额外校验。
- 每个变量的样本数:同一份指南建议每个自变量大约对应 10 个观测值。8 个渠道加 4 个控制变量的模型,大约需要 120 周。
- 花费要有波动:每个渠道都要有花得多的周和花得少的周。脉冲式投放(投一段停一段)或专门的测试期对模型帮助很大。
- 控制变量:节假日、调价、促销、铺货变化,各占一列周数据。
- 一个结果指标:收入、订单或注册,整段历史的口径要一致。
算例:8 周花费做一次回归
示例数据:一家店记录了每周广告花费和销售额,单位都是千美元。
| 周 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
|---|---|---|---|---|---|---|---|---|
| 花费(千美元) | 10 | 14 | 8 | 16 | 12 | 20 | 6 | 18 |
| 销售(千美元) | 82 | 90 | 75 | 99 | 85 | 112 | 70 | 103 |
做一元最小二乘回归,销售 = a + b × 花费:
- 平均花费 = 104 ÷ 8 = 13.0;平均销售 = 716 ÷ 8 = 89.5。
- Σ(花费 − 13)(销售 − 89.5)= 490;Σ(花费 − 13)² = 168。
- 斜率 b = 490 ÷ 168 = 2.92:每多花 1 千美元,销售约多 2.92 千美元。
- 截距 a = 89.5 − 2.92 × 13 = 51.58:隐含的基线约为每周 51.6 千美元。
- 8 周合计,基线 = 51.58 × 8 = 412.7,媒体 = 2.92 × 104 = 303.3,媒体解释了 303.3 ÷ 716 = 42% 的销售。
拟合看起来非常好(R² = 0.99),这恰恰是陷阱。8 个点、1 个变量,连 10 比 1 的规则都没达到;没有广告延滞和饱和;也没有控制「花费高的那几周可能正好在做促销」这件事。这个斜率只是关于边际回报的一个假设,不是预算指令。要相信它,需要两年的周数据、控制变量,有条件的话再加一次对照测试。
什么时候还不值得做 MMM
在请人做或自己搭模型之前,先用这条经验规则判断:
- 如果周数据不到 18–24 个月,或者大部分花费集中在一两个数字渠道,就先做花费表和归因:按渠道导入花费,比较单次获客成本和广告支出回报,再把几个归因模型并排看。
- 如果有相当一部分预算投在不留点击的渠道(电视、电台、户外、播客),就只能主要靠 MMM 来衡量,值得把历史数据攒够。
- 如果 MMM 和归因对某个渠道的判断差得超出你能解释的范围,就先对这个渠道做增量测试,再挪预算。
常见误区
- 把短期回归当成 MMM:没有广告延滞、饱和和控制变量,花费对销售的斜率主要量的是花费高的那几周还发生了什么。
- 花费从不变化:一个渠道两年都投得一样多,再好的软件也估不出来。
- 把系数当成平均 ROAS:响应曲线说的是当前花费水平上的边际回报,下一块钱的回报通常低于平均值。
- 结果口径中途改变:历史中途改了「什么算转化」,模型就坏了。
- 拿 MMM 做每天的优化:它是每月或每季度更新一次的规划工具,日常出价需要更快的信号。
在 TapCub 里准备 MMM 的输入和对照
TapCub 不做媒体组合模型。它提供的是上面规则推荐的「花费 + 归因」对照,以及可以交给外部模型的干净周数据。
- 把花费和结果放在一起:在 全端分析 › 经营分析 › 渠道 ROI 按天、渠道、来源、活动导入花费(CSV 列
day、channel、source、campaign、cost,可选币种、点击、曝光)。页面给出单次点击成本(花费 ÷ 会话)、单次获客成本(花费 ÷ 订单里的购买数)和广告支出回报(收入 ÷ 花费),可以按渠道、来源或活动分组。同一天、同渠道、同来源、同活动再导入一次会覆盖原来那行,改花费不会重复计算。 - 把几个归因模型并排看:在 全端分析 › 行为分析 › 行为分析 选归因,同时勾选首次、末次、线性、位置和时间衰减,每个模型一列,「只助攻」的渠道一眼能看出来。渠道 ROI 的花费表和归因模型是两套独立的计算,要对照着看,不要指望两者相等。设置步骤见对比归因模型。
- 导出周数据给模型用:在 全端分析 › 行为分析 › 事件分析 把粒度设为周,按渠道看会话数,再看购买事件
revenue属性的求和,然后把表格导出成 CSV。TapCub 把机器人和 AI 爬虫单独统计,交给模型的会话数不会被它们抬高。 - 把控制变量标出来:在 配置 › 日期标注 记下促销、调价和上新,需要加控制变量的那几周在图上一眼可见,也方便列清单。
资料来源
- Meta 开源项目,Robyn:分析师 MMM 指南。
- Google Developers,关于 Meridian。
- Jin、Wang、Sun、Chan、Koehler(谷歌),Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects,2017。
- Chan、Perry(谷歌),Challenges and Opportunities in Media Mix Modeling,2017。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
