计算广告（十八）

营销组合模型 MMM

分析背景

随着媒体类型和销售渠道的不断变化，客户旅程日益复杂化。单一活动层面的优化已无法满足客户需求。为了应对这一挑战，品牌方需在战略和活动层面构建完整的营销视图，优化各营销渠道间的效率并实现最高投资回报率。例如，线下广告投放、活动促销、私域流量运维、价格定位以及宏观经济条件等多种因素都会影响整体销量。因此，我们需要一种方法来解析销量与营销的关系，量化各影响因素对销量的贡献，并合理分配预算。为解决这一战略层面的问题，我们可以采用营销组合模型（MMM）。

分析场景

营销组合模型（MMM）能在宏观层面帮助品牌方了解营销组合并辅助预算分配。其分析场景包括以下三个方面：

1. 识别销量的驱动因素及其产生的结果，例如，确定哪个营销渠道能带来更高销量及其百分比增长；

2. 优化营销开支分配，通过MMM作为整体渠道（包括线上和线下）的宏观分析工具，有针对性地对表现优劣的渠道做出决策；

3. 模拟营销表现，借助营销组合模型对策略进行模拟，如降低价格或增加广告投入，观察销量的变化。

解决方案：方案1：营销组合模型（Marketing Mix Model，简称MMM）

什么是营销组合模型？

营销组合模型（Marketing Mix Model，简称MMM）是一种统计建模技术，如回归分析技术。它可以衡量和预测不同营销策略对销售的影响，从而评估宏观层面的营销效果并决定在不同营销渠道之间进行最优的预算分配。MMM最早由计量经济学家发明，早期应用于快速消费品行业。随后，MMM从学术界走向市场，成为一种广泛应用的营销分析工具。

营销组合模型的Mix最初是指四个P：产品（Product）、价格（Price）、地点（Place）和促销（Promotion）。MMM分析的初衷是衡量并找到这四个P的最佳组合，同时评估和预测不同营销活动对销售的影响。

随着数字营销的普及，除了传统的四个P变量，营销策略变得更加多元化，例如网络数字广告、电视、广播和邮件。MMM模型的输入变量可以包括以下几种（下面将详细介绍）：

产品数据（Product data）：主要包括品牌产品的基本属性。

竞品数据（Competing data）：主要涉及行业竞品产品的基本属性。

宏观经济数据（Economic data）：主要指与产品所属的宏观经济环境相关的指标。

营销数据（Marketing data）：主要涉及不同广告渠道投入的各类指标。

转化数据（Conversion data）：主要指营销目标转化指标。

通过以上五种数据类型，营销组合模型可以有效评估和预测不同营销策略对销售的影响，从而帮助企业实现更高的营销效果和更合理的预算分配。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

MMM 有什么用？

营销因子衡量：更好地了解营销渠道与销量之间的关系。

预算分配：获取高投资回报率的营销渠道和低投资回报率的营销渠道，最终更好地优化营销预算。

模拟预测：根据给定的各个不同营销渠道的输入预测未来的转化。

营销组合模型的基本步骤

营销组合模型的基本步骤如下所示：

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

步骤1：数据准备

要使用MMM模型，首先需要准备各种类型、粒度和组织形式的数据。该模型涉及5大类数据，包括产品数据、竞品数据、宏观经济数据、营销数据和转化数据。以某个品牌为例，其数据类型如下：

产品数据：包括品牌所有商品的平均价格、商品的加权价格（即主流商品的平均价格）、商品折扣等。

竞品数据：包括竞品主流商品的加权价格等。

宏观经济数据：包括代表宏观经济环境的指数数据（如CPI、GDP）以及季节性因素（如是否节假日、是否有大促等）。

营销数据：包括不同渠道的营销投入数据，如线上数字广告、电视广告、广播广告、线下大屏广告的开销、曝光量、点击量、触达人数等。

转化数据：包括品牌的销售金额、人数等。

该模型是一个宏观分析模型，数据粒度通常为周或月。为了确保模型训练有足够的样本，数据涉及的周期需要超过1年。

步骤2：数据处理

对于收集到的不同种类的数据，需要进行数据处理。通过业务判断结合一些数据处理方法，可以对缺失值进行处理。以下是一些常用的处理方法：

估算：使用估计值填充缺失数据的方法，如使用均值或中位数。

预测：使用时间序列预测缺失的数据值。

置零：当数据仅在一天内发生交易或促销活动时可用时，可简单地用零替换丢失的数据，以表示当天没有交易或促销。

删除：若缺失值较多时，可以选择删除缺少数据的部分。

数据转换：

在MMM模型中，某些因子（如数字广告、TV广告）与销售量之间的关系并非线性增长。这意味着，广告投入的增加只能在一定程度上提高销量。一旦达到饱和点，每增加一单位广告投入对销量的影响就会减小。因此，需要对这些非线性因子进行一些转换，从而将它们纳入线性模型。数据转换主要用于数字广告、TV广告、线下广告等主动广告营销因子，包括以下两个方面：

广告的衰退或滞后效应：不同的媒体可能存在较大的广告滞后效应差异。例如，以曝光为主的媒体，用户可能需要较长时间才能想起广告；电视广告可能会被记住的时间更长。通常使用Adstock公式来描述广告对用户行为的滞后效应，如下所示：在时刻t，影响由时刻t本身的投入以及时刻t-1的影响组成：

A[t] = A[t] + r*A[t-1]。

广告的饱和或收益递减效应：大多数广告对销售产生的影响具有非线性特征，呈现出收益递减效应。初始广告支出几乎没有影响，直到达到某个阈值，之后会对销量产生明显的影响。随着投入达到饱和点，这种影响逐渐减弱。可以通过S曲线变换来捕捉整个影响过程。S曲线公式和模拟图为：

Y = a / (b + c * exp(-x)) + d。

添加图片注释，不超过 140 字（可选）

步骤3：模型训练

为确保因子贡献可累加，MMM模型在业务上通常采用多元线性回归模型。自变量β包括价格、广告投入、宏观经济和线下促销等，因变量通常是销售量（或市场份额）。在以下方程中，自变量与因变量（销售量）之间的关系是线性的。但通过因子转换技术，可以呈现非线性关系（如经过处理后的各种广告因子，得到的β是一种具有衰退效应或滞后效应的变量）