MMM 模型的准确性与挑战

在增长黑客和营销分析领域，衡量营销支出的回报率（ROAS）是极具挑战性的任务。近年来，随着开源模型的兴起，市场组合模型 重新成为了解决这一难题的热门方案。Meta 的 Robyn、Google 的 Meridian 以及 PyMC Labs 的 PyMC-Marketing 等开源工具，极大地降低了运行 MMM 的门槛。

然而，“运行容易，信任难”。Google 在 2017 年发布的《媒体组合建模的挑战与机遇》论文中，至今仍是最清晰地阐述了模型为何会失效的文献。该论文指出了三个核心问题，它们大多源于模型无法捕捉到支出数据中缺失的某种变异性。

MMM 的三大核心缺陷

1. 多重共线性

营销渠道通常遵循相同的预算规划周期，导致它们在同一时期内同涨同跌。对于模型而言，如果两个渠道从未分开移动，模型就无法将它们区分开来，导致估算结果具有极高的方差。

关键缺失： 每个渠道独立移动的能力。

2. 选择偏差

组织的营销支出往往跟随需求波动，例如在旺季增加投入。但由于需求本身往往是不可直接观测的，模型只能依赖代理变量。这会导致渠道系数吸收了代理变量遗漏的信息，从而产生教科书级别的遗漏变量偏差。

关键缺失： 支出因非需求原因（如策略调整）而移动的数据。

3. 不可识别的广告库存与饱和效应

模型必须识别广告库存（Adstock）和饱和效应。2024 年的一项研究发现，这些形状参数往往无法从普通的支出数据中单独识别出来。

关键缺失： 在不同水平上保持足够长的时间，以超过库存效应的数据。

解决方案：预算分阶段算法

面对这些问题，Google 在 2017 年的论文中建议“获取更好的数据”。如今，行业的主要应对手段是增量测试，但这种方法每次只能测试一个渠道，耗时数月，且根据 2026 年 Recast 的研究，大多数开放地理测试工具的误报率高达 14-30%。

退一步看，这三个问题的共同解法在于：支出必须以模型所需的方式发生变化。这就引出了“预算分阶段算法”的概念——即通过算法在预算计划中人为构建上述三种变化。

如何通过模拟数据验证算法？

为了测试这种算法是否有效，我们需要构建一个数据生成过程（DGP）。由于我们不知道过去和未来的真实收入数据，必须通过模拟来验证。我们将模拟已知的营销响应，以此作为模型估算的基准。

模拟步骤详解

在构建测试环境时，开发者通常遵循以下步骤，这也是评估 MMM 健壮性的标准流程：

1. 模拟营销支出与需求 我们将生成四个渠道（TV、Meta、通用搜索、TikTok）的三年周度支出数据。

   • 渠道选择：虽然实际场景可能有更多渠道，但为了演示，我们选择 4 个渠道。这有助于在文章后续部分展示算法如何扩展到 10-15 个渠道。
   • 数据周期：选择三年周度数据，因为它在数据量和时效性之间取得了最佳平衡。
   • 相关性设定：设定各渠道遵循相同的底层信号，相关系数为 0.7。这是一个现实且合理的场景，源于预算规划紧随需求预测。此外，我们还设定了向上的趋势，模拟三年间的增长。
   • 目的：在现实中，你提供过去两年的实际支出和明年的计划。而在模拟中，我们是为了测试预算分阶段算法是否能将模型所需的“独立性”和“变化性”融入计划中。

通过这种模拟，开发者可以验证模型是否能够从看似捆绑在一起的数据中，分离出各渠道的真实贡献，从而克服多重共线性、偏差和饱和效应带来的困扰。