教你手搓一个基础版MMM

好久不更新公众号，抱歉了，实在很忙！大家有问题可以后台留言！

春节抽空搞了openclaw玩。然后想到工作中有很多基础知识其实大家掌握并不牢固，所以用anaconda发现可以import meridian，所以就写一篇文章简单介绍一下MMM，其实一点也不神秘！

一、在讲MMM之前，有必要先做一下区分：

我们这里讲的MMM是指Media Mix Modeling【MMM-B】而不是Marketing Mix Modeling【MMM-P】。两者区别在于：前者建模仅考虑线上媒体渠道；后者考虑全生态建模。

但无论MMM-B还是MMM-P，它们都是一种基于统计回归的方法，用来衡量不同营销渠道对业务结果（如销售额、注册数、GMV）的长期贡献。

它解决的核心问题是：

• 每个媒介渠道带来了多少真实增量？

• ROI 是否真实？

• 预算如何在渠道间分配最优？

二、构建 MMM 的整体流程

Google Meridian 框架，其核心优势在于能够利用 Prior Knowledge（先验知识），例如将过往的增量测试（Lift Test）结果带入模型。

变量清单 (Variable Matrix)

• KPI (因变量)：总GMV、销售额或者订单数等（拆分为线下专柜、药妆店、Rakuten、Amazon）。

• 媒体投入 (自变量)：

• 线下：电视广告 (GRPs)、户外广告 (Impressions)。

• 线上 (Reach/Frequency)：YouTube (Google)、Facebook/IG、TikTok。

• 效果类：Google Search (Clicks)、Line Ads、Amazon/Rakuten 站内广告。

• 控制变量 (Control Variables)：

• 季节性：樱花季、黄金周、双11/乐天超级大促、年末调整。

• 外部环境：日元汇率、气象数据（紫外线指数影响美妆需求）。

• 价格：平均零售价 (ASP)、折扣力度。

1. 选择因变量。

建议优先使用“最终业务指标”，例如销售额，而不是中间指标（点击、曝光）。

常见选择：

• 销售额

• GMV

• 注册量

• 激活数

• 订单数

2. 选择时间粒度

建议使用周度数据且至少2年的数据周期，因为我们是时间序列的建模，所以我们还需要确定这个！

常见粒度：

• 周度（最常见）

• 日度（数据量足够时）

• 月度（数据稀疏时）

因为 MMM 依赖时间波动来识别贡献。

• TV/OOH：设定较长的半衰期（$Adstock \approx 0.6-0.8$）。

• 数字效果类：设定较短的衰减（$Adstock \approx 0.1-0.3$）。

import meridianfrom meridian.model import specfrom meridian.data import input_data# 1. 初始化模型规格# 使用Hill函数处理饱和度，使用Adstock处理延迟model_spec = spec.ModelSpec(    prior=spec.PriorSpec(        # 为不同渠道设置先验 ROI         # 例如：日本线下药妆店对TV广告的反应通常有先验基准        roi_prior_mean={'TV': 1.5, 'TikTok': 2.2, 'Line': 1.8},        knots=20 # 捕捉季节性的节点    ),    # 定义因变量分布 (通常为 Log-Normal 适应零售数据)    likelihood=spec.LikelihoodSpec(distribution='LogNormal'))# 2. 拟合模型# 传入2年的周度数据mmm = meridian.Meridian(input_data=beauty_brand_data, spec=model_spec)mmm.fit(iter_warmup=1000, iter_sampling=1000)# 3. 诊断模型 (R-hat 检查收敛性)diagnostics = mmm.get_diagnostics()print(f"Model Convergence (R-hat): {diagnostics.r_hat}")

1. 销量贡献拆解 (Volume Decomposition)

模型显示，在过去的两年中，各渠道对总销量的贡献占比。包括：Base Sales（品牌基准销量）、Seasonality（季节效应）、以及各广告渠道产生的 Incremental Sales（增量销量）。

• 结论：电视广告 (TV) 对线下专柜的拉动作用显著（贡献约18%），但 TikTok 是线上 Amazon/Rakuten 销量的主要增量来源（贡献约12%）。

• Base Sales 占比约 55%：体现了极高的品牌忠诚度（常客回购）。

2. ROI 与 mROI (边际投资回报率) 分析

⚠️小小的疑惑? 为什么TikTok的mROI如此之高呢？

Next Actions：需要进行归因对比测试 (Calibration)：在 2026 年 Q1 进行一次为期 4 周的 TikTok 关停测试（Geolift），以验证模型给出的 3.1 mROI 是否准确，并以此修正模型权重。

3. 渠道协同效应 (Synergy Effect)

发现：当 TV 广告投放后的 48 小时内，Google Search 的检索量和 Amazon 站内转化率提升了 25%。这证明了“电视引流-搜索承接”的日本典型消费链路。