MMM 营销组合建模：不追踪用户也能算清渠道贡献

MMM 是什么

MMM（Marketing Mix Modeling，营销组合建模）是一个回归模型：把过去 2–3 年的投放数据、各类经营指标作为自变量，销售额作为因变量，反推出每一个渠道的边际贡献。

它和数字归因的根本区别在于视角：归因是从「某次转化」往回看，MMM 是从「整体大盘」正着算。前者依赖单次触点的追踪，后者依赖长时间的统计规律。

为什么需要 MMM

补上追踪不到的接触点

线下活动、户外广告、门店曝光、电话销售这些渠道在 GA4 和广告平台里几乎没有数据。MMM 用的是它们在时间上的起伏——例如某个城市投放了户外广告之后，那个月的销量上升了——这类信号不需要个体追踪就能被捕捉。

回答「该不该继续加预算」

归因告诉你「上个月搜索广告带来了 40 万」，MMM 告诉你「搜索广告的边际回报在 300 万预算时是 1.5，400 万时降到 0.8」。前者不能指导加预算，后者可以。

给管理层一个能对账的数字

MMM 输出的各渠道贡献之和能对上总营收，这在与财务对话时比平台报表好用得多——平台数字经常和财务对不上，这是每个市场负责人都会遇到的尴尬。

三种模型流派

回归模型（经典做法）

用线性或对数线性回归拟合销售额与各渠道投入的关系，系数即为贡献度。

优点是可解释、需要的数据相对少（2 年月度数据即可）。缺点是不处理广告之间的相互影响——搜索和社交互相蚕食时，系数会失真。

时间序列分解（VMOD / BBDO 体系）

先把销售拆成基线、季节性、趋势、促销四部分，再把各渠道的贡献叠加上去。结构清晰，适合向业务方解释。

机器学习模型

用 XGBoost、LightGBM 等模型拟合非线性关系，能捕捉渠道间的相互作用和饱和效应。代价是可解释性下降，需要更多数据和更严格的交叉验证。

实际怎么用：五步

第一步：先检查数据够不够

最低要求是36 个月的月度数据。原因很简单：需要 12 个月的数据来识别季节性，用 3 年才能把趋势和季节分开。数据量不够时 MMM 的结论不可信。

另外，投放数据必须是净支出的完整口径，不能只有最后一个渠道的数字——很多 MMM 失败是因为历史投放数据不完整，或者只有「最后一次点击」的数字。

第二步：把价格、促销、宏观变量作为控制变量放进来

不控制变量的 MMM 会高估那些「和销量同时上升」的渠道——比如大促期间加大投放，此时销量上升其实主要是促销带来的。不把促销作为控制变量，大促期间的渠道系数会被严重高估。

常见的控制变量：价格、促销活动、库存水平、宏观经济指标、季节性、竞争对手的动作。

第三步：用「滞后效应」处理广告的延迟影响

品牌广告的影响往往不在投放当月体现，而在一两个月后。线性回归处理不了这种延迟，需要为每个渠道配置衰减曲线（adstock 函数）。

衰减曲线的参数同样要估计，这就是 MMM 调参最耗时的部分。

第四步：用留出期验证

用前 2 年建模，用第 3 年验证：模型预测的销售额和实际销售额差多少。差值过大说明模型没抓住规律，参数需要重调。跳过验证的 MMM 就是在自说自话。

第五步：产出「饱和曲线」而不只是「贡献占比」

最终交付物应该是每个渠道的响应曲线——横轴是投入，纵轴是增量收入。有了这条曲线，预算分配就变成了一个可优化的问题，而不是靠拍脑袋。

适用边界

• 必须有稳定的时间序列数据。 大量一次性投放（比如只做过一次的大促）无法被 MMM 识别，因为模型需要多个周期的变化来分离信号和噪声
• 渠道之间严重共线时无法分离。 如果两个渠道永远同时增减，回归无法判断各自贡献。共线性高时结果的置信区间会非常宽
• 短期见效的转化型渠道，MMM 的颗粒度不够。 搜索广告的效果以天计，MMM 给的是月度边际回报，无法回答「今天该不该加 5000 块」
• MMM 是季度/月度决策工具，不是日常优化工具。 需要配合数字归因和增量测试一起用：归因管日常，MMM 管季度预算分配

与相邻概念的区别

参考来源

营销组合建模的建模与预算分配应用，可参考 Andreas Stengel 等人关于营销组合建模实证方法的系列论文；基于时间序列分解与 adstock 衰减曲线的方法，源自效果可见性领域发展出的 VPAID 框架（可见性 / 概率 / 推断 / 存量 / 动态）；指标体系层面的原则可参考 F. Alison Smith 的《Marketing Metrics》；机器学习方法与因果推断的结合在《Causal Inference: The Mixtape》中有面向营销场景的示例。