name: media-mix-modeling description: 用于衡量营销效果和优化预算分配的高级计量经济学建模 allowed-tools:

Read
Write
Glob
Grep
Bash
WebFetch metadata: specialization: marketing domain: business category: 营销分析 skill-id: SK-019

媒体组合建模技能

概述

媒体组合建模技能提供高级计量经济学建模能力，用于衡量营销效果和优化预算分配。该技能支持使用统计技术和机器学习方法（包括Google轻量级MMM和自定义Python/R实现）开发营销组合模型、进行渠道贡献分析、饱和曲线建模和情景规划。

能力

营销组合模型开发

贝叶斯模型设定
频率主义回归建模
时间序列分解
变量选择和特征工程
模型训练和验证
保留测试和回测
模型诊断和验证
文档化和可重复性

渠道贡献分析

基础与增量分解
渠道级贡献计算
边际贡献分析
收益递减识别
渠道交互效应
年度贡献对比
贡献份额趋势分析
贡献瀑布图可视化

饱和曲线建模

收益递减函数拟合
Hill函数参数化
S曲线响应建模
最优支出水平识别
饱和点计算
响应曲线可视化
各渠道曲线对比
置信区间估计

广告存量/持续效应

广告存量衰减估计
持续率计算
几何衰减建模
Weibull衰减函数
峰值滞后识别
有效频率计算
媒体半衰期分析
长期效应量化

预算优化算法

约束优化
边际投资回报率最大化
预算分配模拟
渠道组合优化
支出阈值识别
避免收益递减
跨渠道权衡分析
多目标优化

情景规划

假设预算情景
渠道重新分配建模
季节性预算规划
新渠道引入模拟
预算削减影响分析
增长情景建模
竞争响应情景
经济衰退规划

增量提升计算

增量收入估计
相对于基线的提升计算
测试组与对照组比较
地理匹配市场测试
合成控制方法
因果影响分析
增量性置信区间
归因与增量性调和

跨渠道协同效应分析

交互项建模
协同效应量化
互补渠道识别
蚕食效应检测
最优渠道组合
序列效应分析
跨媒体放大效应
光环效应测量

季节性调整

季节性模式识别
节假日效应建模
趋势分解
周期性模式调整
天气影响纳入
基于事件的调整
日历标准化
预测季节性应用

流程集成

该技能与以下营销流程集成：

marketing-roi-analysis.js - 投资回报率计算和预算优化
attribution-modeling-setup.js - 归因模型校准
integrated-campaign-planning.js - 预算分配和规划

依赖项

Python数据科学库（pandas, numpy, scipy, statsmodels）
Google轻量级MMM / Robyn
R统计库
贝叶斯建模框架（PyMC, Stan）
优化库（scipy.optimize, cvxpy）
可视化库（matplotlib, plotly）

使用方式

模型开发

skill: media-mix-modeling
action: build-model
parameters:
  model_type: bayesian_mmm
  framework: lightweight_mmm
  data_configuration:
    date_column: week
    target_variable: revenue
    media_variables:
      - tv_spend
      - digital_display_spend
      - paid_search_spend
      - paid_social_spend
      - radio_spend
    control_variables:
      - price_index
      - competitor_spend
      - economic_indicator
      - seasonality_index
  model_settings:
    adstock:
      type: geometric
      max_lag: 8
    saturation:
      type: hill
    priors:
      type: informative
      source: prior_mmm_results
  validation:
    holdout_weeks: 12
    cross_validation_folds: 5

渠道贡献分析

skill: media-mix-modeling
action: analyze-contributions
parameters:
  model_id: "mmm_2024_q4"
  analysis_period:
    start_date: "2024-01-01"
    end_date: "2024-12-31"
  outputs:
    - type: contribution_breakdown
      format: waterfall_chart
    - type: channel_roi
      format: bar_chart
    - type: contribution_over_time
      format: stacked_area
    - type: marginal_contribution
      format: line_chart
  export:
    format: [pdf, csv, xlsx]
    destination: "reports/mmm_contributions"

预算优化

skill: media-mix-modeling
action: optimize-budget
parameters:
  model_id: "mmm_2024_q4"
  optimization_settings:
    objective: maximize_revenue
    total_budget: 10000000
    constraints:
      - channel: tv_spend
        min_percent: 0.20
        max_percent: 0.40
      - channel: paid_search_spend
        min_percent: 0.15
        max_percent: 0.30
      - channel: paid_social_spend
        min_percent: 0.10
        max_percent: 0.25
    business_rules:
      - type: minimum_presence
        channels: [tv, digital_display]
      - type: maximum_concentration
        single_channel_cap: 0.50
  scenarios:
    - name: "optimal_allocation"
      constraints: default
    - name: "digital_first"
      overrides:
        digital_channels_min: 0.60
    - name: "brand_building"
      overrides:
        tv_min: 0.35

情景规划

skill: media-mix-modeling
action: run-scenarios
parameters:
  model_id: "mmm_2024_q4"
  scenarios:
    - name: "预算削减20%"
      budget_change: -0.20
      allocation: optimized
    - name: "预算增加30%"
      budget_change: 0.30
      allocation: optimized
    - name: "取消电视广告"
      channel_changes:
        tv_spend: 0
      reallocate: true
    - name: "新渠道测试"
      new_channels:
        - name: connected_tv
          estimated_roi: 2.5
          test_budget: 500000
    - name: "第一季度季节性计划"
      period: "2025-01-01 to 2025-03-31"
      seasonality_adjustment: true
  comparison_metrics:
    - total_revenue
    - incremental_revenue
    - overall_roi
    - channel_roi

饱和分析

skill: media-mix-modeling
action: analyze-saturation
parameters:
  model_id: "mmm_2024_q4"
  channels:
    - tv_spend
    - paid_search_spend
    - paid_social_spend
  analysis:
    - type: response_curves
      spend_range: [0, 2x_current]
      granularity: 100_points
    - type: optimal_spend
      threshold: 0.95_saturation
    - type: marginal_roi_curve
      spend_range: [0.5x_current, 1.5x_current]
  visualization:
    charts:
      - response_curves_overlay
      - marginal_roi_comparison
      - saturation_heatmap

最佳实践

数据质量：确保足够的历史数据（建议2年以上）
变量选择：包含相关的控制变量（定价、竞争、经济指标）
模型验证：使用保留期和交叉验证
不确定性量化：报告置信区间，而不仅仅是点估计
定期更新：用新数据每季度更新模型
三角验证：在可能的情况下用实验验证MMM结果
利益相关者沟通：以业务友好的格式呈现结果
文档化：维护模型文档和假设记录

媒体组合建模 media-mix-modeling

媒体组合建模技能

概述

能力

营销组合模型开发

渠道贡献分析

饱和曲线建模

广告存量/持续效应

预算优化算法

情景规划

增量提升计算

跨渠道协同效应分析

季节性调整

流程集成

依赖项

使用方式

模型开发

渠道贡献分析

预算优化

情景规划

饱和分析

最佳实践

相关技能

相关代理