MMM营销组合模型中的广告衰退或滞后效应、饱和效应的处理方式

悟乙己

已于 2025-04-28 09:57:38 修改

阅读量782

点赞数 10

分类专栏：营销科学文章标签：营销建模滞后效应衰减效应饱和效应

于 2025-04-23 16:07:06 首次发布

本文链接：https://blog.csdn.net/sinat_26917383/article/details/147455915

版权

营销科学专栏收录该内容

52 篇文章

订阅专栏

文章目录

1 概念解读
2 滞后效应:Adstock模型
3 饱和效应
9 其他

处理方式就是做数字转化

1 概念解读

在 mmm 模型中，一些因子（如数字广告、tv 广告）对销量不是线性增长关系，这意味着，广告的增加只能在一定程度上增加销量，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少，因此，对这些非线性因子需要进行一些转换，从而将它们包含在线性模型中，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，包含如下 2 个方面：

广告的滞后效应
指广告效果不会立即体现在销量上，而是分阶段影响消费者行为。例如：

数字广告：用户可能在点击后几天才完成购买。
电视广告：用户可能在观看后数周仍记得品牌。
Adstock 公式，Adstock 转换通过递归方式计算广告的累积影响：

广告的饱和效应（Sigmoid/S-Curve Transformation）
广告的饱和效应指随着投入增加，边际效果递减，最终趋于平稳。可用逻辑函数（Logistic Function）或双曲正切函数（Tanh）模拟：

Sigmoid 函数公式
在这里插入图片描述

2 滞后效应:Adstock模型

广告的滞后效应指广告对消费者行为的影响不会在投放后立即消失，而是会以逐渐衰减的方式持续多期。
几种滞后或衰减策略：

几何衰减：用指数函数表示广告效果的逐步减弱（如θ=0.75时，首期广告的75%效果延续到下一期），避免将广告效果视为即时爆发。
Weibull衰减：基于生存函数动态调整衰减速率，通过参数（形状、尺度）控制衰减曲线的灵活性，更精准反映不同广告媒介的长期影响差异。

import numpy as np

def adstock_transformation(ad_data, decay_rate=0.6, max_lag=3):
    """
    计算广告的滞后效应累积值
    :param ad_data: 原始广告投入序列（数组）
    :param decay_rate: 保留率（0~1）
    :param max_lag: 最大滞后期数（默认3期）
    :return: 带滞后效应的广告值序列
    """
    adstock = np.zeros_like(ad_data, dtype=float)
    for t in range(len(ad_data)):
        current_effect = ad_data[t]
        # 累加前max_lag期的衰减影响
        for lag in range(1, max_lag + 1):
            if t - lag >= 0:
                current_effect += ad_data[t - lag] * (decay_rate ** lag)
        adstock[t] = current_effect
    return adstock

# 示例数据：12个月的广告投入（单位：万元）
ad_spend = np.array([50, 60, 80, 100, 70, 90, 120, 110, 85, 75, 60, 50])

# 计算Adstock值（保留率0.6，滞后期3）
adstock_values = adstock_transformation(ad_spend, decay_rate=0.6, max_lag=3)

# 输出结果
print("原始广告投入:", ad_spend)
print("Adstock转换后:", np.round(adstock_values, 1))

可以看一个大概：

原始广告投入: [ 50  60  80 100  70  90 120 110  85  75  60  50]
Adstock转换后: [ 50.   90.  158.  256.  186.  245.8 298.  313.  252.5 223.5 179.  150.6]

其中几个需关注的调节参数：

保留率（Retention Rate）：通常通过历史数据拟合确定，不同行业差异显著（如快消品可能0.3-0.5，耐用品0.6-0.8）。
滞后周期选择：汽车行业可能需3-6个月，互联网广告可能仅1-2周。可通过统计检验（如格兰杰因果）确定最佳滞后期数。

也就是说，如何你有一列原始广告投入的数据，需要经过一轮所谓的adstock_transformation转化，变成新的一列数据在入后续的MMM模型中

3 饱和效应

引入S型曲线函数，将广告投入映射到效果变量时实现阈值响应和渐近饱和：

在低投入阶段，效果增长平缓（对应启动期）；
达到拐点后进入快速响应区（边际收益递增）；
接近饱和阈值时增速放缓（边际收益递减），最终趋向极值。

常用Hill函数（S曲线）描述：
在这里插入图片描述

所以，一个比较完整的数据转化是：

先处理投入滞后效应，进行转化
再处理饱和效应，进行二次处理

import numpy as np
import pandas as pd
from sklearn.linear_model import RidgeCV
from scipy.stats import weibull_min

# 1. Adstock转换（几何衰减）
def adstock_geometric(x, theta):
    x_decayed = np.zeros_like(x)
    x_decayed[0] = x[0]
    for t in range(1, len(x)):
        x_decayed[t] = x[t] + theta * x_decayed[t-1]
    return x_decayed

# 2. Saturation转换（Hill函数）
def hill_transform(x, alpha, gamma):
    return x**alpha / (x**alpha + gamma**alpha)

# 3. 完整广告效应转换
def adstock_saturation(x, theta, alpha, gamma):
    x_adstock = adstock_geometric(x, theta)
    x_saturated = hill_transform(x_adstock, alpha, gamma)
    return x_saturated

# 4. 模拟数据生成
np.random.seed(42)
time_periods = 52
ad_spend = np.random.uniform(0, 100, time_periods)
true_effect = adstock_saturation(ad_spend, theta=0.7, alpha=2, gamma=50)
sales = 100 + 30 * true_effect + np.random.normal(0, 5, time_periods)

# 5. 构建MMM模型
X = pd.DataFrame({
    'ad_effect': true_effect,
    # 可添加其他变量（价格、促销等）
})
y = sales

model = RidgeCV(alphas=[0.1, 1, 10], cv=5)
model.fit(X, y)

print(f"广告效应系数: {model.coef_[0]:.2f}")