1. 一句话解释
营销组合模型（Marketing Mix Modeling，简称 MMM）是一种用统计回归方法，把历史销售数据拆解到各个营销渠道上，从而量化「每个渠道到底贡献了多少销售额」的分析技术。
它回答的核心问题是：我投在 Google、Meta、TikTok、邮件、网红上的每一块钱，分别带来了多少回报？
2. 生活化类比
想象你是一家餐厅老板，月底发现营业额比上月多了 3 万元。这个月你同时做了四件事：发了传单、投了朋友圈广告、请了美食博主探店、搞了满减活动。
问题来了——这 3 万元里，各有多少是传单带来的？多少是博主带来的？
你没法做「控制变量实验」（总不能把客人赶走重来一次），但你可以翻出过去 24 个月的账本：每个月的营业额、传单发了多少张、广告花了多少钱、博主请了几位、满减力度多大。然后请一位统计学家，用回归模型算出每个因素的「系数」——这就是 MMM。
它本质上是一次历史的「反事实推演」：如果没有投 Meta，销售额会是多少？差额就是 Meta 的贡献。
3. 核心概念与公式
MMM 的基础是一个多元线性回归模型（实际应用中会加入饱和、衰减、滞后等非线性变换）：
$$
Sales_t = \beta_0 + \sum_{i=1}^{n} \beta_i \cdot f_i(Spend_{i,t}) + \sum_{j=1}^{m} \gamma_j \cdot Control_{j,t} + \epsilon_t
$$
其中：
- $Sales_t$：第 t 期的销售额（因变量）
- $Spend_{i,t}$：第 i 个营销渠道在第 t 期的投入
- $f_i(\cdot)$：渠道变换函数，常见的有 Adstock（广告滞后衰减） 和 饱和曲线（Diminishing Returns）
- $Control_{j,t}$：控制变量，如季节、促销、价格、竞品活动、宏观经济
- $\beta_i$：渠道 i 的贡献系数，是模型最想求出的东西
- $\epsilon_t$：残差
三个必须理解的关键机制：
1. Adstock（滞后效应）：今天投的广告，效果不会今天全部释放。通常用衰减率 λ 建模：$Adstock_t = Spend_t + \lambda \cdot Adstock_{t-1}$，λ 常取 0.3~0.7。
2. 饱和效应：投得越多，边际回报越低。常用 Hill 函数或对数变换。
3. 控制变量：如果不控制季节性和促销，模型会把「黑五的自然增长」错误归因给广告。
输出指标：各渠道的贡献额、ROAS（渠道回报率）、边际 ROAS（再投 1 元的增量回报）。
4. 与相关术语对比
| 术语 | 核心方法 | 数据来源 | 优势 | 局限 |
|---|---|---|---|---|
| **MMM** | 统计回归 | 历史聚合数据（周/月级） | 覆盖全渠道、含 offline、隐私友好 | 无法追踪个体、需长历史数据 |
| **MTA（多触点归因）** | 用户路径归因 | 用户级点击/曝光日志 | 粒度细、实时 | 依赖 Cookie/ID，隐私受限，看不到线下 |
| **增量实验（Geo Lift）** | 随机对照实验 | 分地区对照投放 | 因果最可靠 | 成本高、周期长、只能测少数渠道 |
| **Last-Click 归因** | 规则归因 | 转化前最后一次点击 | 简单 | 严重高估搜索、低估品牌广告 |
一句话总结：MTA 看「谁碰了用户」，MMM 看「钱花在哪有效」，实验看「因果真相」。成熟团队三者结合使用。
5. 应用场景（含数据案例）
场景一：预算分配决策
某 DTC 护肤品牌年营收 5000 万元，年度营销预算 1000 万元，分布在 Meta、Google、TikTok、邮件、网红五个渠道。跑完 MMM 后发现：
- Meta 贡献 1800 万元销售，ROAS = 3.6
- Google 搜索贡献 1200 万元，ROAS = 4.0
- TikTok 贡献 400 万元，ROAS = 1.3
- 邮件贡献 600 万元，ROAS = 8.0
- 网红贡献 500 万元，ROAS = 2.5
决策：把 TikTok 预算削减 40%，转移至邮件和 Meta，预计整体销售额提升 6%~9%。
场景二：边际回报判断
某渠道当前 ROAS = 3.0，看似不错，但 MMM 显示其边际 ROAS 已降到 1.2（接近盈亏平衡线）。这意味着继续加预算不划算，反而应该减投。
场景三：新品上市前的基线预测
用 MMM 拆出「自然销售基线」占 55%，营销驱动占 45%。若某季度停投所有广告，可预测销售会掉到基线的 60% 左右，用于现金流规划。
6. 常见误区
1. 把相关性当因果：MMM 是观测数据回归，若漏掉关键控制变量（如竞品降价），系数会严重偏误。
2. 数据周期太短：少于 18~24 个月的数据，模型无法识别季节性和滞后效应，结果不可信。
3. 渠道间共线性：如果 Meta 和 TikTok 预算总是同步涨跌，模型无法区分二者贡献，会出现「系数乱跳」。
4. 忽略 Adstock 直接看当期：不建模滞后，会低估品牌广告、高估效果广告。
5. 把 MMM 当唯一真相：MMM 应与增量实验交叉验证，尤其在大预算调整前。
6. 过度追求 R²：R² 高不代表归因正确，可能只是过拟合。要看系数稳定性与业务合理性。
7. 相关术语
- MTA（Multi-Touch Attribution，多触点归因）
- 增量实验 / Geo Lift Test
- Adstock（广告滞后效应）
- 饱和曲线 / 边际递减（Diminishing Returns）
- ROAS / 边际 ROAS
- 基线销售（Baseline Sales）
- 归因窗口（Attribution Window）
- 营销效率曲线（Response Curve）
- 贝叶斯 MMM（Bayesian MMM）——当前主流实现方式，可引入先验约束提升稳定性