← 返回作品集

📊 预算分配工作台：MMM 才是预算的裁判

宏观 MMM（营销组合模型）+ 微观 MTA（多触点归因）的真实管线：先用饱和响应曲线给每个渠道定价，再在固定总预算下做科学再分配。 本页不是黑箱——用的就是项目里Attributor跑出来的真实模型与真实数字（Ridge α=1000 / γ=1.5 Hill 饱和曲线 / block bootstrap 95% CI）。 Conjura MMM 数据集（93 品牌 · 19 地区 · 132,759 天）｜单品牌 913 天｜holdout R² 0.419｜Durbin-Watson 0.90

① 拖动各渠道预算（$）

每个滑块范围 = 该渠道当前花费的 10%–300%（与优化器边界一致）。左侧数值是模型判定的当前最优花费，括号里是它的 block bootstrap 95% 置信区间与"区间/naive 宽度比"。

当前总预算—
基线预测收入—
γ（Hill 斜率）1.5

①′ 模型给出的最优花费（真实产物）

单品牌 913 天 · block bootstrap（7 日块 × N=200）。⚠️ = 区间下界逼近 0、系数符号不稳定——当前数据不支持对它下结论。

渠道最优花费95% CI宽比

② 模型预测的销售结果

—
相对基线变化：—（—）
—

③ 边际回报 · 每投 $1 换回 $

饱和曲线在某点的斜率 = 这一块钱的回报。越高越值得加投；当前各渠道都被拉平到 ≈—。

④ 归因占比 · 收入被谁挣走

本页用 Hill 饱和模型把收入按渠道贡献切分（宏观 MMM 视角）。往下还有微观 MTA 的真实对比。

它在算什么 · 六步流水线（全部在你的浏览器里跑，数据来自项目真实产物）

1原始数据

Conjura MMM 数据集：132,759 行×50 列，93 品牌 19 地区，2019–2024。

→
2ETL 清洗

Polars 去空值/千分位，去 564 个离群点，构造 adstock 滞后（0.5 衰减）。

→
3MMM 建模

OLS/Ridge/Lasso 对比，按日期切分 holdout，Ridge 标准化 + CV 选 α=1000，holdout R² 0.419。

→
4饱和响应

每渠道 Hill 曲线 revenue = coef·S^γ/(S^γ+τ^γ)，γ=1.5，τ=当前花费——不是线性，会递减。

→
5预算优化

scipy SLSQP 在固定总预算约束下求解，把各渠道边际回报拉平到同一点。

→
6不确定性

block bootstrap 95% CI（913 天×7 日块×N=200），区间比 naive 重采样宽 8.9×——诚实量化决策风险。

方法注释（一句人话版）

饱和 / 递减回报：投入越多，每块钱的回报越低——这是现实，也是 MMM 与"鼓励无脑加投"的本质区别。曲线在 τ（当前花费）处回报率≈1.56，之后快速变平。
为什么重分配收益≈0%：当前分配已把各渠道边际回报拉平到同一点（局部最优），所以挪预算几乎不改变总量——这是项目最诚实的结论，不是 bug。
block bootstrap 为何更宽 8.9×：MMM 残差强自相关（OLS Durbin-Watson=0.90，2.0 才表示无自相关）。naive 按行重采样"假装样本独立"，把不确定彻底低估；按 7 天整块重采样才保留自相关结构，给出诚实（更宽）的区间。
⚠️ 别碰 display / shopping：它们的区间下界逼近 0、系数符号不稳定（display 的 OLS 系数 p=0.31 不显著），CI 横跨全档——当前数据不支持对它俩下结论，砍它们很危险，先补数据。
生产代码：src/attributor/mmm_model.py / budget_optimizer.py / budget_uncertainty.py，报告见 reports/。

本页为方法演示。曲线在此处锚定"当前分配即最优"（各渠道边际回报相等），底层即项目真实模型；展示数字均来自项目 README 表与 block-bootstrap 结果。

微观 MTA：Shapley vs 移除效应（真实 Criteo 数据）

Criteo 拍卖归因集（30 天，约 1650 万曝光 / 4.5 万转化）。规则模型把 72–76% 记给 other 桶；Shapley 最稳，移除效应能揪出对转化率影响最大的头部 campaign。

CampaignShapley移除效应
洞察：campaign_9100693 移除效应 19.4%、campaign_10341182 16.9%——虽然 Shapley 只给 3–4%，但砍掉它们转化率掉得最狠。宏观定预算、微观查洞察，两层互补。