标签: Mmm

需求是"看清每笔预算"，验收却是"这条 campaign 的 ROAS"——错配，是 MMM 项目死亡的第一推手。 作者：zhanbo · 2026-08-07 声明：本文为独立行业观察与通用测量方法论，基于公开资料整理，不代表任何雇主或客户观点；本工作室不承接游戏（含手游 / 休闲 / 中重度）行业相关咨询。 开篇：那笔进了抽屉的预算 “帮我看清每笔预算到底带来多少回报。” 这是几乎每个 CMO 找我时说的第一句话。同行（包括早年的我）下意识的反应都是：上 MMM（Marketing Mix Modeling，营销组合建模）。 三个月后，一份几十页的报告交付：边际 ROI 曲线、渠道贡献分解、最优预算分配建议。客户点头说"很有启发"。然后——报告进抽屉，预算照旧，明年再花几十万重做一遍。 这不是段子。这是过去十年营销分析行业最普遍的真实图景。MMM 项目交付率不低，采用率极低。 模型跑出来了，决策没发生。 问题不在模型，在我们用错了问题框。 一、五个典型死法：都死于同一类错配 把失败现象倒推，根因只有一类——期望与能力的错配。具体有五种姿势。 1. 期望错配（最大死因） 老板要的是"这条 campaign 的 ROAS 多少"，MMM 给的是"品牌和效果整体怎么组合最优"。MMM 在周级聚合层跑回归，根本看不到单条 campaign。拿聚合模型去答用户级问题，等于拿望远镜看细胞——看不清，于是判"模型没用"。 2. 数据地基没打 建的是 spend（花费） 而非 impression（触达）：MMM 的自变量应该是媒体权重，不是美元。CPM 一变，spend 和效果就错位，系数算反。 序列太短：稳健 MMM 要 104 周（两年）周级数据。很多团队跑 6 个月就建模，噪声吃掉信号。 共线性 / 无变异：所有渠道常年 always-on、同涨同跌、从不关停——模型在数学上无法识别各自系数，出来的数字纯靠先验，等于编。 3. 无校准（相关性当因果） MMM 系数是相关性。没有 geo holdout 实验当 ground truth，它就是"看起来科学的相关性幻觉"。Stella MMM 的基准很直白：未校准 MMM 前向预测精度 87%，用增量实验结果当贝叶斯先验回灌后到 95%——这 8 个点就是 CFO 信不信你的差别。 ...