发布日期:
最后修改日期:
为了更清晰地了解营销效果，许多品牌越来越多地投资于第一方数据，并探索其他衡量框架。这与基于 Cookie 的点击归因截然不同，因为归因模型试图将特定销售归因于特定的点击或网络访问。而媒体组合模型 (MMM) 则
MMM 如何运作？
当我们谈论“统计相关性”时，常常听起来像是在发生一些极其复杂的事情。然而，MMM 的基本逻辑其实很简单：如果你支出更多，你应该获得更多回报。
以这个广告账户为例，每周支出和收入都绘制 电报数据 在散点图上。有一个明显的趋势：支出越多，收入也就越多。这条最佳拟合线，或称“线性回归”，其格式为：y = mx+c。
在这种情况下，我们也可以将其写成：
“增量投资回报率”表示每英镑投资可产生多少额外收入，“基线收入”表示即使不花任何钱也能实现的收入。
本质上，这是世界上最简单的MMM。如果你只投资单一渠道，你可以导出数据，将其输入电子表格，然后——瞧——你就大功告成了，你已经模拟了你的投资影响。
如今，大多数企业实际上都在多个渠道进行投资，并希望了解每个渠道的相对影响力，以便重新分配资金。由于营销的互联性，我们不能重复做同 但让我们借用它来快速剖析有 样的事情。如果我们加大对专注于提升品牌知名度的渠道的投入，并由此带来更多自有品牌搜索，结果会怎样？
这里要记住的另一件重要的事情是，我们正在模拟支出对总收入的影响。MMM 的重点在于找出每个渠道对销售额的影响程度。
现在我们有了两笔支出和一笔收入，我们可以将其绘制成一个三维图。我们不再使用单一的最佳拟合线，而是使用一个最佳拟合平面：
这将输出一个方程，该方程表示要获得我们遵循的模型每周收入：
这意味着 Google Ads 的投资回报率为 10:1，并且每周有 4.5 万英镑的非付费来源投入。
在这里，我们不仅限于两个通道。我们可以根据需要添加任意数量的额外通道，并继续对其进行多元线性回归分析；只是我们无法将其可视化地绘 俄罗斯号码列表 制出来。
然而，输出仍然类似于：