利用基于代理的模型在增量测试和营销组合模型之间建立反馈回路

‍

近年来，市场营销部门对 MMM 的期望值发生了很大变化。广告商现在要求

• 由于可以获得更多的数据，而且确实需要达到足够的精确度来进行决策，因此需要更精细的结果、
• 更频繁地更新，因为 MMM 不仅应支持战略决策，还应支持战术决策，尤其是在数字渠 道方面、
• 市场营销团队可以理解的结果，他们需要多角度、自主和信任分析结果、
• 经常就未来要实施的战略提出建议。

‍

基于代理的模型通过其设计的粒度方法，可以进行精确的建模、测量和决策。然而，细粒度建模离不开努力和相关数据。要利用这种方法提供有价值的见解，必须彻底进行校准阶段。 

‍

虽然传统的 MMM 方法是通过比较模型对目标 KPI 的预测与真实的历史数据来校准模型，但 ABM 校准则是将一长串指标与模型预测进行比较。当然，目标关键绩效指标（如收入）将是这些指标之一，但 ABM 可以更进一步。如果广告商有忠诚度计划，我们就可以将这一信息整合到代理定义中，并将模型在这一消费者子群体上的结果与这一群体产生的实际收入进行比较。在同一模型中，我们还可以按产品类别或客户群轻松检索结果。以上只是对历史数据进行校准的几个例子。 

‍

校准后，ABM 可用于模拟非常细化的战略（地理、客户细分、覆盖区域......），以帮助选择最佳行动方案。由于这种决策是高度战略性的，因此增量测试是验证 ABM 结论的自然解决方案。利用增量测试的结果，我们可以进一步校准 ABM。事实上，由于人工智能模型的粒度很高，它可以很容易地在完全相同的粒度水平上模拟/复制所执行的增量测试，从而通过更新模型参数来微调其参数，使之更接近实际情况。在传统方法中，增量测试的结果可用于微调模型，但微调程度较低，因为模型无法在相同粒度水平上进行模拟。然而，由于 ABM 解决方案在设计上模拟的是消费者行为，因此任何校准都会提高消费者层面的相关性，从而提高整个模型的相关性。

‍

总之，ABM 是一种自然的解决方案，可以利用增量测试进行追溯改进，从而生产出用于细粒度决策的 MMM。