本文由 Mathieu Lepoutre和 Arnaud Parent.
在一个注重隐私的世界里，要想做出明智且操作性强的决策，就必须掌握大量复杂的信息。营销人员面临着这些问题：哪些营销活动的投资回报率最高？营销预算最好用在哪里？不同的营销驱动因素，包括付费、自有和赚取的媒体渠道，以及促销或定价，如何发挥作用？ 竞争对手的活动或经济状况等外部因素是否会影响营销业绩？对销售的短期影响以及与品牌资产相关的长期影响是什么？
归因的局限性
传统的多触点归因（MTA）技术无法满足关键需求，主要是因为它们无法准确捕捉客户旅程的多渠道/在线和离线性质。它们往往过于关注数字互动的短期影响，而忽视了线下营销工作以及季节性或经济变化等外部因素的影响。MTA 假设所有的转化都归因于媒体接触点，主要是数字媒体，这是一个根本错误的假设，即使是对于只在线上进行数字转化的广告主来说也是如此。在许多情况下，很大一部分影响实际上并不是来自媒体的努力。
此外，MTA 方法还受到数据隐私限制以及细粒度用户数据可用性和可靠性不断降低的严重阻碍，使其在当今瞬息万变的营销环境中变得越来越无效和无意义，即使尝试通过同意模式或增强转换等功能来缓解这一问题。
这正是 MMM 发挥作用的地方，它考虑到复杂的品牌环境，对每个营销要素的有效性进行整体评估。它可以优化营销组合，最大限度地提高投资回报，使企业能够做出更明智、更具战略性的营销决策。先进的数据分析、数据科学技能和机器学习工具的日益普及，提高了 MMM 的精确性和可扩展性，使其成为一种更有价值、更广泛使用的资产。
开源图书馆的好处
此外，MMM 最重要的优势在于其预测能力。营销决策者可以在营销活动启动前模拟各种假设和情景，从而优化战略并对结果产生立竿见影的影响。
然而，许多广告商在承诺将这些技术付诸实施之前，仍然存在很大的顾虑：
因此，第三方 MMM 供应商提供的综合服务正面临着巨大挑战，这些供应商通常管理从发现和数据收集到建模和洞察/建议的整个过程。对于那些仍处于考虑阶段和/或由于定制化程度有限、潜在的数据集成问题或高昂的持续订阅成本而采用专业供应商提供的 SaaS MMM 解决方案似乎不太现实的营销人员来说，一个关键问题是，最近发布或升级的开源 MMM 软件包如何才能成为变革的催化剂。
主要的开源 MMM 软件包包括一些由主要数字平台直接提供的软件包：
> Meta的Robyn：一个可公开访问的半自动化MMM代码库，利用机器学习技术加快建模过程，最大限度地减少分析师的偏见和主观性，并产生更可控和可扩展的模型。此外，它还能与先进、用户友好的 Meta 工具（如 Nevergrad）无缝集成，促进预算分配的高效优化。
>谷歌的 Meridian：最近发布的一套 Python 库为数据科学团队提供了基础工具，帮助他们利用成熟可靠的技术探索 MMM 风格的测量方法，是谷歌继 LightweightMMM 之后推出的新一代解决方案。它为广告商提供了一个重大进步，因为其完全贝叶斯的内核允许高度灵活的模型规范，估计所有参数的不确定性，而不是依赖建模者的假设。此外，它还超越了传统的主要功能，实现了对地理分层模型的估算，而且--这自然也是谷歌所期望的--改进了对搜索在效果中的作用的评估，并整合了到达率和频率测量，以优化视频广告决策。有关此功能的更多信息，请参阅本文：为什么在营销组合模型中使用到达率和频率而不是印象？
这些软件包显然提供了先进的功能、与 Meta 或 Google 生态系统的无缝集成以及强大的安全性。然而，一些寻求更大灵活性、定制化和独立性的广告商往往会考虑将社区开发的代码包作为一种替代方法。例如
>PyMC-营销：PyMC-Marketing 是 PyMC 实验室研究人员团队和专家社区共同开发的开源 MMM 解决方案，它建立在 PyMC 之上，PyMC 是一个广泛使用的用于构建贝叶斯模型的概率编程库。虽然它是一个强大而灵活的 MMM 工具，但其复杂性、计算要求和对贝叶斯方法的依赖性使其最适合精通 Python 和贝叶斯统计的资深数据科学家。该软件包的设置和有效使用需要投入大量的时间和资源，对于寻求自动、易用解决方案的用户来说，它可能不是最佳选择。
发现最新资讯、深度文章、网络研讨会视频，以及55数据的各项活动。
.jpg)
.svg)
