Marketing Mix Modeling中你必须要掌握的4个知识点！

求职公开课

限时免费报名

什么是Marketing Mix Modeling和Attribution Modeling？为什么重要？

这两种模型可以解决什么样的商业问题？

如何准备Marketing Analyst求职？

Marketing Analyst需要的必备技能是什么？

近几年随着大数据、AI等各种智能化的演变，如今越来越多的互联网科技公司、电商网站和快消品牌都逐渐意识到了营销分析和数据分析的重要性，Marketing Analyst、Data Analyst、Business Analyst、Data Science等岗位更是成为了近几年来发展最快的分支，职业前景被业界广泛看好，相关薪资甚至比肩码农。

对于营销人员来说如何证明数字营销活动对于最终销售环节的影响有多少？哪个营销渠道投放是最有效的？每个渠道的投资对最终销售的营销如何分配？都是每天都要面对的问题，因此就需要营销人员熟练掌握并使用Marketing Mix Modeling。

今天就来给大家分享Marketing Mix Modeling中必须要掌握的4个知识点！

什么是Marketing Mix Modeling?

我们先来看一下Marketing Mix Modeling的基本概念：Marketing Mix Modeling是一种统计分析技术，如对销售和营销时间序列数据的多元回归，通过模型以估计各种营销策略对销售的影响，然后预测未来策略的影响。

Marketing Mix Modeling常用于优化广告组合和促销策略，以提高销售收入或利润。

Marketing Mix Model可以回答哪些商业问题？

1.优化预算规模

什么样的预算规模可以最大化利润或其他KPI(流量、转化率等)?

我需要增加x%的销售额，我应该使用什么组合来最有效地实现这个目标?

2.优化营销组合

如何跨多种媒体渠道、产品、地域、客户等分配固定的营销资源以实现回报最大化?

3.情景规划

对于不同的营销支出分配方案，我能得到什么回报?

4.广告活动分布

广告活动应如何随时间和地域分布以实现回报最大化?

Tips：当你在投递简历过程中如果看到岗位JD中有以上相关描述，你就应该知道这个岗位的工作会涉及到运用Marketing Mix Modeling。

5.Marketing Mix Modeling项目工作流程

图/CareerTu

Marketing Mix Modeling中使用的技术

关于Marketing Mix Modeling，尽管许多营销人员了解其重要性，但他们不知道如何构建良好的营销组合模型。Marketing Mix Modeling中已应用了许多技术。最有效的方法之一被称为“回归”，因为它可以很好地衡量所有营销变化的最有效组合。在回归中，数据分为两种类型，分别是因变量（DV）和自变量（IDV）。为了使用这种技术，营销人员必须分析IDV如何影响DV的结果。

使用的两种最常见的回归技术是：

线性回归
乘法回归

线性回归模型

当因变量是无限的并且因变量和自变量之间的距离趋于狭窄或线性时，将使用线性回归模型。通过以下等式可以清楚地提到上述关系：

y =β1+β2X2+β3X3+…+βkXk+ε

从等式中可以看出，“ y”是所估计的DV，Xs是IDV，ε是误差项，而βi是回归系数。Y是实际结果，与预测结果y不同。将该差异称为“预测误差”。

线性回归模型在某些情况下适用，例如：

因果分析：营销人员要分析原因时
影响预测：营销人员要预测变化如何影响时
趋势预测：营销人员要预测以下趋势或未来情况时

尽管如此，仍然存在一个缺点，即它对异常值，多重共线性和互相关的敏感性不够。因此，不选择线性回归模型来处理大量数据。

乘法回归模型

在线性回归模型或加性线性模型中，只需添加IDV。只有在稳定的环境中发展业务并且没有经济或环境变化时，他们才决定应用线性模型。另一方面，当定价为零时，销售额或因变量将是无限的。

因此，设计乘法回归模型来克服线性模型的缺点。由于IDV相乘在一起，因此它们可以更现实地呈现数据。这就是为什么更多的营销人员选择的原因。

Marketing Attribution Modeling VS Marketing Mix Modeling两大常见模型对比

营销归因模型(Marketing Attribution Modeling)能够将产生转化和收益的渠道根据其转化的效果来分配功劳。

归因模型的类型主要分为Last Touch、First Touch、Linear、Time Decay。Multi-touch是现在比较热门的，并且在统计上最合理的一个model。

图/CareerTu

而到底哪种归因模式是正确的？事实是，情况各不相同，而关键在于：你试图回答什么问题。所以建议使用多种不同的归因模型来回答不同的问题。

例如，你可能确实想知道哪些渠道在消费者第一次接触就点击了的渠道。那么你可能希望回答的是这个问题：“哪些渠道产生了新的潜在消费者？”

而当你还想知道哪些渠道最终产生了转化，就应该直接使用Last-touch这个模型来回答这个问题。但是需要注意的是，这两个归因模型提供了不同的数据集，不应将它们加在一起。

在某些情况下，你可能希望了解更多关于多渠道的整体效果，这时候Multi-touch归因模型就会显得很有用，因为它会更全面。不过具体选择的Multi-touch模型，需要取决于公司产品的销售周期，以及你需要解决的问题。但是可以肯定的是，通过利用多个模型的分析来回答不同的问题，可以帮助更深刻地理解渠道之间和要解决的问题的关系。

Marketing Attribution Modeling和Marketing Mix Modeling都是目前许多公司常用的，它们有什么相似处、区别，谁更值得学习呢？

它们的相似处包括都依赖大量的数据，也都运用到了高阶统计来测量营销活动对商业指标的影响。

除了Marketing Mix Modeling的出现远远早于Marketing Attribution Modeling，它们也有很多差异。

图/CareerTu

可以看出，Marketing Mix Modeling是一种有用的技术，可帮助公司或企业飞速增长。它将把产品发布或促销相关的风险降到最低。

如果你认真对待业务环境，那么必须创建一个全面的营销组合模型以确保公司的可持续发展。它不仅将支持公司的业务战略，而且还将提高营销计划的盈利能力。所以，想要成为营销分析师，一定要熟练掌握这一模型。

如果你想要熟练的学习数据分析技能，更重要的是在一个真实的商业项目中去实操，在实践中提升自己的硬技能和专业知识，同时有这样一份经历后可以通过更加具体的数据和经历，在求职中展示你的能力，更有说服力。

那就千万不要错过职图特地推出了Business Intelligence飞跃实战项目，在职图飞跃实战中，你将在Google、Facebook等大厂导师的带队下，使用Python、SQL提取和分析爱用户数据、学会Tableau创建数据可视化、学习最佳方式进行A/B Testing等等，全面夯实你的求职硬实力！

Business Intelligence飞跃实战

即将开课

限量报名：10人

参加此项目学员可求职方向

项目适合人群：想要获取实战经历的应届生以及转行人士

项目适合求职岗位包括但不限于：

Marketing Analytics
Business Intelligence
Business Analytics
Data Analytics

项目介绍

Part 1：技能集训营

全面学习和掌握互联网行业高薪职能的必备技能，打下扎实基础。

Section 1数据行业概述和必备技能

行业应用 | 职能细分 | 必备技能

Section 2数据分析的统计建模

线性回归 | 逻辑回归 | 营销组合建模应用

Section 3数据工作流最佳实践

数据生命周期 | 数据提取 |数据转换

Section 4商业应用的数据科学

数据科学技术堆栈 | 商业广告分析

Section 5数字分析工具

A/B测试概述 | Optimizely

Section 6用于数据科学的Python技能

Numpy | Pandas | 构建神经网络 | Keras预测

Part 2：实战项目课程

每一次实战课程会配有相应的商业项目实战任务(Hands-on Project Task)，需要学员独立完成。这些实战任务，都是职图针对企业的人才需求和热招岗位必备技能，邀请一线名企资深导师花费上千小时研发设计，目的是更高效地帮助学员，在求职的道路上习得有竞争优势的行业技能，在飞跃实战项目中收获最大化。

同学将通过四个阶段和多个实战任务，完成从商业计划创建、数据清理和模型选择、分析预测、数据可视化，可行性报告产出等环节，最终向联名款项目负责人展示研究成果。