使用基於代理的模型在增量測試和營銷組合模型之間創建反饋迴圈

‍

近年來，行銷部門對MMM的期望發生了重大變化。廣告商現在要求：

• 更精細的結果，因為有更多的數據可用，並且確實需要達到足夠的精確度水準以實現決策，
• 更頻繁的更新，因為MMM不僅應該支持戰略決策，還應該支援戰術決策，特別是關於數位管道，對於數字管道，第三方cookie的終結可以通過使用建模來補償，
• 對於需要乘以、擁有和信任分析角度的營銷團隊來說，結果是可以理解的，
• 經常就未來實施的戰略提供建議。

‍

憑藉其按設計細化的方法，基於智慧體的模型允許精確的建模、測量和決策。然而，精細建模並非沒有努力或相關數據。為了通過這些方法提供有價值的見解，必須徹底進行校準階段。 

‍

儘管經典的MMM方法通過將模型對目標KPI的預測與真實的歷史數據進行比較來校準模型，但ABM校準將一長串指標與模型預測進行比較。當然，目標 KPI（例如收入）將是這些指標之一，但ABM允許走得更遠。如果廣告商有忠誠度計劃，我們可以將此資訊集成到代理定義中，並將模型對這一消費者亞群的結果與該群體產生的實際收入進行比較。在同一模型中，我們還可以輕鬆檢索每個產品類別或客戶群的結果。這些只是對歷史數據進行校準的幾個範例。 

‍

校準后，ABM 可用於在非常精細的級別（地理、客戶群、集水區等）類比策略，以幫助選擇最佳行動方案。由於這種決策具有高度的戰略性，因此增量測試是驗證反彈道導彈結論的自然解決方案。使用增量測試的結果，可以進一步校準 ABM。事實上，由於ABM是高度粒度的，它可以很容易地在完全相同的粒度級別上類比/複製執行的增量性測試，從而通過更新模型參數來微調其參數，使其更接近現實。在經典方法中，增量測試的結果可用於微調模型，但程度較小，因為模型不能在同一粒度級別上進行模擬。然而，由於從設計上講，ABM解決方案類比了消費者行為，因此任何校準都將提高消費者層面的相關性，從而提高整個模型的相關性。

‍

總之，ABM 是一種自然的解決方案，以便將用於精細決策的 MMM 投入生產，並使用增量測試進行追溯改進。