本文由 Mathieu Lepoutre 和 Arnaud Parent 合著。
在注重隱私的世界中流覽大量複雜的資訊對於做出明智且高度可操作的決策至關重要。營銷人員面臨以下問題：哪些營銷活動的ROI最高？營銷預算最好用在哪裡？不同的營銷驅動因素（包括付費、自有和免費媒體管道，以及促銷或定價）如何運作？ 外部因素（如競爭對手的活動或經濟狀況）是否會影響營銷績效？與品牌資產相關的短期影響以及長期尾部對銷售額有何影響？
歸因的限制
傳統的多觸點歸因 （MTA） 技術無法滿足關鍵需求，主要是因為它們無法準確捕捉客戶旅程的多管道/線上和線下性質。他們往往過分關注數字互動的短期影響，而忽視了線下行銷工作和季節性或經濟變化等外部因素的影響。MTA 假設所有轉化都歸因於媒體接觸點，主要是數字媒體，這是一個存在根本缺陷的假設，即使對於專門在線運營數位轉化的廣告商也是如此。在許多情況下，很大一部分影響實際上並非來自媒體的努力。
此外，MTA 方法受到數據隱私限制和精細用戶級數據的可用性和可靠性的嚴重阻礙，使其在當今快速變化的行銷環境中越來越無效和毫無意義，即使試圖通過同意模式或增強轉換等功能來緩解這種情況。
這就是 MMM 重新發揮作用的地方，考慮到複雜的品牌環境，它對每個行銷元件的有效性進行了全面評估。它優化了行銷組合，以最大限度地提高投資回報，使公司能夠做出更明智和更具戰略性的營銷決策。高級數據分析、數據科學技能和機器學習工具的日益普及增強了 MMM 的精度和可擴充性，使其成為更有價值和更廣泛訪問的資產。
開源庫的優勢
此外，MMM 的主要和最顯著的優勢在於它們的預測能力。營銷決策者可以在營銷活動啟動之前類比各種假設和場景，使他們能夠優化策略並對結果產生直接影響。
但是，許多廣告主在決定實施這些技術之前仍然存在重大擔憂：
因此，第三方 MMM 供應商提供的全面服務（通常管理從發現和數據收集到建模和洞察/建議的整個過程）正面臨重大挑戰。定製行銷效果測量和優化平臺的部分或全部元件在主要廣告商中越來越受歡迎，現在似乎是越來越多的營銷人員的現實選擇。對於那些仍處於考慮階段和/或由於定製有限、潛在的數據集成問題或高昂的持續訂閱成本而採用專業供應商的 SaaS MMM 解決方案似乎不太相關的人來說，一個關鍵問題是 最近發佈或升級的開源 MMM 包如何成為變革的催化劑。
關鍵的開源 MMM 包包括一些由主要數位平臺直接提供的內容：
> Meta 的 Robyn：一個可公開訪問的半自動化 MMM 代碼庫，它利用機器學習技術來加速建模過程，最大限度地減少分析師的偏見和主觀性，並生成更可控和可擴展的模型。此外，它還與 Nevergrad 等先進的、使用者友好的 Meta 工具無縫集成，促進預算分配的有效優化。
>Google的 Meridian： 最近發佈的一組 Python 庫，為數據科學團隊提供了基礎工具，以使用成熟且可靠的技術來探索 MMM 風格的測量，代表了 Google 繼 LightweightMMM 之後的新一代解決方案。這為廣告商提供了一個重大的進步，因為它的完全貝葉斯核心允許高度靈活的模型規範，在不確定的情況下估計所有參數，而不是依賴建模者的假設。此外，它主要通過支援地理分層模型的估計來超越傳統，並且 Google 自然會期望改進對搜索在效果中的作用的評估，並整合覆蓋面和頻次衡量標準來優化視頻廣告決策。閱讀本文，瞭解有關此功能的更多資訊： 為什麼在 Marketing Mix 模型中使用覆蓋率和頻次而不是展示量？
這些軟體包顯然提供了高級功能、與 Meta 或 Google 生態系統的無縫集成以及強大的安全性。但是，一些尋求更大靈活性、自定義和獨立性的廣告主通常會考慮將社區開發的代碼包作為替代方法。舉個例子，我們可以提到
> PyMC-Marketing：由 PyMC Labs 研究人員團隊和專家社區開發的開源 MMM 解決方案，基於 PyMC 構建，PyMC 是一個廣泛使用的概率程式設計庫，用於構建貝葉斯模型。雖然它是一個強大而靈活的 MMM 工具，但其複雜性、計算需求和對貝葉斯方法的依賴使其最適合精通 Python 和貝葉斯統計的經驗豐富的數據科學家。該套件需要投入大量時間和資源才能有效設置和使用，對於尋求自動化、易於使用的解決方案的用戶來說，它可能不是最佳選擇。
在我們的月度時事通訊《Tea O'Clock》中發現所有最新新聞、文章、網路研討會重播和 55 項活動。
.jpg)
.svg)
