2023 年媒体混合建模：深入研究之前您应该了解什么

[Mostafa077]

好消息：您已决定停止衡量最终点击归因，并致力于今年改进媒体归因分析。第三方 cookie 的丢失以及您衡量渠道性能的能力是否是原因？

或者您认为是时候改变评估漏斗上层媒体的方式了，那么媒体混合建模可能是一个解决方案。但为什么？主要原因是它允许报告效果，而无需对基于印象和点击的旅程跟踪提出相同的要求。

媒体混合建模尚未完全处于鼎盛时期
这是一个有 50 年历史的做法，基于以下两个原则：

产品的销量是由多种因素决定的。这些变量包括价格、可用性、亚美尼亚材料 竞争对手数量、市场规模以及市场意识和对通过广告和促销推广的产品的渴望等变量。
随着各种因素的变化，对销售的影响是可以衡量的。然后可以使用统计方法计算该组合物中各种因素的影响。
简而言之，媒体组合建模侧重于了解不同渠道或不同漏斗活动级别对媒体活动绩效的相对贡献。

对媒体组合进行建模可以提供有关基本和附加转化和收入的信息。简而言之，增量结果是指如果没有营销活动就不会发生的媒体有效转化的百分比。对基线和增量结果的分析可以揭示长期的潜在品牌知名度和忠诚度，以及短期促销活动和竞争水平的影响。

传统上，这些计算使用线性回归分析等经过验证的统计技术，但正在开发越来越复杂的工具，以将媒体混合建模提升到新的水平。

2023 年机器学习如何改进媒体组合建模
自 20 世纪 60 年代以来，统计学家使用传统计量经济学工具（例如线性回归）耐心地进行媒体混合建模分析，有时甚至是手工进行。但这些年来媒体活动数据变得越来越复杂，传统方法的不足也越来越明显。同样，这些数据变得越来越可用和精细，第一方数据被第二方和第三方数据丰富。最后但并非最不重要的一点是，计算机的计算能力已经大大提高，满足了新的机器学习方法在媒体混合模型分析中应用的所有要求。

其中一些方法，例如Robyn，Meta 于 2021 年推出的开源、机器学习驱动的半自动化营销组合建模包，旨在通过允许用户将其“倒入”成本和转化数据创建为一个模型来简化方法。数据科学工作流程并生成一系列模型。简而言之，机器学习简化了这个过程：它能够迭代、快速地优化模型以获得更好的性能。