营销科学与客户分析工具链——从 MMM 到 CLV 的贝叶斯方法全景¶

一句话总结¶

营销科学的 Python/R 工具链已从经验法则进化到完整的贝叶斯工作流——Google LightweightMMM、PyMC-Marketing 和 Meta Robyn 分别代表了营销组合建模 (MMM) 从轻量到深度、从频率学派到贝叶斯的三个演化方向，而 CLV 预测将营销分析从"过去花了多少钱"延伸到"未来值多少钱"。

工具全景¶

营销支出 (电视、搜索、社交、展示广告...)
        │
        ├── "钱花在哪最有效？" ──→ 营销组合建模 (MMM)
        │   ├── LightweightMMM (Google): 贝叶斯层级模型, JAX/Numpyro, 轻量API
        │   ├── PyMC-Marketing: 完整贝叶斯营销套件 (MMM+CLV+CSA)
        │   └── Robyn (Meta): 半自动Ridge回归 + 进化算法优化, R/Python
        │
        ├── "这些客户值多少钱？" ──→ 客户终身价值 (CLV)
        │   ├── BG/NBD (非合约连续交易): 预测"客户未来会买多少次"
        │   ├── Pareto/NBD (合约离散交易): 包含"客户已流失"变量的完整模型
        │   └── Gamma-Gamma: 在预测交易次数后预测"每次交易金额"
        │
        └── "客户为什么选我们？" ──→ 客户选择分析 (CSA)
                └── PyMC-Marketing: 分层贝叶斯选择模型

逐工具分析¶

1. Google LightweightMMM — 轻量级贝叶斯 MMM¶

核心设计：用最少的参数建模营销投入→收入的关系。 - 贝叶斯层级模型：收入 ∝ 截距 + 趋势 + 季节性 + Σ(媒体渠道 × adstock × 饱和效应) + 噪声 - Adstock（广告记忆效应）：今天的广告效果 = 今天的支出 + 过去支出的指数衰减加权——X_t* = X_t + λ × X*_{t-1}，λ 是留存率 - 饱和效应（Saturation）：边际收益递减——第 1 个 100 万广告费比第 10 个 100 万有效得多。用 Hill 函数建模：saturation(x) = x^α / (x^α + γ^α) - JAX/Numpyro 后端：GPU 加速的哈密顿蒙特卡洛 (HMC)——贝叶斯推断不再是蜗牛速度

已被 Meridian 取代：LightweightMMM 不再是 Google 的推荐 MMM 工具，已被 Meridian（更完整、更准确的框架）取代。但 LightweightMMM 的教学价值在于它展示了"最简单的模型能走多远"。

与概念笔记的连接： - → 概念笔记「贝叶斯与频率学派分歧」：MMM 是贝叶斯方法的天然应用——你对广告效果的先验信念（"搜索广告应该比展示广告更有效"）+ 历史销售数据（似然）→ 后验渠道贡献度。频率学派 MMM（OLS/Ridge）只能给出点估计 - → 概念笔记「度量选择是元决策」：MMM 的目标函数选择决定了优化方向——最大化短期收入 ≠ 最大化长期品牌价值。选错了度量，MMM 会精确地告诉你如何"花更多钱买短期效果，毁掉品牌"

2. PyMC-Marketing — 贝叶斯营销分析全家桶¶

三大模块：

a) 营销组合建模 (MMM) - Delayed Adstock（延迟广告效应）+ Logistic Saturation（逻辑饱和） - 随时间变化的媒体效果（TVP-MMM）：广告效果可能在时间上变化（如品牌知名度提升后搜索广告效果变好） - 先验选择帮助：prior_predictive_check()——"如果我的先验是正确的，模型会生成什么样的数据？"可视化检查先验的合理性

b) 客户终身价值 (CLV) - BG/NBD（Beta-Geometric / Negative Binomial Distribution）：非合约连续交易场景（零售、电商）——客户可能在任何时候"静默流失" - Pareto/NBD：合约离散交易场景（订阅、SaaS）——你能观察到客户何时流失 - Gamma-Gamma：在预测交易次数后预测平均交易金额——假设交易金额独立于交易频率

c) 客户选择分析 (CSA) - 分层贝叶斯 Multinomial Logit：从客户选择中推断偏好——"为什么客户选了你的产品而不是竞争对手的？"

与概念笔记的连接： - → 概念笔记「概率分布选择不是数学偏好」：CLV 模型的三层分布选择——交易次数 ~ Poisson/NBD，流失概率 ~ Beta 分布，交易金额 ~ Gamma 分布。每一层分布选择编码了对客户行为的假设——客户是否"一旦流失就不再回来"（Pareto）还是"可以随时回来"（BG） - → 概念笔记「自适应实验与多臂老虎机」：MMM 的预算分配和 Bandit 的臂选择是同一个问题在不同时间尺度的体现——MMM 在季度/年度尺度优化，Bandit 在实时/每日尺度优化。Thompson Sampling 可以用 MMM 的后验作为先验

3. Meta Robyn — 半自动 MMM 的产业标准¶

核心创新： - Ridge 回归 + 进化算法：不是纯贝叶斯——用 Ridge L2 正则化控制共线性（媒体渠道之间高度相关），用进化算法（Nevergrad）搜索超参数（adstock 衰减率 + 饱和曲率） - 自动化：自动生成 10,000+ 个候选模型 → Pareto 最优前沿 → 业务约束过滤 → 最终模型选择 - 梯度预算分配：给定总预算，用进化算法找到每条渠道的最优份额

Robyn 的方法论定位：频率学派（Ridge）的统计推断 + 进化算法的超参数优化 = 实用主义的胜利。Robyn 不追求贝叶斯的概率解释的优雅，但它在 10,000+ 个模型候选中自动搜索"最合理"的模型——这更接近工程实践。

与概念笔记的连接： - → 概念笔记「频率推断核心张力」：Robyn 10,000+ 模型的多重比较——你遍历了 10,000 个超参数组合，挑出"最好的"一个，但 p 值、R²、NRMSE 都因选择偏差而乐观。Robyn 用样本外 MAPE 缓解这个问题 - → 概念笔记「机器学习失败金字塔」：Robyn 的自动 MMM 面临和 AutoML 相同的陷阱——10,000 个模型中表现最好的一个几乎一定包含过拟合成分。"自动化"不自动解决模型质量

4. customer-lifetime-value-prediction — CLV 端到端实现¶

完整工作流： 1. RFM 分析：Recency（上次购买距今）、Frequency（总购买次数）、Monetary（总消费金额） 2. BG/NBD 建模：用 lifelines 库拟合交易频率和流失概率 3. Gamma-Gamma 建模：拟合平均交易金额 4. CLV 预测：BG/NBD 预测的未来交易次数 × Gamma-Gamma 预测的平均金额 = 未来价值 5. 客户分群：K-Means 按 CLV 分群（高价值/中价值/低价值） 6. Streamlit 部署：交互式 CLV 仪表板

核心洞察：RFM 的 Re/Fr/Mo 三元组已经编码了预测 CLV 最重要的信息——不需要复杂的行为特征工程。CLV 模型的作用是将 RFM 的"经验观察"升级为"概率推断"——不仅知道"这个客户 90 天没买了"，还能量化"他 90% 概率已经流失了，剩余价值 $0"。

核心洞察¶

1. Adstock + 饱和效应——MMM 的两个核心非线性¶

这两个参数定义了 MMM 的本质挑战： - Adstock (λ)：捕捉"今天的广告会影响明天的销售"——广告效应随时间衰减。挑战：不同渠道的衰减速率不同（电视广告记忆持续数周，搜索广告记忆以小时计） - 饱和效应 (α, γ)：捕捉"广告支出的边际收益递减"——每多花一元钱的效果随总支出递减。挑战：你不能到达饱和点再停止——因为你永远不知道下一个一元是否还有效果

这两个参数共同造成了 MMM 的共线性+非线性+时变三难题——渠道之间的支出高度相关（共线性），每个渠道的效果随支出非线性变化（饱和），渠道效果随时间变化（品牌建设效果滞后，竞争对手反应）。

2. 从 MMM 到因果推断——缺失的一环¶

MMM 估计的是"广告支出与销售收入之间的统计关联"，不是因果效应。三个因果挑战： 1. 反向因果：销售旺季（如黑色星期五）你自然增加广告支出——销售↑"导致"广告支出↑，MMM 高估广告效果 2. 遗漏变量：竞争对手同时降低价格——你的销售↑，MMM 错误归因于你的广告支出 3. 同时性：你在多个渠道同步增加支出——每个渠道都"看起来有效"，MMM 无法区分谁真正有效

解决方案：Causal MMM——将 MMM 嵌入因果推断框架，使用 IV（竞争对手的广告支出作为工具变量）、合成控制法（Synthetic Control）或双重差分（DiD）来隔离因果效应。

3. MMM vs 多触点归因 (MTA)——宏观 vs 微观¶

维度	MMM	MTA (Multi-Touch Attribution)
数据粒度	周/月级别，聚合数据	用户级别，点击流数据
覆盖渠道	所有渠道（在线+离线）	仅数字渠道（可追踪点击）
方法	时间序列回归	归因模型（Last Click, Shapley, Markov Chain）
因果性	弱（观测关联）	极弱（点击≠因果）
适合场景	战略预算分配	战术渠道优化

没有谁比谁更好——两者是互补的。MMM 回答"我应该把预算的 30% 还是 40% 给搜索广告？"，MTA 回答"搜索广告中的哪个关键词投放最有效？"。

跨域链接¶

→ 概念笔记「贝叶斯与频率学派分歧」：MMM 是贝叶斯与频率学派在产业应用中的正面交锋——LightweightMMM 走贝叶斯路线（后验渠道贡献度 + 可信区间），Robyn 走频率路线（Ridge 点估计 + 进化算法）。两个方法在同一个问题上给出了不同的不确定度量
→ 概念笔记「度量选择是元决策」：CLV 的三种度量——历史 CLV（已经产生的价值）、剩余 CLV（未来还会产生的价值）、总 CLV（两者之和）。营销团队被按"本季度新增客户数"考核 → 他们只关注获取成本低的低价值客户。CLV 度量改变了激励结构
→ 概念笔记「概率分布选择不是数学偏好」：Gamma-Gamma 的假设——交易金额独立于交易频率。现实中高频客户倾向于小额交易，低频客户可能是大宗采购——违反这个假设导致 CLV 偏估
→ 概念笔记「机器学习失败金字塔」：Robyn 的自动化 MMM——10,000 个模型中最好的一个 = 过拟合锦标赛。自动化工具加速了你到达错误答案的速度
→ 概念笔记「关联不等于因果」：MMM 的因果陷阱——广告支出和销售收入的相关性是内生关系（销售↑ → 你更有钱 → 广告支出↑ → 销售↑...），不是单向因果
→ 概念笔记「自适应实验与多臂老虎机」：MMM 的预算优化 = 离线 Bandit——你在历史数据上"回测"不同的预算分配，但没有在线探索。真正的自适应预算分配是 Geo-testing——在不同地理区域分配不同预算水平，在线观察效果并持续调整
→ 概念笔记「实验设计与在线对照实验」：Geo-experimentation (地理实验) 是 MMM 和 A/B 测试的交汇点——在不同城市/区域随机分配广告预算水平（处理强度而非二元处理），既保留了随机化的统计优势，又适用于不可分流的广告投放场景
→ 概念笔记「决策理论三张面孔」：CLV × 获取成本 → 客户获取决策——只有当 CLV > 获取成本时，获取客户才是正净现值决策。这是规范决策理论在营销中最直接的操作化