很多人了解Marketing Mix Modeling是什么；也有很多人了解Attribution Modeling是什么。但很少有人能同时真正了解这两种模型，并明白这两者的区别。这篇文章试图帮助你理解：

何为Marketing Mix Modeling、何为Attribution Modeling、两者的区别、企业该如何因地制宜地选择模型

Marketing Mix Modeling (MMM)

Marketing Mix Modeling （MMM）营销组合模型是一套统计分析技术，用来测量和预测不同营销行为对销售及ROI的影响。它被用来测量整体的marketing effectiveness并用来在不同的营销渠道中决定最优的预算分配。

这套统计分析技术最早由计量经济学家发明，在早期被主要应用在快消品行业。第一家把这套方法用于商业环境的公司是Hudson River Group，其他先驱公司包括Mindshare，Omnicom和OHAL。这些先驱公司把MMM从学术圈带到到市场，让MMM成为一个广泛应用的营销分析工具。

Marketing Mix中的“Mix”一词最早指的是Mix of 4Ps（Product，Price，Place & Promotion）。早期MMM分析的目的就是为了理解并找到这4P的最优组合，同时测量并预测不同的营销活动对销售的不同影响。

时至今日，MMM中包含的变量更加广泛，一个Marketing Mix Model可以由以下这些类型的数据组成：

• Target Audience data （目标用户数据）

• Product data （产品数据，包括产品价格、产品特征）

• Competitive data（竞品数据）

• Industry data（行业数据）

• Economic data（经济数据）

• Marketing data（营销数据）

• Conversion data（转化数据如sales，profit，ROI）

Attribution Modeling和MMM的区别

‘Attribution Modeling’可以被看作是MMM的一个子集。因为MMM的本质其实就是将销售“归因”到不同的营销渠道。但Attribution modeling的侧重点在于理解“数字营销渠道”的最优组合。请重点关注这里的“数字”二字。我们用attribution models来测量和理解各种数字营销触点（digital marketing touch points）在一个转化通道（conversion path）中的影响，并用它来决定哪个才是最值得投资的、最有效的数字营销渠道。所以，Attribution Modeling是在digital media的背景下应运而生的一个MMM的子集。

然而和MMM不同的是，实施attribution modeling其实是件非常轻量级的事（对于操作者而言），因为它通常并不需要有一个“modeler”去直接跑模型或者费力地运用统计方法。Attribution model自己就把统计分析做出来了，并不需要modeler的参与。所以，实施attribution modeling用不着一个统计的硕士学位。这是attribution相较于MMM来说的一大优势。另一个优势是，Attribution model的error普遍较低（只要你的数据质量高）。

Attribution Modeling的应用场景

你也许想问，既然Marketing Mix Modeling已经存在几十年了，而且听起来就是一个“attribution modeling”，那我们为啥还需要attribution modeling呢？为啥不只用MMM就好了？

MMM的问题在于，它比互联网还要老。在这个世界上还没出现digital media，甚至还没有网络的时候，MMM的概念就诞生了。所以它有点跟不上digital age了。当我们要解决digital的归因问题时，MMM便相形见拙。

而attribution modelling却能够在优化数字营销渠道或ROI上提供远远更大的优势和控制力。因为它可以即刻地、实时地获得individual level的digital data。而且attribution models天生就和你的web analytics data交织在一起。比如，Google Analytics提供的attribution model就天生和GA整合在一起。

GA提供的“Data Driven Attribution（DDA）模型”可以和多个Google和非谷歌的digital data sources整合起来。比如，DDA可以与Doubleclick Campaign Manager、Google Adwords、Google Search Console、Google Play、Google Bigquery等Google数据源整合。这种整合就让attribution models得以实时地获取用户数据，不断提高模型的精准度和可靠性。

MMM模型通常是用发生在过去的、高度aggregrated的数据来搭建的。这个数据远远没有attribution models里用的数据那样有这么高的实时性。正因为此，一个传统的MMM模型是不合适来做所谓的数字营销归因的。

整合Attribution Modeling和MMM

如果你同时有online和offline的业务，而且你的营销也同时发生在online和offline，比如你是个零售商，你有实体店和网店，而且你在线上线下都做广告。那你的理想状态是将Attribution modeling整合进MMM。

这样做的好处是，你可以把attribution modeling的数据feed到你的MMM model中，而且可以更加精准地测量整体的marketing effectiveness。你也可以更精准地预测线上和线下的活动对销售和ROI的影响。

记住，真正的multi-channel analytics是不分线上线下的，线上线下的touchpoints互相影响，而且并不存在哪个单一的渠道给你带来所有销售。我们要理解完整的用户购买旅程，就要同时考虑到线上和线下这两边的touchpoints。不过，目前真正能做到这种holistic attribution的公司是极其少见的。

哪里可以学MMM和Attribution Modeling？

想要在工作、学习之外，掌握MMM和Attribution Modeling，不妨听听由GroupM的Analytics Manager和Airbnb的Marketing Technology Manager带来的Marketing Mix Modeling101及Attribution101课程。两位老师深入浅出、抽丝剥茧地讲解MMM及Attribution的原理、做法及实际应用。每一门课程分别由6节课组成，课程视频永久回放。目前课程已全部上线。