计算广告（十八）

营销组合模型 MMM

分析背景

随着媒体类型和销售渠道的不断变化，客户旅程日益复杂化。单一活动层面的优化已无法满足客户需求。为了应对这一挑战，品牌方需在战略和活动层面构建完整的营销视图，优化各营销渠道间的效率并实现最高投资回报率。例如，线下广告投放、活动促销、私域流量运维、价格定位以及宏观经济条件等多种因素都会影响整体销量。因此，我们需要一种方法来解析销量与营销的关系，量化各影响因素对销量的贡献，并合理分配预算。为解决这一战略层面的问题，我们可以采用营销组合模型（MMM）。

分析场景

营销组合模型（MMM）能在宏观层面帮助品牌方了解营销组合并辅助预算分配。其分析场景包括以下三个方面：

识别销量的驱动因素及其产生的结果，例如，确定哪个营销渠道能带来更高销量及其百分比增长；
优化营销开支分配，通过MMM作为整体渠道（包括线上和线下）的宏观分析工具，有针对性地对表现优劣的渠道做出决策；
模拟营销表现，借助营销组合模型对策略进行模拟，如降低价格或增加广告投入，观察销量的变化。

解决方案：方案1：营销组合模型（Marketing Mix Model，简称MMM）

什么是营销组合模型？

营销组合模型（Marketing Mix Model，简称MMM）是一种统计建模技术，如回归分析技术。它可以衡量和预测不同营销策略对销售的影响，从而评估宏观层面的营销效果并决定在不同营销渠道之间进行最优的预算分配。MMM最早由计量经济学家发明，早期应用于快速消费品行业。随后，MMM从学术界走向市场，成为一种广泛应用的营销分析工具。

营销组合模型的Mix最初是指四个P：产品（Product）、价格（Price）、地点（Place）和促销（Promotion）。MMM分析的初衷是衡量并找到这四个P的最佳组合，同时评估和预测不同营销活动对销售的影响。

随着数字营销的普及，除了传统的四个P变量，营销策略变得更加多元化，例如网络数字广告、电视、广播和邮件。MMM模型的输入变量可以包括以下几种（下面将详细介绍）：

产品数据（Product data）：主要包括品牌产品的基本属性。

竞品数据（Competing data）：主要涉及行业竞品产品的基本属性。

宏观经济数据（Economic data）：主要指与产品所属的宏观经济环境相关的指标。

营销数据（Marketing data）：主要涉及不同广告渠道投入的各类指标。

转化数据（Conversion data）：主要指营销目标转化指标。

通过以上五种数据类型，营销组合模型可以有效评估和预测不同营销策略对销售的影响，从而帮助企业实现更高的营销效果和更合理的预算分配。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

MMM 有什么用？

营销因子衡量：更好地了解营销渠道与销量之间的关系。

预算分配：获取高投资回报率的营销渠道和低投资回报率的营销渠道，最终更好地优化营销预算。

模拟预测：根据给定的各个不同营销渠道的输入预测未来的转化。

营销组合模型的基本步骤

营销组合模型的基本步骤如下所示：

编辑切换为居中

添加图片注释，不超过 140 字（可选）

步骤1：数据准备

要使用MMM模型，首先需要准备各种类型、粒度和组织形式的数据。该模型涉及5大类数据，包括产品数据、竞品数据、宏观经济数据、营销数据和转化数据。以某个品牌为例，其数据类型如下：

产品数据：包括品牌所有商品的平均价格、商品的加权价格（即主流商品的平均价格）、商品折扣等。

竞品数据：包括竞品主流商品的加权价格等。

宏观经济数据：包括代表宏观经济环境的指数数据（如CPI、GDP）以及季节性因素（如是否节假日、是否有大促等）。

营销数据：包括不同渠道的营销投入数据，如线上数字广告、电视广告、广播广告、线下大屏广告的开销、曝光量、点击量、触达人数等。

转化数据：包括品牌的销售金额、人数等。

该模型是一个宏观分析模型，数据粒度通常为周或月。为了确保模型训练有足够的样本，数据涉及的周期需要超过1年。

步骤2：数据处理

对于收集到的不同种类的数据，需要进行数据处理。通过业务判断结合一些数据处理方法，可以对缺失值进行处理。以下是一些常用的处理方法：

估算：使用估计值填充缺失数据的方法，如使用均值或中位数。

预测：使用时间序列预测缺失的数据值。

置零：当数据仅在一天内发生交易或促销活动时可用时，可简单地用零替换丢失的数据，以表示当天没有交易或促销。

删除：若缺失值较多时，可以选择删除缺少数据的部分。

数据转换：

在MMM模型中，某些因子（如数字广告、TV广告）与销售量之间的关系并非线性增长。这意味着，广告投入的增加只能在一定程度上提高销量。一旦达到饱和点，每增加一单位广告投入对销量的影响就会减小。因此，需要对这些非线性因子进行一些转换，从而将它们纳入线性模型。数据转换主要用于数字广告、TV广告、线下广告等主动广告营销因子，包括以下两个方面：

广告的衰退或滞后效应：不同的媒体可能存在较大的广告滞后效应差异。例如，以曝光为主的媒体，用户可能需要较长时间才能想起广告；电视广告可能会被记住的时间更长。通常使用Adstock公式来描述广告对用户行为的滞后效应，如下所示：在时刻t，影响由时刻t本身的投入以及时刻t-1的影响组成：

A[t] = A[t] + r*A[t-1]。

广告的饱和或收益递减效应：大多数广告对销售产生的影响具有非线性特征，呈现出收益递减效应。初始广告支出几乎没有影响，直到达到某个阈值，之后会对销量产生明显的影响。随着投入达到饱和点，这种影响逐渐减弱。可以通过S曲线变换来捕捉整个影响过程。S曲线公式和模拟图为：

Y = a / (b + c * exp(-x)) + d。

添加图片注释，不超过 140 字（可选）

步骤3：模型训练

为确保因子贡献可累加，MMM模型在业务上通常采用多元线性回归模型。自变量β包括价格、广告投入、宏观经济和线下促销等，因变量通常是销售量（或市场份额）。在以下方程中，自变量与因变量（销售量）之间的关系是线性的。但通过因子转换技术，可以呈现非线性关系（如经过处理后的各种广告因子，得到的β是一种具有衰退效应或滞后效应的变量）。回归分析生成的模型有助于量化每个输入的影响。方程系数用于描述某个变量一个单位投入价值增加带来的销售量增加，即边际贡献。

Sales = B0 + B1 * x1 + B2 * x2 + ... + Bn * xn。

步骤4：分析决策

MMM模型结果可通过分析支持不同决策：

解释整体销量组成：将历史数据输入MMM模型可以得到不同因子的销量贡献，例如数字广告贡献了40%的GMV，折扣贡献了20%的GMV。这有助于决策者在宏观层面上了解业务，并辅助他们进行预算分配。

模拟和预测销量变化：将因子变化输入MMM模型可以得到销量变化，例如数字广告投入增加10%，销量预计增加8%。这有助于决策者评估变化的影响。需要注意的是，因子变化需要综合考虑。在现实情况下，不会存在只有某个营销因子指标升高或降低，其他因子都不发生变化的情况（此外，MMM模型也可能未考虑全面的因子，如某些因子没有纳入）。因此，通过模型模拟和预测的销量变化需要在一定业务范围内考虑。

方案2：营销组合模型（MMM）与归因模型融合

营销组合模型和归因模型的区别：

归因模型侧重于数字营销渠道的最优组合，而MMM涵盖数字渠道、传统媒介、经济因素、行业和竞品等。

MMM是一个“宏观”模型，依赖于市场层面的数据（通常以周、月为单位），而归因模型是一个“微观”模型，在用户层面进行分析，追踪用户（秒级）的广告行为和转化行为。

如何选择？

如果品牌在线上和线下都持续投入营销至少60天以上，且线上线下都有销量，要理解完整的用户购买旅程，就需要同时考虑线上和线下触点，此时可以考虑MMM。

对于普通的线上店铺，营销渠道仅限于数字渠道，则选择归因模型。

MMM与归因模型（MTA）融合模型：

广告数据往往较为稀疏，例如某些渠道的数据可能有很多缺失值（即品牌方未在这些渠道投放或投放不持续导致长周期内的缺失值较多），从而降低模型精度或使这些渠道无法作为MMM的营销因子。为了将营销因素解释到广告渠道级别，行业内经典做法是引入归因模型（MTA），形成MMM+MTA融合模型。具体操作分为两步：

将所有数字广告作为一个整体因素，与其他因素通过MMM模型进行因子分摊贡献。这个步骤即为传统的MMM模型。

数字广告贡献通过归因模型（MTA）进一步分摊到各个广告渠道或各个人群。

添加图片注释，不超过 140 字（可选）

案例应用

MMM 模型一般主要应用包括如下两个方面。

解释销量组成

通过 MMM 模型，能获取到各个因素的销量贡献，从而形成全局的销量组成，如下图所示，在整体销量（1000）组成里面，有 30% 的销量是产品自身运营的基准销量（只与宏观经济有关），数字营销（数字广告）带来了 50% 的销量？

产品打折会带来了20% 的销量，竞品的折扣是一个负向因子（即竞品打折会导致销量被抢占）

添加图片注释，不超过 140 字（可选）

营销模拟与建议

MMM 模型可以应用于模拟与预测，可以用于回答改变营销因子后可能引起的销量变化，如下图所示，当数字广告投入增长 10% 后其销量也增长了 10%，数字广告增长20% 后，其销量增长 16%（说明 mmm 营销因子的投入是具有饱和效应的），同样，因子中的负面销量也可以进行模拟，如图当竞品折扣增长 10% 后，销量会下降 2%。

添加图片注释，不超过 140 字（可选）

目标群组发现

分析背景：

在行业运营场景中，我们需要根据业务目标，从“人-货-场-店”的角度进行细分，定位行业的优势、问题和劣势群组。通过了解这些群组中影响目标达成的驱动因素，可以发掘运营机会并有针对性地制定运营策略。发现目标消费者群组有助于市场定位和寻找潜力消费者；发现目标货品群组可以挖掘机会品类和开拓新市场；发现目标商家群组可找到经营机会并提高经济效益。

基本概念：

目标群组：在特定运营目标下，通过细分方法找到需要实施运营策略的群体。这些群体可以由消费者、商品、店铺或其组合组成。例如，目标消费者群体可以是小镇男性群体，目标商家群体可以是美妆、护肤新锐品牌商家，目标货品群体可以是生活用品、小家电等类目中的低价货品。

细分：是将分析对象划分为若干子群体的过程。目标群组发现的核心思想是细分，但细分对象不仅限于消费者。细分方法可以基于维度特征、行为指标规则进行，也可以通过综合打分、预测、聚类等算法模型实现。目标群组发现过程通常经历多次细分，逐层下钻发掘。

指标：是对分析对象数量特征的度量。从运营目标指定到过程实施，指标分为三层。第一层指标用于目标定位，而二、三层指标用于发现驱动因素。一级指标（Tier1 Index）：定义目标的核心指标，直接指引战略目标和KPI，如GMV。

二级指标（Tier2 Index）：针对一级指标的拆解，体现一级指标达成过程。通过二级指标发现一级指标变化的直接原因。例如：GMV = 购买uv * 人均购买笔数 * 笔单价 = 浏览uv * 转化率 * 人均消费金额。

三级指标（Tier3 Index）：针对二级指标的拆解，维度分类或与二级指标产生影响的相关指标。

解决方案

目标群组发现是一套“目标定位 - 发现群组 - 定义群组”的分析解决方案。比如目标是增加平台中商家的销售额，则目标是销售额，群组对象是商家，则我们需要去寻找提升销售额的机会商家类型以及提升的驱动因素。

添加图片注释，不超过 140 字（可选）

主要应用场景举例

业务现状描述

从品类 * 价格角度，分析平台中浏览人数低、但是成交转化低的商品类型，考虑优化对应商品的运营策略。

业务问题诊断

从 GMV 份额低，但环比增长率高的女装二级类目中，找到不同类目份额低的原因，是笔单价低、人均购买笔数低还是购买人数少，来定位不同类目的关键问题，发现驱动因素进行改善。

主要模型

基准分析（Benchmarking ,BMK）

在假定其他条件不变的情况下，通过分析主题与基准对比关键指标，寻找变化或差异。从大量分析群组中发现潜力 / 问题群组，并针对驱动指标，寻找运营对策，帮助业务发展。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

注：TGI 指数 = [ 目标群体中具有某一特征的群体所占比例 / 总体中具有相同特征的群体所占比例 ]* 标准数 100 基准分析基本表格形态。

添加图片注释，不超过 140 字（可选）

通过与基准时段对比，我们可以了解不同货品组合在业务变化上的表现，发现增长、稳定和下降的货品组合。同时，通过与基准群体进行对比，可以了解分析群体与基准群体（通常是标杆群组/整体）的表现差异，发现差距，并设定有意义的目标，以便有针对性地进行运营提升。

四象限分析模型是一种分析方法，它将事物的两个关键属性作为分析维度，用于分类分析。这种方法在业务分析场景中有两种应用：1）分类：根据当前指标表现对业务或产品进行划分；2）诊断：通过业务变化指标定位业务问题。四象限分析通常采用气泡或散点图的方式表示在XY轴上，并通过象限划分来定位每个象限中事物的优势和问题。实际操作中，并非只有四个象限，也可以根据需要进行N*M划分。

波士顿矩阵（BCG Matrix）是四象限分析法的一种应用。它从“市场增长率”和“市场份额”两个维度对企业的所有产品进行描述，分为“明星类产品”、“问题类产品”、“金牛类产品”和“瘦狗类产品”。波士顿矩阵帮助企业评估不同产品的发展状况，制定相应策略，并优化资源分配。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

四象限分析的基础是气泡图，通过指定 x 轴 ,y 轴 , 气泡大小对应的指标形成分析模型，常见的模型有：

添加图片注释，不超过 140 字（可选）

以下为四象限模型示例，气泡拆分 = 产品类型，x 轴 = 市场份额，y 轴 = 市场增长率，气泡大小（可选）= 利润，颜色（可选 )= 利润增长率。

右侧可过滤气泡大小，以及颜色深浅过滤气泡，通过框选设定 xy 轴展示范围。

添加图片注释，不超过 140 字（可选）

方案流程

目标群组发现通常可以遵循以下流程：

添加图片注释，不超过 140 字（可选）

流程解释

数据准备根据分析目标进行度量设计，包括指标、维度的选取，分析对象、时间范围的设定。在常用场景下可以设定为模板，方便用户直接使用。数据准备完毕，则形成基础表格。
目标定位
定位模型

设定目标指标

基于目标指标的现状和潜力定位业务组合类型，保存初级群组进一步分析。比如使用增长率 - 份额模型去发现低市场份额高增长率的问题货品类目。

3. 发现群组

基础分析了解指定群组目标相关指标的统计信息
基准分析

选定基准，通过对比计算差异及差异率，可以作为发现模型的分析指标

获取指定范围的指标统计值，比如平均值、中位数等，为分析各阶段参考线划

分提供参考

c1. 四象限气泡图发现模型

选择拆分方式，通过维度组合对气泡点的意义进行设定

通过 X,Y, 气泡大小对群组的 3 个关键指标进行展现，通过颜色对第 4 个指标或者对群组进行分类标识。其中气泡大小、颜色不是必需选择。

对气泡大小、颜色、xy 轴对应指标范围进行过滤

并基于参考线划分或者圈选过程群组

选择指定过程群组、问题指标进行分析，定位驱动因素

可反复进行以上过程，调整范围，直至生成对应目标群组

c2. 打分模型（可选）

对指定群组个体的目标驱动指标进行分段或加权打分，通过排序等处理获得目标群组

4. 定义群组 ( 可选 )

1）特征分析

对比目标群组与基准群组的属性和事件特征差异

2）聚类细分

对目标群组的类型进行聚类细分并描述，对细分采取不同策略

案例参考

某电商平台盘点快消行业下二季度各个品类的业务发展情况，想找出销售份额高，但增长乏力的品类，并寻找导致增长乏力或衰退的原因，从而制定策略进行改善。

数据准备：

各品类销售金额、购买人数、人均购买次数、次均购买金额，分析当前时段 20210401-20210630，对比时段 20200401-20200630。

目标定位

使用基准分析，计算各品类今年二季度相对于去年二季度的销售额变化率。为避免负值气泡，这里变化率可以是今年数据 / 去年数据，若变化率 <1 则表示下降，下同。
采用“ 销售额增长率 - 销售额”模型， x= 当前销售额，y= 销售额变化率，对各品类数据绘制气泡图。
划分象限，用 x= 均值（或指定数值），y=1 做参考线划分。
落在第 4 象限的品类属于“销售份额高、增长乏力”的品类，取名“高份额低增长组”。形成过程群组。

添加图片注释，不超过 140 字（可选）

发现群组

发现影响增长率的原因，并根据不同原因对品类分组。

取“高份额低增长组”中的品类，使用基准分析计算各品类今年二季度相对于去年二季度的购买人数、人均购买次数、次均购买金额变化率。
采用 x= 购买人数变化率， y= 人均购买次数变化率，气泡大小 = 次均购买金额变化率，对品类绘制气泡图。
划分象限，用 x=1, y=1 做参考线。划分群组，并保存。

添加图片注释，不超过 140 字（可选）

定义群组

第一象限：购买人数增长、人均购买次数增长，通过过滤气泡大小指标次均购买金额变化率 <1 , 找到由于次均购买金额下降影响增长率的品类组。

第二象限：购买人数下降、人均购买次数增长，成为“购买人数下降”组，并可进一步区分次均购买金额是否下降。

第三象限：购买人数下降、人均购买次数下降，成为“购买人数、人均次数双降组” ，并可进一步区分次均购买金额是否下降。

第四象限：购买人数增长、人均购买次数下降，成为“人均购买次数下降”组，并可进一步区分次均购买金额是否下降。

我们根据影响销量增长率的原因，划分了四个目标群组，接下来可以针对原因制定运营策略，

比如：针对购买人数下降品类，可以考虑品类拉新策略 ; 对人均购买次数下降品类，考虑复购策略 ; 对次均购买金额下降品类，可考虑产品升级或关联销售策略。

增强分析在营销分析场景下的实现和应用

背景

在数据驱动业务增长的发展趋势背景下，数据驱动力在精益运营时代变得越来越重要。新一代技术和数据处理工具逐渐成为人们关注的焦点，数据驱动决策已成为许多企业、组织和管理者优先发展和关注的关键事项。2019年初，悉尼的Gartner数据与分析峰会预测，增强型数据分析、持续型智能和可解释的人工智能（AI）将在未来三到五年内具有显著的颠覆性潜力，成为数据和分析技术的主要趋势之一。到2020年，增强分析将成为分析和商业智能解决方案的主要卖点。

增强分析通过自动化、智能化洞察技术，不断挖掘数据价值、提高数据应用效率，洞察行业趋势和消费者价值。它能将数据洞察转化为行动推荐，驱动品牌定位、消费者管理与营销效率，赋能商业价值增长和客户收益增长，实现企业数字化转型。

业务场景

福布斯报道称，89%的行业认为大数据将像互联网一样改变传统商业运作模式。企业若未实施商业智能(BI)战略并以有意义的方式收集、评估和应用这些信息，将被淘汰。这就是增强分析等高级数据分析工具的用武之地。根据Allied Analytics的报告，随着类增强型分析的下一代技术日益普及，到2025年，全球增强分析市场规模预计将达到2900万美元。

具体到营销分析场景，运营数智化和精细化的背景下，企业面临着用户增长、留存等重任和挑战，例如会员或消费者运营增长、广告商家运营和客户增长等。这些需求迫切需要打破传统工作思路，不断探索新方法，寻找机会点或制定应对策略。值得注意的是，行业巨头如Google和Facebook在智能洞察方向的探索尝试也都源于广告业务的营销分析。

添加图片注释，不超过 140 字（可选）

基本概念

增强分析定义

增强分析这一概念由Gartner在2017年提出，旨在利用机器学习自动化数据准备、洞察发现和洞察共享等过程。它基于统计学、人工智能和机器学习来增强人类评估数据的能力，为广泛的业务用户、运营人员和民间数据科学家提供服务。通过自动化数据洞察和提供更清晰的信息，增强分析超越了传统的分析工具，使各个业务领域从数据科学家到营销人员都能从向增强分析应用的转变中受益。

关于增强分析的技术能力，结合Gartner的分类，可以将其技术分为三类：增强数据准备、增强数据分析和增强机器学习。

技术路线图：

增强数据准备：包括可视化数据交互和数据关系自动化发现两个方面。可视化数据交互实现可视化的数据配置、数据源的混合以及数据清洗工作，让数据准备变得"无代码化"；数据关系发现利用机器学习和AI技术自动化上述部分流程。

增强数据分析：包含自动洞察、自动可视化、自然语言查询（NLQ）和自然语言生成（NLG）。自动洞察和自动可视化实现业务数据的自动化诊断和可视化展示；自然语言查询和自然语言生成则跨越人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言。

增强机器学习：涵盖自动化机器学习（AutoML）和自动化在线学习平台（AutoLearning）。增强机器学习旨在释放机器学习过程中的人力投入，自动化实现数据标注、特征提取、模型训练以及超参数优化和模型评估。

自动化洞察

自动化洞察，又称主动洞察，是增强数据分析的核心功能，但它也是一个相对宽泛的概念。如今，绝大多数主流商业智能（BI）平台都推出了与自动化洞察相关的功能，并在不同方向进行拓展。自动化洞察旨在替代部分分析师工作，从数据中挖掘潜在信息和价值。

从任务目标的角度来看，自动化洞察的主要技术方向包括：发现关联、异常检测、诊断分析和显著性智能推荐等。增强型数据分析自动化洞察能力通过自动化的数据处理和算法，为整个业务的深度分析、商业洞察、决策和行动过程提供支持。

针对广告业务的投前策略洞察和投后效果分析场景，我们正在开发智能洞察技术AutoInsight以及相关产品化应用。基于大数据分析，这些技术和应用将帮助广告主、运营人员、数据分析师等业务人员更好地了解业务发展现状，并为未来的增长策略提供深入洞察。这将极大地提高各方在获取业务洞察、制定结论和运营决策方面的效率。

智能洞察系统 AutoInsight

系统架构

智能洞察系统 AutoInsight 一共包含四个大的组成部分，分别为：数据源接入 &ETL模块、元数据配置服务、InsightCore 服务层以及文案展示服务层，整体架构为下图所示：

添加图片注释，不超过 140 字（可选）

AutoInsight系统包括以下四个主要模块：

数据源接入和ETL模块实现了多种数据源类型的可视化配置。

元数据配置服务层提供了灵活的维度、指标和业务层级关系等个性化配置能力。

InsightCore服务层是AutoInsight的核心算法模块，包含异常发现、洞察算子、TopK-Insights智能推荐三个子模块。这是智能洞察的三步走策略：首先通过异常发现模块完成业务表现的多维度、多指标分析；然后对异常维度组合的业务指标表现进行波动分析、趋势洞察等归因分析；最后通过智能推荐模块对诊断洞察结论进行综合的业务异动波动显著性打分。

文案展示服务层可直接对接各应用端，提供了三类文案模板：指标波动诊断结论文案、指标盘点结论文案和指标异动预警文案。通过文案模型灵活配置，展示更清晰、有价值的业务洞察结论。

AutoInsight系统的核心自动化能力目标包括高度自动化智能化和个性化诊断洞察能力。为实现这些目标，需要解决InsightCore服务层的“三步走策略”所涉及的三个基础性问题：

在广告业务场景中实现多层级维度的下钻和组合分析。

对复杂多类型的业务指标异常波动进行量化分析。

针对不同广告商家的关注视角，实现洞察结果的个性化展示。

在复杂的广告业务营销分析场景中，多维智能下钻的能力非常重要。为此，AutoInsight提供了多维下钻和维度剪枝两个功能：

多维下钻：AutoInsight提供了灵活的前端配置界面，根据用户配置信息，自动完成指标在分析时间周期统计计算、基于维度层级关系进行层级表自动关联，实现自动化遍历搜索多维组合，解决传统up-to-bottom模式的问题。

例如维度对应的三层子级依次为Di^A , Di^B, Di^C，则构造的组合为： [Di^A ，(Di^A, Di^B)，(Di^A, Di^B,Di^C)，从而挖掘维度组合的波动路径，可以解决下层波动上层平稳的业务场景。

维度剪枝：在多维下钻过程中，维度剪枝采用合理的有效评价策略，避免无效下钻，提高下钻性能和算力。AutoInsight通过设置层级贡献度阈值或无层级维度组合占比关系，对洞察维度组合候选集进行基于贡献度的剪枝。同时，归一化维度组合的各个子集，计算综合贡献度得分。

总结，AutoInsight是一个强大的智能分析系统，通过多数据源接入、元数据配置、核心算法模块以及文案展示服务层，实现了高度自动化智能化和个性化诊断洞察能力。针对广告业务场景，系统提供了多维智能下钻、维度剪枝等功能，以提高分析效率和洞察价值。

指标贡献度分析

什么叫贡献度指标异常分析中，常常需要对指标进行拆解，其中最常见的为往更细粒度去拆分，找出影响该指标的”根因”。比如昨日某个广告的推广商品曝光量下降明显，可以拆分到该商品对应的投放计划的曝光数变化情况，这就会涉及到如何确定各个投放计划对该商品的曝光下降的影响程度，此处所述影响度即是贡献度。
常见指标类型的贡献度计算方法

原子指标 - 累加型：累加型指标是指同一维度下不同维值之间可进行相加，如全国的订单数可通过各城市的订单数直接加总得到 :Y= y1 + y2+...+yn

此类型的指标计算细粒度对上层粒度的贡献度，只需通过计算细粒度的变化差值与上层粒度的变化差值的占比。例如，城市对全国订单变化数的贡献度可通过如下式子计算可得 :

添加图片注释，不超过 140 字（可选）

其中，yi^t表示城市时刻的订单数，Y^t表示全国时刻的总订单数。

复合指标 - 除法比值型：除法比值型指标一般是指需要通过两个累加型指标相除得到，如新客率需通过新客人数除以总用户数，如下所示：

编辑

添加图片注释，不超过 140 字（可选）

其中 r 为全国新客率，分子为各城市的新客人数之和 N，分母为各城市用户人数之和U。显然此类指标不能像累加型指标那样直接通过差值进行计算 , 第一种思路即将除法型的计算公式转化为加法型，转化方法如下：

编辑切换为居中

添加图片注释，不超过 140 字（可选）

该形式就和累加型指标一样了，接下来的贡献度计算即可采用上述原子指标的方法进行。但如果其中ui=0时，上述方法就不可行了。这里就需要重新计算整体新客率rnew^t，具体如下：

添加图片注释，不超过 140 字（可选）

复合指标 - 乘法型：乘法型指标贡献度计算可以采用化乘法为加法，两边取对数的方式，如交易额为订单数和客单价的乘积之和：

编辑

添加图片注释，不超过 140 字（可选）

其中 M 为交易额，Q 为订单数，N 为客单价，在计算贡献度时则需要加入控制变量法的思想，如果计算订单数的贡献度，则认为客单价是不变的，订单数对交易额变化的贡献度为：

添加图片注释，不超过 140 字（可选）

其中，表示拆解指标订单数对异常指标交易额的贡献度。

洞察结果个性化

个性化洞察结论的实现需要综合考虑业务策略和机器学习算法。AutoInsight 系统能够对异常维度组合进行组合分析和波动程度评价，从而实现显著性评价算法模型的通用性。为了实现这一目标，我们设计了基于业务洞察场景数据的两阶段策略：

冷启动阶段的统计规则策略：通过贡献度阈值对候选集进行剪枝，并对维度组合综合贡献度进行归一化排序，输出 top-K 结果集。

基于用户反馈数据的机器学习算法建模策略：根据用户的历史行为数据（如对洞察结论的曝光、点击等行为），建立机器学习算法模型，实现个性化的洞察结论排序模型，进而实现个性化的洞察结论展现。

AutoInsight拥有领先的数字营销技术和强大的数据优势，为广告商家提供多场景营销平台和广告营销全链路解决方案。AutoInsight 智能洞察系统已成功应用于智能化诊断、智能预警等广告营销分析场景，并与客户增长平台北斗对接，实现一站式波动分析能力。下面是两个 AutoInsight 在广告营销分析场景下的应用案例：

案例一：广告投放平台智能化诊断AutoInsight利用核心商业数据和超级媒体矩阵，帮助商家、品牌及合作伙伴实现数字媒体的一站式全域传播。广告投放平台提供商品推广的一站式投放、报表、营销分析和智能诊断等功能，如直通车、超级推荐、UniDesk 等产品。智能化诊断模块包含两个功能点：

一是数据分析模块，进行报表数据关键信息挖掘、波动诊断和个性化展示；

二是机会洞察模块，向广告商家展示可优化的点和商业机会，并根据投放操作行为提供个性化投放建议诊断。

AutoInsight 在广告投放平台报表洞察诊断升级能力方面，结合数据诊断和算法个性化建议分发，完善“报表+诊断”的一体化设计，实现投前、投中、投后全链路的数据和算法支持能力。这有助于提高商家广告投放收益、诊断页面的停留时长和活跃增长。同时，一站式诊断分析为广告商家带来良好的体验和分析效率的提升。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

案例二：移动端投放平台智能预警为了方便广告商家随时随地查看和调整投放配置，我们考虑到移动端投放平台的特性，使广告商家不受时间和地点的限制。为提高广告商家对业务监测和决策的时效性，在移动端增加了业务指标异动洞察能力，并通过发送预警信息帮助广告商家更好地发现业务问题，从而更及时地进行业务判断和决策。例如，在众所周知的千牛APP中，我们利用AutoInsight的自动化数据洞察诊断能力，在千牛APP的广告投放模块中实现了智能预警、异动通知提示功能，为移动端广告商家提升广告效果诊断和投放效率。异动通知提示功能如下图所示