מודל תמהיל מדיה מונחה בינה מלאכותית: בצע אופטימיזציה של תקציב עם Bayesian MMM

כיצד מידול מיקס מדיה מבוסס בינה מלאכותית מייעל תקציב?

עם הירידה במעקב אחר עוגיות והחמרת ה-GDPR, ייחוס קליק אחרון איבד מהרלוונטיות שלו. מידול מיקס מדיה (MMM) חוזר כשיטה בטוחה לפרטיות להערכת התרומה של כל ערוץ שיווקי. אנו עוזרים לחברות לבנות מודלי MMM המתחשבים ב-adstock (אפקט מושהה), saturation (תשואה פוחתת), ורב-קולינאריות. הניסיון שלנו: 5+ שנים, 30+ פרויקטים בקמעונאות, פינטק ומסחר אלקטרוני. בפרויקט קמעונאי אחד, הפחתנו את עלות הרכישה (CPA) ב-18% על ידי הקצאה מחדש של תקציב מטלוויזיה לדיגיטל בהתבסס על MMM. החיסכון האופייני בתקציב הוא 15-25%, ובמקרה אחד החיסכון עלה על 300 אלף דולר בשנה. לפי נילסן, MMM יכול להניב ROI גבוה פי 3-5 מאשר ייחוס קליק אחרון. נבחן את הפרויקט שלך תוך 1-2 ימים.

מידול מיקס מדיה: הגדרה והכרחיות

MMM הוא גישה אקונומטרית שבה רגרסיה (לעיתים קרובות בייסיאנית) מעריכה את התלות של מכירות בהוצאות פרסום לכל ערוץ, תוך התחשבות בעונתיות ובגורמים חיצוניים. היתרון המרכזי הוא עבודה עם נתונים מצטברים, ללא מעקב אחר משתמשים. אך קיימים אתגרים: הפרסום אינו מיידי (carry-over) ויש לו יעילות פוחתת (תשואה פוחתת). קרא עוד על מידול מיקס מדיה.

מדוע Adstock ו-Saturation קריטיים לדיוק?

טרנספורמציית Adstock מדגמנת את האפקט המושהה. יישומים אופייניים: שקלול גיאומטרי (פרמטר דעיכה אחד) והתפלגות Weibull (צורה גמישה—השיא יכול להתעכב). ללא Adstock, המודל ממעיט בערכם של ערוצים עם מחזורים ארוכים (טלוויזיה, רדיו). Saturation מתואר על ידי פונקציית Hill: spend^alpha / (gamma^alpha + spend^alpha). הפרמטר gamma הוא נקודת חצי הרוויה, ו-alpha הוא תלילות העקומה. ללא Saturation, המודל היה ממליץ בטעות על השקעה אינסופית בערוץ היעיל ביותר.

קוד לטרנספורמציית Adstock:

def adstock_transform(spend_series, decay_rate=0.3, lag=None):
    """ Adstock: каждая точка = spend + decay × предыдущий adstock
    decay_rate: 0 = нет памяти, 0.9 = долгая память
    """
    adstock = np.zeros(len(spend_series))
    adstock[0] = spend_series[0]
    for t in range(1, len(spend_series)):
        adstock[t] = spend_series[t] + decay_rate * adstock[t-1]
    return adstock

def weibull_adstock(spend, shape=2.0, scale=4.0, max_lag=13):
    """ Weibull PDF: гибкая форма распределения отложенного эффекта
    shape < 1: убывающий (мгновенное воздействие)
    shape > 1: delayed peak (реклама накапливается)
    """
    pdf = scipy.stats.weibull_min.pdf(np.arange(max_lag), shape, scale=scale)
    pdf = pdf / pdf.sum()
    return np.convolve(spend, pdf, mode='full')[:len(spend)]

כיצד MMM בייסיאני פותר בעיות רב-קולינאריות?

רגרסיה לינארית קלאסית סובלת מרב-קולינאריות—כאשר ערוצים מתואמים לאורך זמן (לדוגמה, טלוויזיה ודיגיטל מושקים במקביל). הגישה הבייסיאנית (PyMC, Stan) מתמודדת עם זאת באמצעות prior אינפורמטיביים ורגולריזציה. מודל בייסיאני מדויק פי 3 מ-OLS תחת רב-קולינאריות גבוהה.

import pymc as pm
import numpy as np

with pm.Model() as mmm_model:
    # Priors для параметров каждого канала
    beta_tv = pm.HalfNormal('beta_tv', sigma=1.0)
    beta_digital = pm.HalfNormal('beta_digital', sigma=1.0)
    beta_search = pm.HalfNormal('beta_search', sigma=1.0)

    # Decay priors (0-1)
    decay_tv = pm.Beta('decay_tv', alpha=3, beta=3)
    decay_digital = pm.Beta('decay_digital', alpha=2, beta=5)

    # Saturation priors
    gamma_tv = pm.HalfNormal('gamma_tv', sigma=0.5)

    # Transformed media
    tv_adstock = adstock_transform(tv_spend, decay_tv)
    tv_saturated = hill_saturation(tv_adstock, gamma=gamma_tv)

    # Baseline и тренды
    trend = pm.Deterministic('trend', np.arange(len(y)))
    seasonality = pm.Deterministic('seasonality', fourier_features(n_harmonics=4))
    intercept = pm.Normal('intercept', mu=y.mean(), sigma=y.std())

    # Модель
    mu = (intercept + beta_tv * tv_saturated + beta_digital * digital_saturated + beta_search * search_saturated + trend_coef * trend + seasonality_coefs @ seasonality)
    sigma = pm.HalfNormal('sigma', sigma=y.std() * 0.2)
    y_obs = pm.Normal('y_obs', mu=mu, sigma=sigma, observed=y)

    trace = pm.sample(2000, tune=1000, target_accept=0.95)

התפלגויות פוסטריוריות נותנות רווחי סמך לתרומה של כל ערוץ, ולא הערכות נקודתיות. זה קריטי בקבלת החלטות על הקצאה מחדש של תקציב.

כיצד להעריך ROI לכל ערוץ עם MMM?

לאחר בניית המודל, אנו מחשבים ROI שולי לכל ערוץ: הנקודה שבה השקעה נוספת מניבה פחות מהעלות. לדוגמה, אם ה-ROI השולי לטלוויזיה הוא 1.2 ולדיגיטל 2.5, ההקצאה האופטימלית ברורה. הגישה הבייסיאנית מספקת התפלגות של ROI שולי, לא מספר בודד, ומפחיתה את הסיכון להחלטות שגויות.

תהליך בניית MMM: מנתונים לאופטימיזציית תקציב

1. איסוף וצבירת נתונים (הוצאות, מכירות, גורמים חיצוניים) — 1-2 שבועות.
2. טרנספורמציות Adstock ו-Saturation — כוונון צורות פונקציונליות.
3. בניית מודל בייסיאני — בחירת priors, דגימת MCMC, אבחוני התכנסות (R-hat < 1.01).
4. ולידציה בתוך המדגם ומחוצה לו — MAPE על נתוני holdout < 10% נחשב טוב.
5. כיול באמצעות ניסויים גיאוגרפיים — שינוי תקציב באזור ניסוי לאימות השפעות.
6. אופטימיזציית תקציב — מקסום העלייה הכוללת תחת אילוץ תקציב (scipy.optimize).

השוואת גישות

אנו משתמשים בגישה היברידית: מודל בייסיאני להבנת השפעות, ו-Robyn לניתוח תרחישים מהיר.

מה כולל השירות שלנו

• ביקורת והכנת נתונים (ניקוי, צבירה, טיפול בחריגים).
• בניית מודל MMM בייסיאני מותאם להקשר העסקי.
• שילוב Robyn לבחירה אוטומטית של היפרפרמטרים.
• אופטימיזציית תקציב עם חישוב ROI שולי (נקודה שבה ROI = 1).
• ויזואליזציה של תרומות ותרחישים (לוח מחוונים shiny/dash).
• תיעוד מודל והדרכת צוות (2-3 סדנאות).
• תמיכה במהלך ניסויים גיאוגרפיים וכיול מחדש (3 חודשים לאחר ההשקה).

לוח זמנים ושלבי יישום

מדוע לקוחות בוחרים בנו

• ניסיון: צוות עם 5+ שנים ב-MMM, 30+ פרויקטים בקמעונאות ופינטק.
• טכנולוגיה: PyMC, Robyn, priors בייסיאניים מהעסק—לא קופסה שחורה.
• אחריות: MAPE על holdout < 10% או עבודה חוזרת על חשבוננו.
• תמיכה: הדרכת צוות, תיעוד, סיוע בניסויים גיאוגרפיים.

צור קשר להערכת פרויקט. נכין הצעה מסחרית ומפת דרכים תוך יומיים. בקש ייעוץ וקבל ניתוח של הנתונים שלך תוך יום עסקים אחד.