營銷組合模型（MMM）和營銷歸因模型的區別及優劣對比
很多人了解Marketing Mix Modeling是什麼；也有很多人了解Attribution Modeling是什麼。但很少有人能同時真正了解這兩種模型，並明白這兩者的區別。這篇文章試圖幫助你理解：
何為Marketing Mix Modeling、何為Attribution Modeling、兩者的區別、企業該如何因地制宜地選擇模型
Marketing Mix Modeling (MMM)
Marketing Mix Modeling （MMM）營銷組合模型是一套統計分析技術，用來測量和預測不同營銷行為對銷售及ROI的影響。它被用來測量整體的marketing effectiveness並用來在不同的營銷渠道中決定最優的預算分配。
這套統計分析技術最早由計量經濟學家發明，在早期被主要應用在快消品行業。第一家把這套方法用於商業環境的公司是Hudson River Group，其他先驅公司包括Mindshare，Omnicom和OHAL。這些先驅公司把MMM從學術圈帶到到市場，讓MMM成為一個廣泛應用的營銷分析工具。
Marketing Mix中的“Mix”一詞最早指的是Mix of 4Ps（Product，Price，Place & Promotion）。早期MMM分析的目的就是為了理解並找到這4P的最優組合，同時測量並預測不同的營銷活動對銷售的不同影響。
時至今日，MMM中包含的變量更加廣泛，一個Marketing Mix Model可以由以下這些類型的數據組成：
- Target Audience data （目標用戶數據）
- Product data （產品數據，包括產品價格、產品特徵）
- Competitive data（競品數據）
- Industry data（行業數據）
- Economic data（經濟數據）
- Marketing data（營銷數據）
- Conversion data（轉化數據如sales，profit，ROI）
Attribution Modeling和MMM的區別
'Attribution Modeling'可以被看作是MMM的一個子集。因為MMM的本質其實就是將銷售“歸因”到不同的營銷渠道。但Attribution modeling的側重點在於理解“數字營銷渠道”的最優組合。請重點關注這裡的“數字”二字。我們用attribution models來測量和理解各種數字營銷觸點（digital marketing touch points）在一個轉化通道（conversion path）中的影響，並用它來決定哪個才是最值得投資的、最有效的數字營銷渠道。所以，Attribution Modeling是在digital media的背景下應運而生的一個MMM的子集。
然而和MMM不同的是，實施attribution modeling其實是件非常輕量級的事（對於操作者而言），因為它通常並不需要有一個“modeler”去直接跑模型或者費力地運用統計方法。 Attribution model自己就把統計分析做出來了，並不需要modeler的參與。所以，實施attribution modeling用不著一個統計的碩士學位。這是attribution相較於MMM來說的一大優勢。另一個優勢是，Attribution model的error普遍較低（只要你的數據質量高）。
Attribution Modeling的應用場景
你也許想問，既然Marketing Mix Modeling已經存在幾十年了，而且聽起來就是一個“attribution modeling”，那我們為啥還需要attribution modeling呢？為啥不只用MMM就好了？
MMM的問題在於，它比互聯網還要老。在這個世界上還沒出現digital media，甚至還沒有網絡的時候，MMM的概念就誕生了。所以它有點跟不上digital age了。當我們要解決digital的歸因問題時，MMM便相形見拙。
而attribution modelling卻能夠在優化數字營銷渠道或ROI上提供遠遠更大的優勢和控制力。因為它可以即刻地、實時地獲得individual level的digital data 。而且attribution models天生就和你的web analytics data交織在一起。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”可以和多個Google和非谷歌的digital data sources整合起來。比如，DDA可以與Doubleclick Campaign Manager、Google Adwords、Google Search Console、Google Play、Google Bigquery等Google數據源整合。這種整合就讓attribution models得以實時地獲取用戶數據，不斷提高模型的精準度和可靠性。
MMM模型通常是用發生在過去的、高度aggregrated的數據來搭建的。這個數據遠遠沒有attribution models裡用的數據那樣有這麼高的實時性。正因為此，一個傳統的MMM模型是不合適來做所謂的數字營銷歸因的。
整合Attribution Modeling和MMM
如果你同時有online和offline的業務，而且你的營銷也同時發生在online和offline，比如你是個零售商，你有實體店和網店，而且你在線上線下都做廣告。那你的理想狀態是將Attribution modeling整合進MMM。
這樣做的好處是，你可以把attribution modeling的數據feed到你的MMM model中，而且可以更加精準地測量整體的marketing effectiveness。你也可以更精準地預測線上和線下的活動對銷售和ROI的影響。
記住，真正的multi-channel analytics是不分線上線下的，線上線下的touchpoints互相影響，而且並不存在哪個單一的渠道給你帶來所有銷售。我們要理解完整的用戶購買旅程，就要同時考慮到線上和線下這兩邊的touchpoints。不過，目前真正能做到這種holistic attribution的公司是極其少見的。
本文作者：Himanshu Sharma
翻譯、編輯、補充：MarTechCareer
首發：MarTechCareer （微信ID：gomarketing）