你想知道 TV、Meta 和搜索广告各自带来了多少销售，但三项预算每逢旺季都一起上涨、淡季又一起下降。模型看到销售随之波动，却像面对三个始终同时进出房间的人：它知道“这群人”可能有影响，却很难判断究竟是谁做了什么。
这正是营销组合模型（Marketing Mix Model，MMM）容易遇到的麻烦。MMM 会根据一段时间内的销售、渠道花费和季节等数据，估计各类营销活动的贡献，帮助团队复盘和分配预算。Ryan O'Sullivan 2026 年 10 月 7 日发表于 Towards Data Science 的文章提出：一个构建良好的 MMM 仍可能答错，因为历史投放本身没有留下足够的信息。与其继续堆高模型复杂度，不如先问，能否只改变花钱的时间，而不改变总金额，让数据更容易解释。
模型缺的可能不是能力，而是线索
这里的关键词是“可识别性”（identifiability）：现有数据能否区分几种不同解释。如果多个渠道总是同步增减，就会形成多重共线性——各渠道的投放变量高度相似。此时，模型也许能估出营销整体与销售有关，却很难稳定地拆出单个渠道的贡献；样本稍有变化，各渠道系数就可能大幅摇摆。
据 Towards Data Science 介绍，文章把困难归为三类。第一类是渠道预算同步，模型分不开各自贡献。第二类是选择偏差：旺季需求既推高销售，也促使团队增加投放，模型可能把本来就会出现的需求误算成广告效果。第三类来自 Adstock 和饱和效应。Adstock 指广告影响会延续并逐渐衰减；饱和效应则指继续加钱后，新增收益会越来越少。历史花费若变化单一，这两种响应形状也可能无法分别确定。
不多花钱，给数据制造差异
文章测试的核心思路很直接：保持总预算不变，调整各笔支出的发生时间。目的不是寻找一个万能排期，而是主动制造变化，让渠道之间、投放与旺季需求之间不再总是同步，也让模型有机会看清广告影响如何延续、何时趋于饱和。
这有点像同时开着四盏灯，却想根据电表判断每盏灯耗电多少。若它们永远一起开关，换再精密的电表也难拆分。让不同灯在不同时间开关，才会留下可比较的记录。投放排期在这里不只是执行安排，也可能成为数据设计的一部分。
作者用预先设定真实营销响应的模拟数据检验这种思路。这样做的好处是，模型估计可以直接与预设真值比较。模拟覆盖三年的周度数据，包含 TV、Meta、Search Generic 和 TikTok 四个渠道；它们共享同一个底层投放信号，相关系数设为 0.7，用来构造渠道明显同步的情形。
为什么这件事值得关注
这项工作把归因问题往上游推了一步。团队通常在结果不可信时换算法、加变量或调参数，但如果历史投放没有提供足够对照，复杂模型也无法凭空补出信息。投放策略因此不只决定广告出现在哪里，也决定未来能否较可信地衡量效果。
类似警告此前也出现过。NBER 与加州大学伯克利分校 Haas 商学院介绍的 eBay 实验中，研究者在部分美国市场关闭付费搜索广告，发现传统非实验估算曾把不少本来就会发生的购买归给广告。这并不能直接证明本文的排期方案有效，却说明一件事：归因报表看起来精确，不等于数据真的能区分广告效果与原有需求。
局限与未知
- 目前材料只有文章摘要和 Towards Data Science 的单一来源整理，没有披露不同排期方案的具体设置、评价指标、效果数字或统计显著性，无法判断改善幅度。
- 模拟数据拥有已知真值，适合检验识别问题，但材料没有说明结论在真实投放环境中能否保持。
- 调整节奏可能增加识别信息，但不能据此断言它必然修正归因。模型设定、混杂因素和数据质量仍可能造成失真。