Прототип вероятностной Marketing Mix Model (MMM) для прогнозирования лидов и поддержки решений по рекламному бюджету с явным разделением каналов на два типа:
- Flow — быстрые каналы (контекст / диджитал), эффект почти мгновенный, возможен короткий adstock-хвост.
- Stock — “долгие” каналы (например, брендированные автомобили), где эффект создаётся активными рекламными юнитами и накапливается стохастически.
Проект ориентирован на:
- интерпретируемость,
- робастность,
- консервативные нижние оценки для принятия решений,
- явное моделирование неопределённости для Stock-каналов.
В реальных маркетинговых системах разные каналы ведут себя принципиально по-разному:
- одни реагируют сразу на расходы (Flow),
- другие накапливают эффект со временем через экспозицию и “память” (Stock).
Большинство классических MMM смешивают эти механизмы в одной регрессии, что приводит к:
- нестабильным оценкам,
- плохой экстраполяции,
- и ошибочным решениям при оптимизации бюджета.
В этом проекте строится структурная модель:
- Flow моделируется как насыщаемая функция от расходов,
- Stock — как стохастический процесс накопления с доверительными интервалами.
Цель — не только прогноз, но и поддержка робастных управленческих решений в условиях неопределённости.
Зависимость лидов от эффективных расходов с насыщением:
R(x) = a · ln(1 + b · E(x))
Где:
- x — расходы за неделю,
- E(x) — эффективный бюджет с учётом adstock,
- a, b — параметры насыщения,
- λ — коэффициент затухания adstock (подбирается по сетке).
Дополнительно строятся:
- средняя кривая,
- консервативная нижняя оценка,
- верхняя оценка (эвристически).
Каждый рекламный юнит (например, машина) создаёт случайное число “касания”.
Обозначим:
- S — число активных юнитов,
- X — суммарные касания за неделю (скрытая величина),
- X | S ≈ Normal(S·μ, S·σ²) (по ЦПТ).
Лиды получаются через логарифмическую конверсию:
Y = a · ln(1 + b · X)
Из этого строятся:
- средняя кривая,
- вероятностные коридоры ±1σ, ±2σ, ±3σ
(68.27%, 95.45%, 99.73%).
Примечания:
- μ фиксируется (иначе масштаб неидентифицируем),
- σ калибруется по росту разброса через дельта-метод.
Интерпретация:
- ярко выраженное насыщение,
- убывающая отдача от расходов,
- нижняя оценка используется для безопасного планирования.
Интерпретация:
- высокая неопределённость при малых объёмах,
- сходимость при росте числа юнитов,
- явные коридоры риска для управленческих решений.
- Загрузка датасета по имени (из папки
data/) - Сбор общего weekly-контекста
- Оценка сезонности и очистка лидов
- Fit Flow моделей (λ, a, b + границы)
- Fit Stock моделей (CLT + σ-интервалы)
- Построение графиков и вывод параметров
- main.py # интерактивная точка входа
- core/ # preprocessing, seasonality, model fitting
- pipelines/ # сценарии запуска (forecast_channel и др.)
- data/ # датасеты (каждый в отдельной папке)
- save_images/ # сохранённые графики
pip install -r requirements.txt
python main.py