在当今的商业环境中，营销成本占据了企业总支出的重要部分。因此，了解这些营销活动的实际效益变得至关重要。然而，现代营销活动并非仅通过单一渠道进行，企业通常会采用多种渠道，如电视、广播、户外活动、横幅广告、社交媒体等，来推广其产品。面对如此广泛的支出类型，量化每个渠道活动的效果变得异常困难。市场组合模型（Market Mix Model，简称MMM）是一种被行业广泛接受的统计模型，用于量化这些效益并优化不同活动之间的预算分配。
有一个著名的引用：“品牌是多年建立起来的，但每个季度都要进行管理。”在较短的时间窗口内量化效益有助于企业优化其营销支出。总销售额可以被划分为四个主要组成部分：基础销售、价格、分销和促销活动。市场组合模型是一种分析方法，它使用历史信息，如销售点数据，来量化上述组成部分对销售的影响。
假设总销售额为100美元，这个总数可以被细分为子组成部分，即60美元的基础销售、20美元的价格、18美元的分销和2美元的促销活动。这些数字可以通过各种逻辑方法获得。每种方法都可能给出不同的细分。因此，标准化将总销售额分解为这些组成部分的过程变得非常重要。这种正式的技术被称为市场组合模型（MMM）。
都听说过回归分析，并且回归分析在这里仍然是救星。这引出了几个重要的问题：为什么需要使用OLS、多变量时间序列模型等计量经济学技术来估计营销ROI？不能简单地估计ROI，即收入与投资或支出的比率吗？
这些问题的答案简单而直接：每个品牌都有不同的特性、口味和不同的市场及成本结构。因此，每个品牌的营销努力并非同质；它取决于不同类型的促销和广告。分离和分解营销努力的效果非常有用。计量经济学建模的目的是为每种类型的营销支出创建响应曲线，然后使用它们来校准一个优化模型，以确定更优的营销组合。响应曲线反过来测量了实际订单的增量提升，每增加一美元营销活动支出，如促销、广告等。响应模型预测了因独立变量X的变化而导致的依赖变量Y的变化，例如，因广告或产品价格的变化而导致的产品销售变化，或因服务质量、及时性或价格的变化而导致的个人对服务的偏好变化。
假设有一家大型零售商，有2个部门，2年的销售数据，涵盖2个DMA（即营销区域）。数据集包括以下字段：周末日期、区域、部门、战略业务单位（SBU）、销售额、电视游戏。这个数据集代表了相关数据的一个例子，多个销售测量可能在不同时间对每个主题进行。由于相同的响应变量即销售在不同时间被测量，通常将这样的数据称为重复数据，对同一主题的响应集合通常被称为聚类响应。
当这样的重复测量在时间上进行时，研究被称为纵向研究。有几种方法可以分析重复测量数据，其中之一是一般线性混合模型。SAS MIXED过程可以执行所需的计算来拟合这样的模型。
以下是使用混合过程的典型SAS语法示例：
proc mixed data =dataset name;
class region department wk_end_dt;
model sales= base_sales tvsn_grp/s;
run;
这个程序将为提供一个TVSN_grp的系数，当乘以GRP值时，将给出这个变量的贡献。
GRP = 到达率 × 频率，其中到达率（以%表示）是目标市场中接触到广告的人数的度量，频率是平均有多少人有机会看到/听到广告。例如，100 GRPs意味着100%的市场暴露一次，或50%的市场暴露两次，或25%的市场暴露四次等等。
然后可以为总时间段汇总贡献，即想要了解活动效率的时期，并计算表中给出的值。
以下是媒体驱动因素的典型输出，与客户在处理MMM项目时共享。这有助于客户优化各种渠道的媒体组合。
数据问题：GRP数据基本上由媒体机构提供。他们收集的数据可能在不同层面上，即与项目的要求不同。数据需要在各个层面上进行切片和聚合，这有时会影响数据的准确性。
数据的真实性：有时会出现计划与市场实际发生的情况之间的差异。一年内为广告预算计划了一定的GRP，但实际上发生的情况是不同的场景。这些差异有时会导致回归中的虚假结果。
建模问题：在MMM中，通常计算广告对销售的响应曲线，并假设S形响应曲线，但由于媒体的变化，即典型的数字数据，不能期望相同的响应，因此得到了虚假的。