双向预算优化：从"怎么多赚"到"怎么少花"

传统预算分配的问题

大部分品牌的预算分配方式是：看去年的花费，按比例微调。或者更"数据驱动"一点——看各渠道的 ROAS（Return on Ad Spend），把预算从低 ROAS 渠道挪到高 ROAS 渠道。

这个方法有两个致命问题：

• ROAS 不是增量：平台报告的 ROAS 包含了本就会发生的转化（organic baseline），高 ROAS 不等于高增量
• 忽略了饱和效应：把预算从 ROAS 3x 的渠道挪到 ROAS 5x 的渠道，如果后者已经饱和，实际增量可能反而下降

核心矛盾：ROAS 是回溯性的（过去花的钱带来了多少转化），预算优化是前瞻性的（未来怎么花）。用回溯指标做前瞻决策，逻辑上就不对。

Hill 响应曲线作为优化基础

SparkX 的预算优化建立在 MMM 模型拟合的 Hill 响应曲线上。每个渠道经过 Adstock 变换后的花费，通过 Hill 函数映射为贡献值：

这条曲线是优化的核心——它告诉你"在这个渠道多花 $1，能多获得多少贡献"。关键是，这条曲线是非线性的：

• 在曲线陡峭段（花费远低于 k），$1 的边际回报很高
• 在曲线平台段（花费远超 k），$1 的边际回报趋近于 0

优化的本质就是：在预算约束下，找到各渠道花费的组合，使得总贡献最大化。这是一个约束优化问题。

正向优化：给定预算，最大化收入

数学上，正向优化（Forward Optimization）表述为：

SparkX 使用 Nevergrad 进化算法求解这个优化问题。与传统的拉格朗日法相比，进化算法的优势是：

• 不需要梯度：Hill 函数在边界处可能不可微，梯度方法不稳定
• 全局搜索：进化算法不容易陷入局部最优
• 支持约束：可以加入"某渠道花费不低于当前 50%"等业务约束

实际案例

一个 DTC 美妆品牌，月度广告花费 $200k，分布在 5 个渠道。当前分配和优化后的对比如下：

渠道          当前花费    当前ROI    优化后花费    优化后ROI
Google Search  $60k      4.2x      $45k        4.8x
Meta           $50k      3.1x      $35k        3.5x
TikTok         $30k      6.5x      $70k        5.2x
YouTube        $40k      2.0x      $25k        2.3x
Amazon         $20k      3.8x      $25k        3.6x
─────────────────────────────────────────────
总计           $200k               $200k
预期收入       $780k               $910k (+17%)

注意 TikTok 的花费从 $30k 大幅增加到 $70k——因为模型发现 TikTok 的 Hill 曲线还处于陡峭段，远未饱和。虽然 ROI 从 6.5x 下降到 5.2x（边际回报递减），但总贡献仍然大幅提升。这就是"不要只看 ROAS，要看边际增量"的实际体现。

反向优化：给定收入目标，最小化花费

反向优化（Reverse Optimization）解决的问题是："我需要达成 $500k 的收入目标，最少需要花多少广告费？"数学表述为：

反向优化在以下场景特别有用：

• 季度目标压力：管理层给了收入目标，你需要算出最少需要多少广告预算
• 融资路演：向投资人展示"以 X 预算可以达成 Y 收入"的量化路径
• 预算削减场景：经济下行需要缩减花费，同时维持最低收入底线

滑块模拟：What-if 分析

SparkX 的预算规划模块提供了一个交互式的滑块界面，让你在不重跑模型的情况下做 what-if 分析。

背后的原理是：模型已经拟合了每个渠道的 Hill 响应曲线，当你拖动滑块改变某个渠道的花费时，系统直接用拟合好的 Hill 函数计算新的贡献值，无需重新拟合模型。这意味着：

• 实时反馈：拖动滑块后 < 100ms 更新预测收入
• 多方案对比：可以保存多个 what-if 场景，并排比较
• 约束设置：可以设"每个渠道变化不超过 ±30%"等约束

与电子表格方法的对比

很多团队用 Excel 做预算分配：每行一个渠道，手动输入预期 ROAS，然后 Goal Seek 优化。这个方法的问题：

• 线性假设：Excel 的 Goal Seek 默认是线性优化，无法处理 Hill 非线性
• 无 Adstock：不考虑广告衰减效应，调整花费的效果被高估或低估
• 无置信区间：给出的"最优分配"没有不确定性范围，容易过度自信
• 不可复现：每次手动调整的版本不一致，难以审计

SparkX 的预算优化直接基于 MMM 模型拟合的参数，包含了 Adstock 衰减、Hill 饱和、Bootstrap 置信区间——这些不是一个 Excel 公式能替代的。

最佳实践

• 先跑模型再优化：预算优化依赖模型拟合的质量。如果模型的 R² 很低（< 0.7），优化结果的参考价值有限
• 分步优化：先用正向优化看"当前预算能优化到什么程度"，再用反向优化看"要达到更高目标需要加多少预算"
• 设置合理约束：不要让优化器把一个渠道的花费砍到 0——实际操作中有合同承诺、最低投放量等约束
• 渐进执行：不要一次性把预算按优化结果大调。建议分 2–3 个月逐步调整，每月重跑模型验证效果
• 保留 baseline：保存当前分配作为对照场景，优化后跑 4–6 周对比实际 vs 预测