年底复盘，品牌广告的 ROI 总是排在末位，效果好像都被搜索广告拿走了。这不一定是品牌广告没用——很可能是模型结构本身，把它的贡献错误分配给了下游渠道。
几乎每个做全渠道营销的团队都遇到过这个场景：年底把 MMM 结果拉出来复盘，TV、信息流、社媒这类偏"认知曝光"的渠道，ROI 排在末位，甚至逼近 1.0；搜索广告、Retargeting 这类偏"临门一脚"的渠道，ROI 排在前列。结论看起来很直白——砍掉品牌预算，把钱挪去搜索，效率会更高。
这个结论可能是对的，但也可能是模型结构造出来的假象。消费者的真实决策路径通常不是"看到广告直接下单"，而是"看到 TV 广告 → 几天后对品牌产生印象 → 需要购买时主动搜索品牌词 → 点击搜索广告完成转化"。在这条路径里，TV 广告才是真正制造需求的那一步，搜索广告只是承接了已经被制造出来的需求——但如果模型没有能力区分"制造需求"和"承接需求"这两种不同的角色，搜索广告会把整条路径的功劳都记在自己头上，TV 广告的贡献凭空消失。
如果某个渠道的花费和另一个渠道的搜索量/点击量在时间上高度同步（比如 TV 广告投放后一周，品牌词搜索量稳定上涨），但这个渠道自己算出来的 ROI 却很低，这通常是一个值得怀疑"贡献被下游抢走"的信号，而不是"这个渠道真的没用"的结论。
标准 MMM 方程是这样的：
这个方程把所有渠道（不管是 TV、社媒，还是搜索、Retargeting）放在同一层，模型只知道"这些都是自变量，都在解释同一个 Sales"，不知道渠道之间存在"上游制造需求、下游承接需求"这种先后角色关系。当 Upper Funnel 渠道（TV/社媒/展示广告）和 Lower Funnel 渠道（搜索/Retargeting）的花费或者效果在时间上高度相关时，普通回归会遇到经典的共线性问题——模型没有办法可靠地区分"这部分销售是搜索广告自己带来的"还是"是 TV 广告制造需求、搜索广告只是执行了最后一次点击"，统计上的默认行为是把系数分配给时间上更贴近转化、数据上更"干净"的那个渠道——而这几乎总是 Lower Funnel 渠道，因为它的转化路径短、归因窗口窄、噪音小。
这不是某个引擎实现得不好，是模型结构本身没有表达因果先后关系的能力。只要 Upper Funnel 和 Lower Funnel 被放进同一条方程当平级自变量，这个问题就会存在，换引擎、调参数都解决不了，因为问题不在于"怎么拟合"，而在于"拟合的目标方程本身漏掉了一层因果结构"。
解决办法不是继续在同一条方程里加更多变量，而是承认"品牌搜索量""详情页浏览（DPV）""品类搜索指数"这类指标，在因果地位上跟渠道花费不是平级的——它们是 Upper Funnel 广告的结果，同时也是 Lower Funnel 转化的原因，是一个中介变量（Mediator）。把这条因果链显式拆成两段回归，这在计量经济学里叫中介分析（Mediation Analysis）：
第一阶段回答"Upper Funnel 花费能不能拉动品牌指标"，第二阶段回答"品牌指标能不能转化为最终销售，在控制了 Lower Funnel 自身花费之后"。这个结构比单阶段方程多出的信息是：它把"制造需求"和"承接需求"这两件事分开衡量，而不是把它们混在一起交给模型自己去猜权重。
这里有一个容易忽略但很关键的细节：第二阶段的 Lower Funnel 系数 β2，衡量的是"Lower Funnel 在剥离了品牌指标贡献之后，剩余的独立贡献"——如果 Lower Funnel 的花费本身也带来一部分不依赖品牌认知的直接转化（比如通用词搜索、跟品牌认知无关的比价类搜索），这部分依然会被 β2 正确捕捉，中介模型不会把 Lower Funnel 的全部贡献都抹掉，只是把原本被它"顺手拿走"的那部分还给了 Upper Funnel。
两段回归各自的系数不是终点，真正回答业务问题的是间接效应（Indirect Effect）——Upper Funnel 通过品牌指标这条路径，对最终销售的真实拉动量：
这个乘积就是"还给 Upper Funnel"的那部分贡献——如果单阶段模型给 TV 广告算出的 ROI 是 0.8（低于 1，看起来在亏钱），但间接效应显示 TV 广告通过品牌搜索这条路径还带来了相当于直接效应 60% 的额外贡献，那 TV 广告真实的综合回报可能远高于单阶段模型给出的数字。
间接效应的显著性检验有个常见的错误做法：直接看两段回归各自的 p 值，只要两个都小于 0.05 就认为间接效应显著。这是不对的——两个显著的系数相乘，乘积的显著性不能简单类推，标准做法是对间接效应本身做 Bootstrap 重采样：
α1 × β1样本量较小时（比如少于 100 周的数据），也可以用Sobel 检验作为更快速的近似方法，但 Bootstrap 得到的区间通常更保守、更贴近真实的不确定性，数据量允许的情况下优先用 Bootstrap。
完整的归因拆解需要三个数字，缺一个都不够完整：
| 效应类型 | 怎么算 | 回答什么问题 |
|---|---|---|
| 总效应（Total Effect） | 单独跑一次不含品牌指标的模型，Sales 直接对 Upper Funnel 花费回归得到的系数 | Upper Funnel 对最终销售的全部影响，不管走哪条路径 |
| 间接效应（Indirect Effect） | α1 × β1，两阶段回归的乘积 | Upper Funnel 通过品牌指标这条中介路径带来的影响 |
| 直接效应（Direct Effect） | 总效应 − 间接效应 | Upper Funnel 不经过品牌指标、直接影响销售的部分（比如展示广告本身也有临场冲动转化） |
如果间接效应占总效应的比例很高（比如超过 60%），说明这个渠道的价值几乎完全依赖"制造需求、被下游承接"这条路径，评估它的效果时必须把中介模型的结果纳入，单独看它自己的直接 ROI 会严重低估其真实价值。如果间接效应占比很低，说明这个渠道本身就有较强的直接转化能力，单阶段模型给出的 ROI 相对更可信，中介模型的修正幅度不会很大。
写这篇文章之前，我们先去读了 Meridian 装在平台里的 Python 源码，一开始得出的结论是"Meridian 目前没有真正的两阶段中介结构，只是把品牌指标当额外自变量塞进同一条方程"。这个结论后来被证明是错的——查了 Google 官方最新文档才发现，Meridian 从某个版本开始，已经原生实现了跟本文讲的完全同源的两阶段中介建模，而且官方给它起的名字正是"Full-Funnel MMM"。这里把完整的核实过程和纠正后的结论一起写出来，因为这个纠正本身就是一个值得讲的案例——查证的时候版本号是个容易被忽略但决定结论对错的细节。
根据 Meridian 官方文档，Full-Funnel MMM 要解决的核心问题跟本文前面讲的完全一致：品牌指标（比如 Branded Google Query Volume，简称 bGQV）在因果关系里同时扮演两个角色——对品牌广告（Upper Funnel）来说它是中介变量（Mediator），对下游渠道（Lower Funnel，尤其是搜索广告）来说它是混杂变量（Confounder）。单阶段模型必须二选一，而两个选择都会出错：
Meridian 给出的解法，跟本文讲的方式一致，官方文档里的表述是拆成两个模型：
| 阶段 | 目标 | 处理变量 | 响应变量 |
|---|---|---|---|
| Stage 1 | 刻画品牌广告如何积累品牌资产（Brand Equity） | 品牌广告（TV / 视频 / PR） | 品牌资产变量（如 bGQV） |
| Stage 2 | 刻画品牌资产 + 全部广告如何驱动最终 KPI | 全部媒介渠道 + Stage 1 的品牌资产变量 | 最终 KPI（销售/转化） |
两个模型分别拟合完成后，用官方提供的 AnalyzerFullFunnel 类把 Stage 1 里"品牌广告对品牌资产的效应"，传递到 Stage 2 里"品牌资产对最终 KPI 的效应"，得到的间接效应会被纳入 ROI、mROI、响应曲线和预算优化的最终估计——这跟本文前面讲的 α₁ × β₁ 是同一套数学结构，只是 Google 官方用了一套更严谨的因果推断语言（mediator/confounder）去描述，并且提供了现成的类去做效应传递，不需要像本文"手动相乘、手动 Bootstrap"这样自己拼。
问题出在版本上。SparkX 平台的 requirements-meridian.txt 目前锁定的是 google-meridian==1.1.0（2025 年 5 月发布），而 Full-Funnel MMM 这个功能是官方文档里明确列在"Advanced Modeling"分类下的较新能力，我们核实源码时只搜到了 Reach & Frequency、Organic Media、Non-media Baseline 这几类平级输入，没有搜到 mediation、two-stage、AnalyzerFullFunnel 这些关键词——因为这些确实是 1.1.0 版本里还不存在的东西。截至这篇文章写作时，Meridian 在 PyPI 上的最新版本是 2.0.0（2026 年 9 月发布），平台锁定的版本落后了将近一年、跨越了从 1.1 到 2.0 的多个版本迭代。
Meridian 官方确实原生支持真正的两阶段中介建模（Full-Funnel MMM），这个能力不是营销包装，是有具体实现（AnalyzerFullFunnel）和完整因果推断文档支撑的真实功能。但 SparkX 平台当前锁定的 Meridian 版本（1.1.0）还没有这个功能，要用上它需要升级依赖版本——升级本身有风险，需要确认新版本在 numpy/TensorFlow Probability 依赖链上跟平台其他部分（尤其是 PyMC，两者都对 numpy 版本敏感）不会冲突，这也是requirements-meridian.txt里当时锁定 1.1.0 的原因之一。
这个纠正过程本身也值得作为一个方法论提醒：核实一个开源工具"支持不支持某个功能"，光看装在自己环境里的那个版本的源码是不够的，还要去看官方最新文档和版本变更记录——本地代码只能告诉你"当前部署的版本能做什么"，回答不了"这个工具本身的能力边界在哪里"。这两个问题在做技术选型或者对外沟通时，答案可能完全不同。
在平台把 Meridian 依赖升级到支持 AnalyzerFullFunnel 的版本之前，两阶段中介模型不需要等这个功能才能用——只要建模引擎能做常规回归并给出后验分布（PyMC、Stan 都可以），两次独立的建模就能拼出完整流程，跟用不用 Meridian 无关。具体操作：
α1。β1，Lower Funnel 渠道的系数是剥离了中介贡献之后的 β2。α1 × β1 的点估计和置信区间。这一步目前没有平台内置功能，需要导出数据后用脚本计算。这套流程现在需要三次独立的建模运行加手动合并结果，因为平台当前每次运行只支持一个目标变量，不支持"一次运行同时估计两阶段、自动算出间接效应及其置信区间"。这跟处理跨渠道双向外溢效应遇到的架构限制是同一处——如果这类多阶段建模需求变得常态化，值得作为一个产品功能去排期，而不是每次都靠分析师手动拼三次模型结果。
做两阶段中介建模，比标准 MMM 多需要一类数据——中介指标本身的历史时间序列，跟渠道花费、销售额一样，需要按周或按天对齐。常见的可用来源：
数据质量上的一个基本要求：中介指标的时间序列至少要覆盖跟花费数据同样长的历史窗口（推荐 26 周以上），且尽量避免跟渠道花费本身用同一个数据源统计口径混淆（比如如果"品牌搜索量"本身就是从广告平台后台拉的、跟广告曝光量高度重叠，中介效应的估计会受到影响，最好用独立于广告平台的数据源，比如 Google Trends 或者自己网站的自然流量统计）。
β1 和 β2 的估计依然会不稳定，第二阶段回归前最好检查一下这两者的相关系数或者 VIF。年底复盘时看到品牌广告 ROI 排在末位，第一反应不该是直接砍预算，而是先问一句："这个数字是渠道真的没用，还是模型结构本身没有能力看见它的间接贡献？"两阶段中介模型不能保证每次都能"救回"品牌广告的价值——如果间接效应的置信区间跨过零，那说明确实没有找到显著的中介路径，砍预算的决策依然是合理的。但至少这是一个经过验证、而不是拍脑袋的答案。