为什么 MMM 只有相关性没有因果性？GeoLift 如何补上这一环

相关性 ≠ 因果性

这是统计学最古老的一课，但在营销分析中经常被遗忘。

假设你跑了一个 MMM，发现 TikTok 花费和销售额的相关系数是 0.85。直觉反应是："TikTok 很有效，应该加预算。"但这可能是错的——

• 混淆变量：也许你在 TikTok 加预算的同时，恰逢一个自然流量高峰（季节性、竞品退场、行业增长）。销售增长和 TikTok 花费同步上升，但因果关系是反的
• 反向因果：也许是因为销售好、预算充裕，所以你在 TikTok 上花更多钱——不是广告驱动了销售，是销售驱动了广告
• 巧合：时间序列的相关性可以非常高，即使两个变量完全没有因果关系

MMM 使用回归模型来控制混淆变量（加入季节性、价格、促销等控制变量），这确实能减少混淆偏差。但回归本质上仍然是相关性建模——它描述的是"在控制其他变量后，X 和 Y 的统计关联"，而不是"改变 X 会导致 Y 改变"。

核心问题：回归系数告诉你"X 每增加 1 单位，Y 平均关联增加 β 单位"，但不告诉你"如果你主动增加 X 的投入，Y 会实际增加多少"。这两者在存在反馈循环或遗漏变量的情况下可以差很远。

MMM 的因果性边界在哪里

公平地说，MMM 不是毫无因果推断能力。它使用的 Adstock 和 Hill 变换隐含了因果假设——广告先于销售发生、广告效应随时间衰减、边际效应递减。这些假设有行为学基础，不是纯统计关联。

但 MMM 的因果性是假设驱动的，不是实验验证的。你假设 Hill 饱和曲线描述了广告的真实边际效应，然后模型在数据上拟合这个假设。如果假设错了（比如渠道间存在协同效应，或消费者行为不是 Hill 形状），模型不会告诉你——它只会给出一个看起来合理但可能是错的结果。

这就是为什么行业共识是：MMM 需要增量实验来校准。

GeoLift 增量实验：原理

GeoLift（地理增量测试）是目前最主流的因果推断方法。原理很简单：

1. 选择测试市场：将你的目标市场分成若干地理区域（如城市、州、DMA）
2. 随机分组：将这些区域随机分为"测试组"和"控制组"，确保两组的历史销售趋势相似
3. 施加干预：在测试组增加某渠道的投放（如 TikTok +50%），控制组保持不变
4. 测量差异：实验结束后，比较测试组和控制组的销售差异。这个差异就是该渠道的增量贡献（incremental lift）
5. 因果归因：因为分组是随机的、干预是主动施加的，所以销售差异可以因果归因到广告投放

GeoLift 的统计基础是潜在结果框架（Potential Outcomes Framework）和合成控制法（Synthetic Control）。它不依赖回归假设，而是通过实验设计直接建立因果关系。

关键是：GeoLift 给你的是一个可信的因果数字——"在这个实验期间，TikTok 每花 $1 带来了 $3.2 的增量销售"。这个数字可以直接和 MMM 估计的 ROI 对比。

实验结果如何校准模型

GeoLift 和 MMM 不是替代关系，而是互补关系：

• MMM 提供全景：所有渠道的持续 ROI 估计，可以每季度跑一次
• GeoLift 提供锚点：对重点渠道做一次增量实验，获得因果基准
• 校准：如果 MMM 说 TikTok ROI 是 4.5，但 GeoLift 实验显示只有 3.2，说明 MMM 高估了。可以将 3.2 作为先验（prior）输入 Bayesian MMM，或者调整 Ridge 模型的正则化参数

这个校准流程是 Meta Robyn 和 Google 轻量级 MMM（LMM）都推荐的最佳实践。Facebook 自己的研究表明，未经 GeoLift 校准的 MMM ROI 估计可以有 30-50% 的偏差。

实践建议：不需要对所有渠道做 GeoLift——太贵了。优先对预算最大、或 ROI 估计最不确定的 1-2 个渠道做实验，将结果作为校准锚点即可。

SparkX 的路线图

坦诚地说，SparkX 目前不支持 GeoLift 增量实验。这是我们和 Robyn、Meridian 等开源工具之间最大的差距。

我们的 Roadmap 计划：

• Q3 2026：GeoLift 实验设计模块——自动推荐测试区域、计算所需样本量、生成分组方案
• Q3 2026：实验结果录入接口——手动输入 GeoLift 结果，系统自动与 MMM ROI 对比
• Q4 2026：自动化校准——将 GeoLift 结果作为 Bayesian 先验，自动调整 PyMC 引擎的参数
• Q4 2026：Conversion Lift 支持——除了地理实验，还支持基于用户的增量实验

在 GeoLift 落地之前，我们建议用户：

• 用 SparkX 跑 MMM 获得全渠道 ROI 概览
• 对重点渠道做手动 GeoLift 实验（Facebook 的 GeoLiftR 包是免费开源的）
• 在 Expert Mode 中手动调整模型参数，使其接近实验结果

这不是理想流程，但比"只用 MMM 拍脑袋"好得多。