MMM 数据质量检查清单：建模前必须验证的 10 件事

垃圾进，垃圾出

MMM 模型的质量上限由数据质量决定。再好的引擎、再精妙的参数，如果输入数据有问题，输出一定不可信。SparkX 的 Instant Mode 在上传数据时会自动执行 9 步数据质量检查，但理解这些检查背后的逻辑，能帮你更快定位问题。

10 项必查清单

1. 时间范围足够

MMM 至少需要 52 周（1 年）的周度数据，推荐 104 周（2 年）。低于 52 周时，模型无法区分季节性效应和渠道效应。SparkX 的最低行数阈值是 52 行（周度）或 365 行（日度）。

2. 时间粒度一致

数据必须是均匀间隔的时间序列——每周一行或每天一行。不能混用周度和日度。如果某些渠道只有月度数据，需要分配到周/日（按天数均匀分配或按已知投放节奏分配）。

3. 无时间缺口

时间序列不能有缺失的日期/周。检查方法：计算相邻两行的日期差，如果差不等于 7 天（周度）或 1 天（日度），说明有缺口。缺口期间需要插值或标记为 0 花费。

4. 因变量非零非空

收入/销量列不能有缺失值或全 0 行。如果某周确实没有销售数据，需要用前后周的平均值插值，或从分析中排除该周。全 0 的因变量会导致模型无法估计截距。

5. 渠道花费非负

所有渠道花费列必须 ≥ 0。负花费没有业务含义。如果出现负值，通常是数据导入错误（如退款被记为负投放），需要修正为 0 或正值。

6. 渠道花费有变异性

每个渠道的花费不能是常数（比如每周都是 $10000）。如果花费不变，模型无法估计该渠道的效应——因为没有"高低对比"。检查方法：计算每列的标准差，标准差为 0 的渠道需要从模型中排除或合并。

7. 渠道间不过度共线

检查渠道间的相关系数矩阵。如果两个渠道相关系数 > 0.95，模型无法区分它们的贡献。详见 多重共线性一文。解决方法：合并渠道或调整投放策略。

8. 异常值检测

检查因变量和自变量中的异常值——比如某周收入突然是平时的 10 倍（可能是双十一大促），或某渠道花费突然为 0（可能是停投）。异常值需要用 indicator variable 标记，让模型知道"这周有特殊事件"。

9. 控制变量齐全

除了渠道花费，模型还需要控制变量来解释非营销因素导致的收入变化：

• 季节性：月份 indicator 或 Prophet 分解的趋势/季节分量
• 节假日：春节、双十一、Black Friday 等 indicator variable
• 价格变动：产品价格指数或折扣力度
• 分销变化：门店数量、上架 SKU 数等
• 宏观因素：CPI、疫情 indicator 等（如适用）

10. 数据类型正确

确保每列的数据类型正确：日期列是 datetime（不是 string），花费列是 numeric（不是 string），因变量是 numeric。SparkX 的自动字段映射会识别列类型，但手动检查能避免映射错误。

常见数据问题

• 含税含运的收入：确保因变量是"净收入"而非"含税含运的总收入"，否则渠道 ROI 会被系统性低估
• 渠道分类过细：把 Google Search 和 Google Display 分成两列是可以的，但把 Google Search 按关键词分成 20 列就会导致数据稀疏和共线性。建议 5-15 个渠道列
• 时区不一致：花费数据和收入数据的时区要一致。如果花费是 UTC 但收入是北京时间，周度对齐会出错
• 费用含服务费：有些渠道的花费包含平台服务费，有些不含。需要统一口径

自动化校验

SparkX Instant Mode 上传数据后自动执行以下校验：

# SparkX 自动数据检查（9 步 Pipeline 第 1 步）
1. 列类型识别：自动区分日期、因变量、花费列、控制变量
2. 时间范围检查：>= 52 行，无缺口
3. 缺失值检测：标记缺失行和缺失单元格
4. 异常值检测：IQR 方法标记离群点
5. 花费非负检查：标记负值行
6. 变异性检查：标记标准差为 0 的渠道
7. 共线性诊断：计算 VIF，标记 > 10 的渠道对
8. 相关性矩阵：渠道间和渠道-因变量相关系数
9. 数据摘要：行数、列数、时间范围、花费总计

检查通过后才会进入 EDA 和建模阶段。如果有严重问题（如行数不足或因变量全空），会直接报错并给出修复建议。

总结

数据质量是 MMM 的基石。一份干净、完整、有变异性的数据，比一个复杂的模型更重要。在跑模型之前，花 30 分钟过一遍这份清单，能避免后面数天的排查和返工。

想了解数据准备的最佳实践？看 MMM 数据准备指南。想了解 SparkX 的完整 9 步 Pipeline？看 产品文档。