为什么更新频率重要
很多团队把 MMM 当成"一次性项目"——每年跑一次，拿一份报告，然后放到抽屉里吃灰。但市场环境在变：竞品在调价，受众在饱和，平台算法在更新。一份半年前的 MMM 报告，到执行时可能已经过时。
更新频率直接影响两个维度：
- 决策时效性：频率越高，模型越能反映当前市场状态，预算调整越及时
- 模型稳定性：频率太高（如每周），单次数据量不足，模型噪声大、结果不稳定；频率太低（如每季度），无法捕捉短期变化
核心矛盾：你需要足够多的数据点让模型稳定，又需要足够高的频率让决策及时。这两者天然冲突。
周度更新
周度更新听起来很美好——每周拿到最新的渠道 ROI，随时调整预算。但实践中它面临严峻挑战：
数据量问题
每周一个数据点，一年只有 52 个。MMM 通常需要至少 100 个数据点才能稳定建模，意味着你需要近 2 年的周度数据才能跑第一次模型。而且周度数据噪声很大——一周的销售额可能受促销、天气、新闻事件等外部因素影响，信号比很低。
适用场景
- 电商大促期间：双 11、黑五等高强度投放期，周度更新可以快速发现哪个渠道在"烧钱"
- 新渠道测试期：刚上线的新渠道需要快速反馈，周度更新可以及时发现效果趋势
- 预算规模极大：月广告花费 > $500k 的品牌，一周的误分配就可能损失数万美元
SparkX 支持
SparkX 的 Ridge 引擎支持周度数据输入，但建议至少积累 104 周（2 年）数据后才开始。Instant Mode 目前最低支持周度粒度，但需要用户自行确认数据质量。
月度更新
月度更新是目前行业最主流的频率，也是 SparkX 推荐的默认频率。
为什么月度是最佳平衡点
- 数据量充足：2-3 年月度数据 = 24-36 个数据点，配合 Ridge 引擎的 Block Bootstrap 可以扩展到足够的有效样本
- 噪声可控：月度数据平滑了周内的随机波动，信号比更高
- 决策节奏匹配：大多数品牌的预算评审是月度或双月度，月度更新正好赶上评审周期
- 运营成本低：每月跑一次模型、解读一次结果，不会给团队造成过大负担
月度更新的实操建议
- 固定日期跑模型：每月 5 号跑上月数据，给数据团队 3-4 天整理数据的时间
- 滚动窗口：每次用最近 24-36 个月数据，淘汰最旧的月份。不要无限累积——太老的数据反而引入结构性变化偏差
- 关注变化而非绝对值：月度更新的价值在于趋势——"TikTok ROAS 连续 3 个月下降"比"TikTok 本月 ROAS 是 2.3x"更有决策价值
- 配合 Instant Mode：月度正式跑之前，先用 Instant Mode 快速验证数据质量，避免正式跑模型时才发现数据问题
季度更新
季度更新适合以下情况：
- 预算规模较小：月广告花费 < $30k，月度更新的边际收益不足以覆盖运营成本
- 渠道结构稳定：没有新渠道上线，投放策略变化不大
- B2B 或长周期产品：销售周期长，月度数据噪声大且决策窗口滞后
- 首次建模型：第一次做 MMM 时，建议先用季度数据建立基线模型，验证方法论后再提升到月度
季度更新的风险
季度更新的最大问题是响应迟缓。如果一个渠道在季度初开始效果下滑，到季度末跑模型时才发现，已经损失了 3 个月的预算。对于月花费 $100k+ 的品牌，这可能意味着 $30 万以上的误分配损失。
建议：即使主模型是季度更新，也建议在季度中用 Instant Mode 做一次快速检查（不需要完整重跑），及时发现异常。
决定因素
选择更新频率时，考虑以下因素：
| 因素 | 推高频率 | 允许低频率 |
|---|---|---|
| 月广告花费 | > $100k | < $30k |
| 渠道数量 | > 5 个 | ≤ 3 个 |
| 新渠道上线频率 | 高频 | 低频 |
| 季节性强度 | 强 | 弱 |
| 数据历史 | > 2 年 | < 1 年 |
| 预算评审周期 | 月度 | 季度 |
最佳实践
分层频率策略
不要用一种频率跑所有模型。推荐分层策略：
- 月度全量模型：用 Expert Mode + Ridge 或 PyMC 跑完整模型，覆盖所有渠道，产出正式的 ROI 报告和预算优化方案
- 周度快速检查：用 Instant Mode 跑 Ridge 基线，只看趋势变化，不做正式预算决策。3-5 分钟出结果
- 季度深度校准：用 Bayesian 引擎（PyMC）跑一次完整的不确定性量化，配合 Geo 实验做先验校准
- 年度战略复盘：用全部历史数据跑一次多引擎对比（Ridge / PyMC / TVP / Nevergrad），选出 Champion 模型
版本管理
每次跑模型都要保留版本记录。SparkX 自动保存每次 run 的：
- 数据快照（输入数据的版本）
- 模型参数（引擎配置、超参数）
- 输出结果（ROI、贡献度、预算建议）
- Champion 标记（当前生产环境使用的模型版本）
这样你可以随时回溯对比"上个月的模型说 TikTok ROAS 是 3x，这个月变成了 2.2x——是数据变了还是模型变了"。
异常检测
月度更新时，如果某个渠道的 ROAS 突变超过 30%，不要直接相信新结果。先检查：
- 数据是否有缺失或异常值
- 该渠道是否更换了投放策略或素材
- 是否有外部事件（竞品促销、平台政策变化）
- 模型是否因为共线性导致系数不稳定
确认无异常后再将新结果用于预算决策。
总结
MMM 更新频率没有标准答案，取决于预算规模、渠道复杂度、数据成熟度和决策节奏。月度更新是大多数品牌的最佳起点，配合周度 Instant Mode 快速检查和季度深度校准，可以在时效性和稳定性之间取得平衡。
记住一个原则：宁可跑得少但跑得准，也不要跑得多但跑得不靠谱。一个稳定的月度模型，比三个不稳定的周度模型更有决策价值。
想体验 2 分钟快速检查？试试 SparkX Instant Mode。需要月度全量模型？查看 Expert Mode 文档。