三个月前算出来的渠道 ROI，不该默认在这个月依然成立。消费者在变，竞争环境在变，广告本身的边际产出也在变——模型如果只给一个固定系数，就已经假设了一个不成立的世界。
假设某品牌三个月前跑了一次 MMM，Search 渠道的 ROI 是 3.2，团队据此把预算往 Search 倾斜。三个月后再跑一次模型，用的是同样的数据管道、同样的引擎配置，Search 的 ROI 变成了 2.1。团队的第一反应往往是怀疑模型本身：是不是哪次跑错了，还是数据出了问题。
这个怀疑有合理的部分——确实需要先排除数据口径变化、字段缺失、异常值这些工程性问题。但排除之后，还剩一种可能很容易被忽略：渠道的真实 ROI 本来就不是一个常数，它本身在三个月里发生了变化。消费者对这个渠道的广告产生了审美疲劳，竞对加大了同渠道投放推高了拍卖成本，平台算法调整改变了同样预算能买到的曝光质量——这些都会让同一个渠道在不同时间段呈现出不同的真实响应曲线，不是模型估计出了误差，而是模型估计的目标本身变了。
大多数标准 MMM（Ridge、普通贝叶斯回归等）假设每个渠道的响应曲线参数（β、饱和点、Adstock 衰减）在整个训练窗口内固定不变。如果真实世界里这些参数本身在漂移，用固定参数拟合出来的，只是整个窗口的一个加权平均值——它在窗口中间可能近似准确，但在窗口两端系统性地偏离真实值。
渠道 ROI 随时间变化，背后至少有三类相互独立的机制，实践中常常同时发生、互相叠加：
| 机制 | 发生了什么 | 典型时间尺度 |
|---|---|---|
| 结构漂移 | 响应曲线的形状本身改变：同样花费能换来的边际转化在变化，可能因为受众饱和、竞争格局、宏观需求变化 | 数周到数月，通常渐进 |
| 广告疲劳 | 同一批受众对同一组创意的反应持续减弱，是结构漂移里最常见、最可预期的一种 | 数周，和创意刷新周期强相关 |
| 衰减速度变化 | 广告效果在消费者记忆中维持的时长（Adstock 半衰期）本身改变，不是效果强度变了，是效果"持续多久"变了 | 数月，常伴随渠道成熟度变化 |
这三类机制的共同点是：它们描述的是渠道真实响应函数的变化，而不是模型估计过程中的随机误差。这和上一篇讨论的"ROI 估计的不确定性"是两个不同的问题——不确定性问题关心"这个 ROI 数字有多可信"，漂移问题关心"这个 ROI 数字本身还站不站得住"。一个渠道可以同时存在宽置信区间（估计不确定）和明显的向下漂移趋势（真实值在变）。
结构漂移最直接的表现是：如果把训练数据切成前后两半，分别拟合同一个模型，两段的渠道系数会出现系统性差异，而不是随机波动。区分"系统性差异"和"随机波动"的关键是方向性和持续性——随机噪声不会在前后两段呈现一致的单向趋势，真实的结构漂移会。
导致结构漂移的常见业务原因包括：
最后一条值得单独强调：宏观需求变化本身不是渠道的"结构漂移"，而是一个遗漏变量问题（如果模型没有控制住宏观需求），容易和真正的渠道结构漂移混淆。区分两者的办法是看模型是否已经控制了合理的季节性和外部需求指标；如果控制之后漂移依然存在，才更可能是渠道自身响应函数的变化。
广告疲劳是结构漂移里最常见、也最具可预测性的一种。核心机制是：同一批创意反复触达同一批受众，边际转化效率随触达频次增加而递减——这不是渠道本身变差了，而是"创意 × 受众"这个组合的新鲜感耗尽了。换一组新创意、换一批新受众，疲劳曲线通常会重新开始。
可以把疲劳建模为响应曲线斜率随时间的单向衰减：
和前面提到的受众饱和的区别在于触发条件：受众饱和是"触达的人数"累积的结果，广告疲劳更多是"同一批人被同一创意触达的次数"累积的结果。实践中两者经常同时发生、难以从观测数据里干净地分离，但对决策的含义是一致的——如果不换创意或扩展受众，继续加大预算只会让疲劳曲线更快走到边际无效的区间。
不同渠道、不同创意形式的疲劳速度差异很大：搜索类渠道由于触达的是主动搜索的高意向人群，疲劳通常较慢；信息流类渠道的强曝光属性让疲劳出现得更快。把所有渠道套用同一个疲劳假设，会低估高频曝光渠道的衰减速度，高估搜索类渠道的衰减速度。
除了效果强度（β系数）会变，广告效果在消费者记忆中维持的时长——也就是 Adstock 衰减参数——同样可能随时间改变。一种实用的检测方法是把训练窗口切成前后两段，分别为每段单独搜索最优衰减系数 θ，再比较两段的半衰期差异：
如果前半段最优 θ 对应的半衰期是 2 周，后半段变成 1 周，说明广告效果在消费者记忆中消退得更快了——即使当下的瞬时效果强度没有明显变化，这也是一个真实的结构变化信号，意味着后续的预算节奏（比如投放的连续性和频次）需要跟着调整，不能照搬半衰期更长时候的排期。
衰减速度变化容易被忽略，因为大多数团队只盯着 ROI 这个汇总指标，而半衰期的变化不一定在短期 ROI 上有明显体现——它更多影响的是"预算的最优投放节奏"：半衰期变短后，拉长投放间隔的边际损失会变大，更适合高频次、小额度的持续投放，而不是集中脉冲式投放。
标准 MMM（Ridge 回归、普通贝叶斯建模）假设每个渠道的 β、饱和点、Adstock θ 在整个训练窗口内是固定常数，用全部历史数据一次性估计出一组参数。时变参数模型（Time-Varying Parameters, TVP）则允许这些参数本身随时间演化，为不同时间点估计出不同的参数值。两者看到的"同一份数据"会得出不同的结论：
| 模型类型 | 参数假设 | 能回答的问题 | 局限 |
|---|---|---|---|
| 静态模型 | 全窗口单一参数 | "平均而言，这个渠道的 ROI 是多少" | 如果真实参数在漂移，估计值是漂移轨迹的加权平均，当前时点的真实值可能明显偏离这个平均值 |
| 滚动窗口重估 | 每个固定窗口（如最近 13 周）单独拟合一次 | "最近这段时间，ROI 大致是多少" | 窗口切换处可能出现参数跳变；窗口越短越能跟上变化，但每次拟合用的数据量也越少，估计噪声更大 |
| 时变参数（TVP） | 参数作为时间的平滑函数联合估计，而非切片独立拟合 | "这个渠道的 ROI 轨迹是怎么演化的，现在处于轨迹的什么位置" | 需要更复杂的估计方法；平滑程度（允许变化多快）本身是一个需要校准的建模选择 |
滚动窗口和真正的 TVP 之间的区别值得强调：滚动窗口本质上是对同一个静态模型反复独立拟合，每个窗口互相不知道对方的存在；TVP 是在单次拟合里联合估计一条连续的参数轨迹，相邻时间点的参数被显式地约束为"平滑过渡"，不会在没有理由的情况下突然跳变，这通常能用更少的有效自由度捕捉到更稳定的趋势。
TVP 的估计方法不止一种，核心权衡都是"参数变化的灵活性"和"估计噪声"之间的取舍：参数允许变化得越自由，越能贴合真实轨迹，但每个时间点可用于估计的信息也越少，噪声越大。几种常见思路：
以结点插值法为例，一种具体实现方式是：在 n 个观测点上，按数据规模选择结点数量（结点数通常设在观测数的十分之一左右，但设一个上下限，避免数据量很大或很小时结点数失控），用 RBF（径向基函数）核在每个结点附近局部拟合，再通过核加权把结点处的系数插值成覆盖整个时间轴的平滑系数序列。相比逐周重新对每一天单独求解 Ridge 回归，结点数量可以减少一个数量级以上，同时依然能捕捉到渠道系数随时间的渐进变化趋势。
TVP 回答的是"这个渠道的真实响应参数现在在哪里"，它本身不直接给出"这个估计有多可信"的置信区间——后者仍然需要配合贝叶斯后验或 Bootstrap 等方法单独量化（参见上一篇《ROI 最高不等于最该加预算》）。一个渠道完全可能同时呈现"轨迹明确向下漂移"和"当前点估计的置信区间很宽"，这是两件需要分别处理的事。
一旦有了一条随时间演化的系数轨迹，而不是单一的静态数字，就可以回答一个静态模型完全无法回答的问题：如果当前的下降趋势持续，这个渠道的 ROI 还有多久会跌破某个关键阈值（比如 ROI = 1，意味着花费刚好覆盖增量收入，继续投放已经不划算）。
一种直接的实现思路是：取系数轨迹最近一段（比如后半段）做线性趋势外推，结合当前的 ROI 水平换算出"系数需要降到多少才会让 ROI 跌到阈值以下"，再用当前的下降速度估算到达那个水平大致还需要多少周。这类预测的价值不在于精确预测具体是第几周，而在于提供一个方向性的预警——如果趋势已经明确向下且外推结果是"几周内"，这比"当前 ROI 依然大于 1，所以继续加码"的静态判断提供了完全不同的决策依据。
这类预测假设近期的下降趋势会线性延续，这在短期（几周到一两个月）内通常是合理的近似，但不能无限外推——创意刷新、受众扩展、季节性回暖都可能让趋势反转。应该把这类预测当作"如果什么都不改变，大致会发生什么"的参考基线，而不是确定性预言；预测本身恰恰是提醒团队该考虑换创意或调整受众策略的信号，不是继续按兵不动的理由。
时变参数模型解决的是"单次建模内，参数如何随时间连续演化"的问题。还有一类互补的监控机制，关注的是另一个问题：每次重新跑模型（无论是否使用 TVP），新结果和当前线上使用的模型（通常称为 Champion 模型）相比，差异是否大到需要人工复核。这是一种运维层面的质量门槛，而不是统计建模方法。
典型的监控维度包括模型整体拟合质量的变化（如 R² 下降、MAPE 上升）、单个渠道 ROI 的大幅涨跌、渠道排名前列的名次互换，以及输入数据规模的异常变化。每个维度通常设置两级阈值——比如 R² 下降超过某个较小幅度标记为"轻微"，超过较大幅度标记为"重大"，ROI 下跌超过某个比例、排名前几位发生较大幅度互换时同样分级报警。这套机制的作用是在人工复核结果之前，先自动筛出"这次结果和上次比，到底变了多少、变得是否合理"，避免每次新模型跑出来都要从头人工比对全部渠道。
需要注意，这种差异监控本身不能替代结构漂移分析——它告诉你"这次和上次不一样"，但不告诉你"不一样是因为真实渠道效果在系统性变化，还是因为这次训练窗口恰好覆盖了一次异常事件"。两者需要配合：差异监控负责报警，结构漂移分析（结合 TVP 轨迹、分段系数对比）负责判断报警背后是不是真实的渠道变化。
不是所有的 ROI 波动都值得立刻重新训练模型或调整预算策略。区分"噪声"和"真实信号"，可以参考以下几类更可靠的触发条件：
相对地，单周的随机波动、单一异常值导致的短期跳变、样本量本身就小的渠道的正常噪声，通常不需要立刻触发重新训练或预算调整——过度频繁地跟着短期噪声调整预算，反而会引入新的不稳定性。
渠道 ROI 从来不是一个一次测量就能长期沿用的常数。消费者的注意力会疲劳，竞争格局会变化，广告在记忆里停留的时间也会缩短——这些变化本身就是营销环境的一部分，不是模型的瑕疵。能不能看清这些变化，取决于模型是否给了自己机会去发现它们：一个只假设"所有时间点都一样"的模型，永远不会告诉你世界已经变了。