pymc-labs/pymc-marketing

解决的问题

PyMC-Marketing 提供了一套贝叶斯工具，用于营销分析，帮助企业通过量化营销支出的影响并理解客户行为来最大化投资回报率（ROI）。它解决了将销售归因于特定渠道、预测客户生命周期价值以及分析客户在竞争产品间选择行为的挑战。

如何工作

基于 PyMC 和 ArviZ 构建，该库实现了多种先进的贝叶斯建模技术：

• 营销组合建模（MMM）： 使用贝叶斯推断来估计各种媒体渠道对销售的影响，包含广告库存（持续效应）和饱和度（边际收益递减）。
• 客户生命周期价值（CLV）： 采用 BG/NBD 和 Pareto/NBD 等模型，在合同型和非合同型场景下预测未来的购买频率和客户流失。
• 客户选择： 使用多变量中断时间序列（MVITS）分析产品发布影响，以及使用离散选择模型（如多项式和嵌套对数模型）来估计产品特性的效用。
• 增量性： 集成实验预测增量（PIE）和提升测试校准，基于实证数据提升模型准确性。

适用人群

该工具专为数据科学家、营销分析师以及需要超越简单归因模型、实现数据驱动的预算分配和客户价值预测的企业设计。

主要亮点

• 高级 MMM 功能： 支持时间变化的截距、时间变化的媒体贡献，以及通过有向无环图（DAG）进行因果识别。
• 预算优化： 包含工具，可在各渠道间高效分配营销支出以实现最大 ROI。
• 灵活的推断： 兼容多种 NUTS 采样器（BlackJax、NumPyro、Nutpie），并支持 GPU 加速。
• 全面的选择分析： 提供结构化需求估计（贝叶斯 BLP）和 MaxDiff 缩放的工具。
• 漏斗建模： 可以建模上层漏斗（认知）与下层漏斗（转化）之间的中介效应。