Skip to content

Data Science › 應用領域 › 行銷反應與選擇模型

行銷反應與選擇模型 (Marketing Response and Choice Models) ​

行銷情境的資料建模:價格、促銷、陳列等可操作的槓桿如何改變銷量或購買機率(market response),在多個選項間怎麼取捨(choice model),以及一個 campaign 到底有沒有效(campaign measurement)。可遷移的方法:log-linear 模型與 GLM、多項 logit、邊際效應、A/B 測試。生醫中對應的是病人偏好的離散選擇實驗 (discrete choice experiment, DCE) 與治療選擇分析。

行銷反應資料多半是觀察性的:模型係數不等於因果效果 (causal lift)。價格、促銷與陳列常一起變動,單看一個係數很容易誤解。

Market Response Models ​

層級單位問題模型
彙總銷量週 × 店 × SKU、campaign 期間銷量如何隨價格與促銷變動?迴歸(log-linear)
個體選擇顧客、家戶的一次購買機會這次會不會買?會選哪個品牌?logistic / probit、choice model

彙總銷量:log-linear 模型 ​

python
import numpy as np
import statsmodels.formula.api as smf

df["price_lag1"] = df.groupby("store")["price"].shift(1)       # 結轉效果:依店分組再 shift
df["coupon_lag1"] = df.groupby("store")["coupon"].shift(1)

model = smf.ols("np.log(sales) ~ np.log(price) + display * coupon + price_lag1 + coupon_lag1",
                data=df).fit(cov_type="cluster", cov_kwds={"groups": df["store"]})
model.summary()
np.exp(model.params["display"]) - 1        # display 對銷量的比例變化
設計理由解讀
銷量取 log右偏、變異大;乘法效果變成加法dummy 係數 β → 銷量變化 exp(β) − 1(β 小時 ≈ β)
價格也取 log(log-log)係數直接是價格彈性價格上漲 1%,銷量變化 β%
交互作用 display * coupon促銷工具會互相放大或替代沒有交互作用時,效果會被錯分到別的變數
落後項 (lag)促銷殘留記憶、囤貨後需求下滑、價格反應延遲只有在資料頻率與行為機制相符時才有意義;日、週、月資料的結轉不能混用
依店分群的標準誤同一店的週資料不獨立否則標準誤低估

log(sales) 不能處理 0 銷量;有很多 0 時改用 Poisson / 負二項 GLM(smf.glm(..., family=sm.families.Poisson())),係數同樣以 exp(β) 解讀為比例變化,見 計數迴歸。

個體選擇:二元反應 ​

text
Pr(purchase = 1) = f(price, promotion, competition)
模型特性
線性機率模型 (LPM)係數直接是機率變化;但預測可能超出 0–1,價格反應被迫是直線
Logisticlog-odds 解讀、odds ratio、與 ML 分類流程相容
Probit潛在效用 (latent utility) 敘事較自然,與部分 choice model 傳統一致

logistic 與 probit 通常給出相近的預測機率;它們描述的是「刺激增加時購買機率如何平滑變化、在哪一段最敏感」的反應曲線,不只是分類器。競品情境下用相對價格(np.log(price_a / price_b))通常比分別放兩個原始價格更貼近消費者的決策。

邊際效應比係數更接近決策語言 ​

非線性模型中係數不等於機率變化。管理者想知道的是「相對價格上升 1%,購買機率下降多少百分點?」「開啟陳列,機率上升 1 個還是 10 個百分點?」

python
logit = smf.logit("purchase ~ price_ratio + display + coupon", data=df).fit()
logit.get_margeff(at="overall").summary()     # average marginal effects (AME)

模型選擇 ​

工具用途
巢狀模型比較(likelihood ratio test)、AIC配適與精簡的取捨
ROC / AUC二元反應的區辨力
預測機率曲線檢查反應形狀是否合理
時間外驗證(新的促銷期間)能否外推

不要只因 AIC 稍低就採用:還要問係數方向是否合理、交互作用是否有業務意義、落後項是否只是吸收雜訊。逐步回歸 (stepwise) 會讓 p 值與信賴區間失真。

常見錯誤
把 log-sales 係數當成絕對單位變化忽略促銷交互作用,效果被平均掉
用二元模型的原始係數解釋機率改變只看自家價格,不看相對價格
加入落後項卻沒確認資料頻率與機制把觀察性係數當成因果 lift

Choice Modeling ​

choice model 處理「在一組選項中選哪一個」:不只是會不會買,而是多個候選方案之間怎麼取捨,描述選項的相對吸引力如何隨價格、特徵、通路或陳列改變。

問題框架
顧客會不會買任一商品?二元反應
顧客會在三台車、五個方案、十個品牌裡選哪個?choice model
病人會選手術、藥物還是觀察等待?choice model(DCE)

效用與多項 logit ​

每個選項 j 有潛在效用 U_j = V_j + ε_j,V 是可觀測特徵(價格、座位數、變速箱、是否敞篷;療效、副作用風險、費用、給藥方式)的線性組合。ε 服從 Gumbel 分布時得到多項 logit:

P(choose j)=eVj∑keVk

二元 logistic 是只有兩個選項的特例。

資料格式結構用途
Wide每題或每選項一組欄位問卷原始匯出
Long每列一個「受訪者 × 題目 × 選項」組合,含 chosen 0/1建模(conditional / multinomial / mixed logit)
python
# long 格式:resp_id, task_id, alt_id, chosen, price, seats, convertible
import statsmodels.api as sm
# conditional logit:同一題(task)內比較選項
from statsmodels.discrete.conditional_models import ConditionalLogit
X = long[["price", "seats", "convertible"]]
res = ConditionalLogit(long["chosen"], X, groups=long["task_uid"]).fit()
res.params                                   # 每個屬性對效用的貢獻
-res.params["seats"] / res.params["price"]   # 願付價格 (WTP):多一個座位值多少錢

R 中常用 mlogit、logitr;階層貝氏模型用 ChoiceModelR 或 Stan。

市占模擬 (Share Simulation) ​

choice model 最實用的產出是 what-if 模擬:

python
V = X_new @ res.params                      # 每個候選產品的效用
share = np.exp(V) / np.exp(V).sum()         # 預測市占

可以回答:新產品價格提高,市占掉多少?加上某特徵能否補回價格劣勢?哪個設計組合的市占最大?

陳述 vs 顯示偏好 ​

資料捕捉優點風險
陳述偏好 (stated preference;conjoint、DCE 問卷)人們說會選什麼上市前測試尚不存在的產品或屬性組合假設偏差 (hypothetical bias):說會選不保證真的買
顯示偏好 (revealed preference;交易紀錄)人們實際選了什麼接近真實經濟行為只限於實際存在過的選項

IIA 與異質性 ​

多項 logit 假設 IIA(independence of irrelevant alternatives):兩選項的相對機率不因加入第三個選項而改變。加入一個和 A 幾乎相同的 A′ 時,現實中 A′ 主要搶 A 的市占,但 MNL 會讓它按比例從所有選項搶,替代模式不自然。

延伸處理
Nested logit相似選項放在同一巢內,巢內替代較強
Mixed logit / random coefficients價格敏感度等係數因人而異
階層貝氏 choice model個體層級偏好,小樣本也能估
分群交互作用(價格 × segment)不同市場區隔的敏感度不同

延伸模型的替代模式更有彈性、保留個體差異,代價是較難估計、計算成本高、對資料量與實驗設計要求較高。

常見錯誤
把多選項問題硬塞回二元分類只有受訪者欄位,沒有選項層級屬性
把陳述偏好結果當成真實銷量只看係數顯著,不做市占模擬
忽略族群異質性把全體平均偏好當成每個人的偏好

Campaign Measurement ​

衡量一個行銷活動是否產生想要的商業效果,以及效果在通路、漏斗階段、目標族群與戰術層級怎麼拆解。先回答問題(假期活動有沒有提升新客?新戰術在這個通路是否優於其他?延長一個月 ROI 會怎樣?),並記錄活動目標、目標族群、範圍內的通路與戰術、漏斗階段、最終要回到哪個商業結果,見 形成分析問題。

KPI vs 輔助指標 ​

層用途例子
KPI(商業健康)判斷是否真的影響業務ROI、LTV、新客數、留存、合格轉換
輔助指標(行銷健康)監控執行與最佳化CPC、CTR、互動率、開信率、頻次、預算消耗進度

每個活動最好只有 1–2 個主要 KPI;輔助指標可以很多,但不能取代 KPI。只看 CTR、互動率會把「通路很活躍」誤當成「活動成功」。

漏斗階段決定指標 ​

階段目標常見通路指標
知名度 (awareness)品牌曝光電視、戶外、廣泛觸及的展示廣告觸及、曝光、輔助認知度
考慮 (consideration)進入購買候選社群、展示、研究型接觸點互動、網站造訪、品牌搜尋提升
決策 (decision)實際轉換付費搜尋、再行銷、直效通路轉換、CAC、營收、合格名單

不要用下層漏斗的轉換 KPI 否定上層活動的價值,也不要用知名度指標假裝回答了 ROI。

歸因不等於因果 ​

數位通路有細的使用者層級事件;線下通路多只有彙總報表;跨通路的身分串接通常不完整。可觀測的接觸點不等於完整的顧客旅程。

歸因 (attribution) 是功勞分配:轉換的功勞要分給哪個接觸點。它在營運上有用,但不是乾淨的因果估計:

偏差來源說明
位置某些通路靠近轉換只是因為它們在旅程尾端(last-click 偏差)
角色知名度通路本來就拿不到 last-click 功勞
意圖曝光與使用者原本的購買意圖高度相關(搜尋品牌關鍵字的人本來就要買)

活動生命週期 ​

階段工作
活動前定義族群、選通路、設 KPI 目標(用預測模型或歷史基準)
活動中監控預算進度、KPI vs 目標、通路健康
活動後評估 ROI、整理跨通路趨勢、記錄要重複 / 停止 / 重新設計的部分

最常見的失敗之一:開跑前沒有目標,結束後才挑指標做事後解釋。

問題方法
誰該收到活動?族群分群(地區、生命週期階段、年齡、產品組合),見 Clustering
哪些族群最可能因優惠而購買?反應模型;要估「因為優惠才買」的人,用 uplift model
哪種訊息、優惠設計最有吸引力?choice model
能否因果檢驗?實驗;不可行時用準實驗

A/B 測試不可行時 ​

整合性活動常因成本、通路控制權有限、曝光單位難以隨機化、溢出效應或品牌效應強而無法做 A/B 測試。替代方案(由強到弱):地區層級隨機化 (geo experiment) → 差異中的差異 (difference-in-differences)、合成控制 (synthetic control) → 配對比較 → 有強烈保留的前後比較;也可以用反應 / 選擇模型做模擬。行銷世界裡,能不能衡量本身就是設計的一部分,見 Experimental Design。

常見錯誤
把輔助指標當最終成功指標不區分漏斗階段的衡量邏輯
把歸因結果當因果事實沒有活動前目標
只看單一通路忽略整合活動的跨通路交互作用

相關筆記:Logistic Regression、門檻與校準、ROC / AUC。