一、KPI 选择：转化量还是收益？
config.control_cols = [
"big holidays",
"MacroQueryvolume_Val",
] # 控制变量
config.kpi_col = "KPIRevenue_Val" # KPI 指标
config.kpi_type = "revenue" # revenue | non_revenue
config.revenue_per_kpi_col = None
1. 优化视角的本质差异
收益类 KPI：财务视角
当 KPI 为金额时，ROI 表现为无单位比例（投入 1 元赚回 X 元）。该指标直观且统一，适用于跨渠道效率评估，优化目标通常为最大化总收益或维持目标 ROI。
转化量类 KPI：增长视角
若无金额数据，模型输出 CPIK（单位转化成本）或 IKPC（单位成本产生的增量 KPI）。在游戏发行、SaaS 留资等对获客成本敏感的行业，CPIK 比 ROI 更具指导意义。此时优化目标是最大化用户规模，模型可能倾向于将预算倾斜给“单客成本略高但天花板更高”的渠道。
2. 核心机制：贝叶斯先验的自动切换
Meridian 针对两种 KPI 采用完全不同的默认先验逻辑，这是建模中最易忽视的关键点。
收益模型中的先验
默认 ROI 先验为 LogNormal(0.2, 0.9)，假设平均 ROI 约为 1.83，80% 概率落在 0.5 至 6.0 之间。这为模型设定了符合常识的“护栏”，也可基于历史 AB 测试数据自定义。
转化量模型中的先验
由于无法预设单次转化的价值，模型自动切换至“总付费媒体贡献先验”。它假设所有付费媒体对总盘子的贡献占比均值为 40%（标准差 20%），再根据实际表现反推各渠道权重。
注：人口缩放与中心化处理
当 KPI 为非收益指标且数据量级较大时，Meridian 会自动进行人口缩放和中心化处理，确保先验分布在跨越数量级的数据上保持稳健。
3. 业务实战中的选择策略
长转化周期业务
对于 B2B 软件或高客单价商品，从曝光到签单周期长达数月。若强行使用最终“收益”跑模型，归因的时间错位会导致结果失真。建议选用反馈及时的中上游指标（如线索量）作为主 KPI。
兼顾单量与收益
若需同时保证模型灵敏度与财务回报，可在设定 KPI 为 Non-Revenue 时传入 revenue_per_kpi 参数。注意该参数维度限制为（地区，时间），虽无法区分渠道客单价，但可代入不同地区或时间段的 LTV 差异，实现按转化量建模、按真实 ROI 输出。
数据稀疏或波动巨大场景
大促前后的剧烈波动或极端大单会导致 Geo-weekly 级别数据出现大量 0 值或离群值，致使 MCMC 抽样难以收敛。实用策略是将方差极大的“收益”降维，改用平滑的“订单量”作为主 KPI 以保住模型健壮性，后续再结合平均客单价还原商业价值。
复杂场景：多模型交叉验证
面对既要引流效率又要 GMV 产出的需求，可采用“多模型交叉验证”策略：用同一套数据分别运行以“激活/加购数”为 KPI 的转化量模型和以“支付金额”为 KPI 的收益模型。对比两者的渠道贡献占比与 mROI，精准识别“拉新渠道”与“变现渠道”，制定更立体的预算组合拳。
二、重新认识 Baseline：品牌自然流量的数学体现
在 Meridian 中，Baseline 定义为：在无任何营销干预（付费广告、自有媒体设为 0）情况下的预期自然销量。在贝叶斯公式中，它由三部分效应叠加构成：
1. Baseline 的诊断视角：宏观与微观
宏观定性：看概率与总占比
通过贡献饼图或瀑布图查看 Baseline 占总盘子的比例，并重点关注核心指标——负向基准概率（Negative Baseline Probability），以此定性模型健康度。
微观排查：看时间切片
结合贡献面积图或预期与实际对比图，基于时间轴细致排查 Baseline 占比变化，定位异常时间节点。
2. Baseline 占比的合理性判断
Baseline 占比无标准答案，需与业务模式对应：
高复购与长周期业务
快消、SaaS 等业务依赖老客复购，Baseline 占比理应较高。若模型输出偏低，说明误将“老客复购”归因给当期广告。避坑指南：切勿将“存量活跃用户数”作为控制变量，以免陷入中介变量陷阱。正确做法是增加结（Knots）数量让模型拟合增长趋势，或收紧效果广告先验分布。
品牌广告的长期溢出效应
品牌广告旨在推高自然基本盘。若年度品牌预算增加而 Baseline 未抬升，说明模型时间拟合过于僵硬。建议增加 Knots 数量，赋予模型捕捉品牌资产沉淀带来长期增量的灵活性。
业务发展阶段差异
新锐品牌高度依赖买量，Baseline 极低属正常；成熟大牌自带自然流量，Baseline 占比应很高。若成熟大牌模型中广告贡献严重挤压 Baseline，需通过自定义先验（如限制核心渠道 ROI 上限）施加业务常识护栏，防止算法过度归因。
3. 补充视角：Baseline 是业务健康度的“隐形温度计”
Baseline 的高低是业务指标在数学上的投影，需与 BI 看板交叉验证：
用户生命周期指标
新老客占比、留存率、复购率越高，自然销量底盘越厚，Baseline 理应越高。
品牌资产指标
品牌知名度、Google Trends 品牌词搜索量、官网直接访问流量等指标越强，用户主动寻找意愿越强，Baseline 自然水涨船高。
产品与市场势能
成熟期的刚需产品即使停掉广告仍有可观自然销量。若 BI 显示老客复购率达 70% 而模型 Baseline 仅 20%，则存在逻辑割裂，模型可能错误归功于广告。
4. 核心指标：负向基准概率（Negative Baseline Probability）
现实中销量不可能为负。若模型跑出负数，说明模型“贪功”，将自然增长强行算作广告贡献。Meridian 提供 negative_baseline_probability() 函数进行诊断：
from meridian.analysis import analyzer
from meridian.model import model
import numpy as np
mmm = model.Meridian(...)
mmm.sample_posterior(...)
a = analyzer.Analyzer(mmm)
posterior_negative_baseline_prob = a.negative_baseline_probability()
该函数计算整个时间窗口内 Baseline 为负的后验概率，判定标准如下：
PASS
概率 < 0.2：绝大多数时间 Baseline 为正，模型健康。
REVIEW
概率 0.2 - 0.8：Baseline 偶尔跌成负数，属亚健康状态，需结合图表排查。
FAIL
概率 > 0.8：严重错误信号，意味着系统性过度归因，必须调整先验或控制变量。
5. 诊断避坑：别被“单点负值”带偏
看宏观概率，容忍微观噪音
官方明确指出，不要过度纠结走势图中偶尔的小幅负值。Meridian 是概率统计模型，点估计存在不确定性。真正的诊断标准是整个时间窗口聚合后的“后验概率”。
核心排查：计算先验的“溢出概率”
排查第一步应检查先验设置是否合理。官方推荐路径是调用 sample_prior 函数，计算“所有营销渠道总增量贡献超过实际总盘子 100% 的先验概率”以及“单个渠道溢出 100% 的先验概率”。若先验概率本身过高，后验跑出负 Baseline 几乎是必然。
# 1. 计算总贡献率超过 100% 的先验概率
mmm.sample_prior(1000)
a = analyzer.Analyzer(mmm)
outcome = mmm.kpi
if mmm.revenue_per_kpi is not None:
outcome *= mmm.revenue_per_kpi
total_outcome = np.sum(outcome)
prior_contribution = a.incremental_outcome(use_posterior=False) / total_outcome
total_prior_contribution = np.sum(prior_contribution, -1)
print(np.mean(total_prior_contribution > 1, (0, 1)))
# 2. 输出每个单独渠道溢出 100% 的先验概率
print(np.mean(prior_contribution > 1, (0, 1)))
6. 纠偏手段：如何修正模型还原 Baseline
若确认模型存在严重负向基准问题，可从以下三个维度修正：
手段一：先验约束（Contribution Priors）
单渠道限制：遵循经验法则，某渠道"ROI 先验第 90 百分位”折算的贡献率不能超过 100%。若方差过大，建议直接将先验类型改为 contribution 并设定硬上限。
全局限制：若数据信噪比低，最稳妥做法是配置“媒体总贡献率先验”，从大盘层面锁死营销活动最高功劳占比。
手段二：引入高质量 Confounders
阻断后门路径：将品牌词和通用词的 GQV（谷歌搜索量）等反映市场原生需求的指标作为控制变量，剥离用户自发购买意愿。
参数对齐：引入绝对量指标后，务必在 ModelSpec 中开启 control_population_scaling_id 参数，确保控制变量与 KPI 在人口缩放维度上对齐，否则控制失效。
手段三：时间效应拟合（AKS + Knots）
启用 AKS：在 ModelSpec 中开启 enable_aks=True，让算法自动寻找趋势转折点。
手动锚定：若 AKS 未能覆盖剧烈短期波动（如双十一），可提取 AKS 结果并手动追加特定周索引（Knots 坐标），让时间趋势项承担自然波动，使 Baseline 回归健康水位。
总结
把业务逻辑翻译成数学语言
用 Meridian 跑 MMM 是将业务逻辑翻译成数学语言的过程。追求利润还是规模决定了 KPI 的选择；品牌护城河的深浅反映在 Baseline 曲线与负向概率中。只有严谨选择先验分布、设定符合业务逻辑的控制变量，才能防止模型“乱归因”，真实还原营销预算带来的纯增量价值。