與GA4不同的成效分析模型工具 Google Meridian MMM 行銷組合模型 貝葉斯因果推斷的開源框架

除了Google Analytics這網站分析工具之外，Google還有另外一套”成效分析模型”你知道嗎?

另外還有個 3M 名詞，為了與”那個3M” 區分，這個 3M 常直接顯示 MMM 呈現的名詞:

第一個 M：Marketing（行銷）
第二個 M：Mix（組合）
第三個 M：Modeling（建模 / 建立統計模型）

MMM = Marketing Mix Modeling，中文通常叫 行銷組合模型 / 媒體組合模型 你聽過他嗎?

開始這篇主題之前，先告訴你兩個數位行銷真實事件:

1. 2017 年，Uber 在美國加州北區聯邦法院對英國行動廣告代理商 Fetch Media Ltd. 提起訴訟，指控其未能防堵廣告詐欺，並對 Uber 造成重大損失(CNBC新聞報導)。
   Uber 進行了一個大膽的 「關閉實驗 (Blackout Experiment)」：他們把全美國 10% 城市的搜尋廣告直接關掉。結果發現：那些城市的訂單量 幾乎沒掉。證明了這些廣告真的沒用。
   
2. 2017 年 IAB Annual Leadership Meeting 上，P&G 首席品牌長 Marc Pritchard 在談論數位媒體透明度時指出：「我們目前的媒體供應鏈頂多是混濁，更糟甚至是詐欺」（“murky at best and fraudulent at worst”），痛批數位媒體供應鏈的不透明、虛假流量與隱藏回扣問題，這場演說被許多行銷評論者視為數位廣告史上的關鍵轉捩點(MarketingWeek報導)。
   P&G (寶潔)：砍掉 2 億美金廣告費，銷售額完全沒有下降，甚至因為省下了鉅額成本，淨利反而上升了。

這兩個真實案例是不是帶出行銷工作者常思考的幾個問題：

Uber 案例： 「這些人是不是本來就會買？我根本就不應該下這些廣告？」

P&G 案例： 「我有沒有亂花錢？這個媒體廣告該下嗎？我怎麼知道這媒體有用呢？」

Google大概是被太多人提出質疑「你的媒體廣告是不是根本沒有用？我下電視廣告的曝光推廣效果會輸給你的Youtube嗎？」2024年初 Google默默的推出了一個根據貝葉斯因果推斷模型的開源MMM框架 Google Meridian 行銷組合模型 ( 開源的程式庫 Python library )。

Meridian 開源 Marketing Mix Modeling（MMM）框架，主要希望用來回答如這幾個問題：

• 每個行銷管道（Google Ads / YouTube / TV廣告 / Social…）實際 帶來多少營收或 KPI？
• 真實的 ROI / iROAS 是多少？（增量收益 / 廣告投資）
• 未來要怎麼分配行銷預算 才能讓營收或 KPI 最大化？（預算最佳化、what‑if 模擬）

延伸參考資料: Meridian官方技術網站

而我那「數學不會就是不會」的數學認知程度，實在沒能力介紹與說明貝葉斯因果推斷模型到底是什麼，但我可以先跟你說個 「牧師發想 (Bayes) -> 好友遺物整理 (Price) -> 天才數學家定案 (Laplace) -> 電腦算力讓它復活 (Google/AI)」 的跨世紀接力賽 有趣的故事!

這是一個充滿戲劇性的歷史故事。

雖然這個理論以 托馬斯·貝葉斯 (Thomas Bayes) 命名，但他本人其實生前從未發表過這個理論，而且真正將其發揚光大、寫成我們現在看到的數學公式的人，其實是另一位法國數學天才。

這個理論的誕生可以分為三個階段：發現者、出版者、以及集大成者。

---

1. 發現者：托馬斯·貝葉斯 (Thomas Bayes, 1701–1761)

—— 業餘數學家，全職牧師

• 身分： 他不是職業數學家，而是一位英國長老會的牧師。數學只是他的興趣。
• 靈感來源： 當時大家都沉迷於研究「正向機率」（例如：知道桶子裡有 5 黑 5 白的球，拿出一顆黑球的機率是多少？）。
• 逆向思考： 貝葉斯想解的問題是「逆向機率 (Inverse Probability)」。
  • 問題： 「如果我閉著眼睛從桶子拿出幾顆球，發現是 3 黑 2 白，那我能不能反推桶子裡原本黑白球的比例是多少？」
  • 這就是我們現在說的：從「結果 (數據)」反推「原因 (參數)」。
• 結果： 他寫了一篇論文草稿，試圖解決這個問題，但直到他 1761 年過世，這篇論文都還躺在他的抽屜裡，沒有發表。

2. 出版者：理查德·普萊斯 (Richard Price)

—— 發現遺珠的好朋友

• 貝葉斯過世後，他的家人請他的好朋友 理查德·普萊斯 來整理遺物。
• 普萊斯也是一位牧師兼數學家，他在一堆文件中發現了貝葉斯的這篇手稿：《論機率學說中有關的一個問題 (An Essay towards solving a Problem in the Doctrine of Chances)》。
• 普萊斯一看大為震驚，認為這是一個突破性的發現。他花了兩年時間潤飾、編輯這篇論文，並於 1763 年 寄給了英國皇家學會發表。
• 冷知識： 如果沒有這位好朋友雞婆地幫忙整理遺物，貝葉斯理論可能永遠消失在歷史長河中，今天的 AI 和 Google Meridian 可能就不會存在了。

3. 集大成者：皮埃爾-西蒙·拉普拉斯 (Pierre-Simon Laplace)

—— 真正寫出公式的人

• 雖然貝葉斯提出了概念，但將其轉化為嚴謹數學公式的，是著名的法國數學家 拉普拉斯。
• 他在 1774 年（不知道貝葉斯論文的情況下）獨立發現了類似的法則，後來他看到了貝葉斯的論文，將其發揚光大。
• 關鍵貢獻： 我們現在教科書上看到的貝葉斯公式，其實主要是拉普拉斯定義下來的形式。他將這個理論應用於天文學、人口統計學，證明了它的實用性。

---

為什麼這段歷史對現在很重要？

1. 沉寂了 200 年： 在貝葉斯和拉普拉斯之後，這個理論被主流統計學界（頻率學派）排擠了兩百年。因為當時的人覺得「加入主觀經驗 (Priors)」是不科學的。
2. 算力的限制： 貝葉斯公式要算出精確結果（特別是 Meridian 這種高維度模型），需要極其龐大的運算量（積分運算）。在沒有電腦的 18、19 世紀，這幾乎是不可能算出來的。
3. AI 時代的復活： 直到近代電腦算力爆發，加上 MCMC (馬可夫鏈蒙地卡羅) 這種演算法的出現，我們終於能讓電腦暴力計算貝葉斯模型。

聽完了貝葉斯 公式有趣的來源後，我們再回來想想 「Google 推出的 開源 Marketing Mix Modeling（MMM）框架 為何要選擇 貝葉斯 (Bayesian) 呢」？

什麼是「貝葉斯 (Bayesian)」？

簡單的白話描述 — 允許你把「經驗」放進公式裡。

傳統統計（頻率學派）只相信眼前的數據。如果數據很少或很髒，傳統統計就會算錯。 貝葉斯則能允許你加入「先入為主的觀念」。

舉個生活化的例子：擲硬幣

假設有一個神秘硬幣，你丟了 3 次，結果 3 次都是正面。

• 傳統統計（頻率學派）會說：「數據顯示 100% 是正面。所以我預測下一次 100% 是正面。」 (這顯然不合理，因為樣本太少)
• 貝葉斯（Bayesian）會說：
  先驗 (Priors)： 「根據我從小到大的常識，硬幣通常是一半一半的。」
  數據 (Likelihood)： 「但我剛看到連續 3 次正面，這有點奇怪。」
  後驗 (Posterior)： 「綜合考量，我修正我的看法，我覺得這個硬幣出現正面的機率可能是 60% – 70%，而不是 100%。」

在 Meridian 裡的應用： 這對行銷非常重要！

模型會用這個經驗去「穩住」新的數據，避免因為數據太少而亂飄。

假設你剛投了一個新的 TikTok 廣告，才跑了 2 天，數據很少。

傳統模型會因為數據不足而報錯，或者算出極端值（ROI = 0 或 ROI = 1000）。

Meridian（貝葉斯）允許你透過「先驗知識」可以這樣說：「根據過去投 FB Reels 的經驗，短影音的 ROI 通常在 2.0 左右。」

貝葉斯 (Bayesian) 統計學曾經在歷史上被視為「異端」，因為它允許加入「主觀看法 (Priors)」，這讓堅持客觀的傳統統計學家很感冒。

但事實證明，在資訊不足、充滿雜訊、需要做生死決策的關鍵時刻，貝葉斯方法往往能創造奇蹟。

為什麼 Meridian 要用這套方法？

（這也是它比 GA 或傳統模型強的地方）

Meridian 使用貝葉斯機率預測，主要是為了解決行銷數據的三大難題：

1. 數據量太少 (Small Data)： MMM 是用「週」或「日」來算的。一年只有 52 週，數據點只有 52 個，這對統計來說太少了。貝葉斯可以引入「行業經驗 (Priors)」來彌補數據的不足。
2. 變數太多 (High Dimensionality)： 影響業績的因素有幾十個（FB、Google、電視、天氣、促銷、對手…）。貝葉斯演算法擅長處理這種複雜的關係，找出哪些是真的有關，哪些只是巧合。
3. 決策需要風險管理 (Risk Management)： 老闆問：「投這個廣告會賺嗎？」 如果不確定的風險很高（例如預測範圍是 -100 萬 到 +500 萬），貝葉斯模型會誠實告訴你「波動很大，建議保守」；而不是騙你說「平均會賺 200 萬」。

GA4 與 Meridian 兩者上的差異

「用過去的經驗（先驗）來輔助解讀現在稀少的數據，並且不把話說死，而是告訴你各種結果發生的機率範圍。」

這是一種更誠實、更科學，也更符合商業決策現實的數學方法。

為什麼 Google 選擇貝葉斯？

從歷史案例可以看出，貝葉斯方法最強大的地方在於： 「在資訊不完整、雜訊很多的情況下，利用『經驗』與『邏輯』快速收斂出最可能的真相。」

這完全符合現在行銷界的處境：

• Cookie 消失（資訊不完整）。
• 消費者行為複雜（雜訊很多）。
• 需要快速決定預算 (行銷決策運用)。

透過前面的幾張簡報說明，你應該對這個沒有介面與畫面的神奇模型有了些概念，而其中 MMM 若要只舉一個重要項目來說它的重要性，那就是找出 「 mROI 」這個指標 !

在 MMM / Meridian 的語境裡，mROI 通常指 Marginal ROI（邊際投資報酬率），它需要透過數學上的飽和度曲線 (Saturation Curve) 給 算出來 !

1. ROI（Return on Investment）：整體「投資報酬率」
2. iROAS（Incremental Return on Ad Spend）：只看「廣告帶來的 增量營收 ÷ 廣告花費」
3. mROI（Marketing ROI）：在目前花費水位下，「再多花 一點點 預算」的邊際報酬

為什麼 「 mROI 」這個指標 很重要呢? 讓我再用個簡單的例子給你參考參考!

吃披薩理論 (邊際效益遞減)

想像您肚子很餓在吃披薩：

• 吃第 1 片： 超級好吃！快樂指數 +100。（這就是高 mROI）
• 吃第 3 片： 還不錯，但沒那麼餓了。快樂指數 +50。（mROI 下降）
• 吃第 8 片： 快吐了，根本吃不下。快樂指數 +0。（mROI 為 0，飽和了）

一個品牌的未來發展與可用資源的分配，是不是看到這能感覺到它的重要性了呢!

Meridian 開源 Marketing Mix Modeling（MMM）框架，是不是可以用來回答這三個核心問題：

1. 每個行銷管道（Google Ads / YouTube / TV廣告 / Social…）實際 帶來多少營收或 KPI？
2. 真實的 ROI / iROAS 是多少？（增量收益 / 廣告投資）
3. 未來要怎麼分配行銷預算 才能讓營收或 KPI 最大化？（預算最佳化、what‑if 模擬）

我知道對一個不像GA4看不到畫面的模型來說還是有點難 「想像」，我試著做幾張「模擬示意圖」幫助你更能了解這部分!

圖表一：銷售貢獻度拆解圖 (Sales Contribution Decomposition)

這張圖回答的問題： 「過去一年，我們的業績到底是怎麼來的？」

這是一張堆疊區域圖 (Stacked Area Chart)，橫軸是時間，縱軸是總銷售額。它將每一週的業績「拆解」成不同顏色的區塊，代表不同的貢獻來源。

• 灰色基底 (Baseline)： 最下方最大的區塊，代表「不投廣告也會有的業績」（品牌力、鋪貨通路）。
• 彩色區塊 (Media)： 代表各個廣告渠道帶來的「增量業績」。
• 虛線/特殊標記 (Controls)： 顯示季節性或促銷活動的影響。

嘗試希望能找出的商業洞察：

「原來我們 60% 的業績都是靠基底（灰色）支撐的。但看看 Q4 雙11 那波高峰，紅色的『Google Search』和藍色的『Facebook』貢獻瞬間飆升，這證明了大促期間加碼投資是正確的。」

圖表二：媒體反應曲線與飽和度分析 (Media Response Curves & Saturation Analysis)

這張圖回答的問題： 「我現在花的錢是在『刀口上』還是『丟水裡』？哪個渠道還能再加碼？」

這是一張多線圖。

• 橫軸 (X-axis)： 代表每週投入的「廣告花費金額」。
• 縱軸 (Y-axis)： 代表該花費帶來的「增量銷售額 (Incremental Sales)」。
• 曲線的形狀： 每一條顏色的線代表一個渠道的表現。它們通常呈現 S 型或對數型，反映了「剛開始投效果好，投太多效果變差」的現象。
• 圓點標記 (Markers)： 這是最重要的部分！ 它標示出您公司「當前」在這個渠道上的花費位置。

如何解讀？ 看斜率 (Slope)

1. 陡峭的曲線 (Steep Slope) = 高潛力區
   • 看看黃色的 YouTube 線。曲線非常陡峭，這意味著你每多花一點錢 (向右移)，銷售額就會增加很多 (向上移)。
   • 結論： mROI 極高，這是應該加碼投資的地方。
2. 平緩的曲線 (Flat Slope) = 飽和區
   • 看看藍色的 Facebook Ads 線。雖然它帶來了最高的總銷售額（位置最高），但注意那個圓點所在的位置，曲線幾乎已經平了。
   • 結論： mROI 很低，這裡已經飽和了。再多丟錢進去也擠不出多少業績，應該考慮減少預算，移到別處。

嘗試希望能找出的商業洞察：

「這張圖太殘酷了。我們一直以為 FB 是主力，結果它已經『吃撐了』。反而是我們忽略的 YouTube 還有巨大的成長空間。下個季度我們得重新分配預算，把 FB 省下來的錢拿去投 YouTube。」

圖表三：下一季預算最佳化模擬 (Next Quarter Budget Optimization Scenario)

這張圖回答的問題： 「如果不增加總預算，我們怎麼調整花費比例能賺更多？」

這是一張對比柱狀圖，模擬了兩種情境下的預算分配與預期結果。

• 左柱 (Current Allocation)： 我們目前的預算分配方式。可以看到藍色的 Facebook 佔比很大，而黃色的 YouTube 佔比很小。
• 右柱 (Meridian Optimized)： 這是模型建議的最佳化配置。
  • 注意到了嗎？ 兩根柱子的總高度是一樣的（例如都是 1,000 萬）。這代表我們沒有多花老闆一毛錢。
• 關鍵變化 (Shift)：
  • 模型建議將 Facebook 的預算（藍色區塊）大幅縮減（因為圖表二顯示它飽和了）。
  • 省下來的錢，被挪移到了 YouTube（黃色區塊）和 Google Search（紅色區塊）。
• 預期成果 (Revenue Lift)：
  • 圖表上方醒目的箭頭顯示，只要做了這個「挪移」的動作，預期下一季的總營收可以提升 +5.8% (約等於額外賺進 $1.5M)。

嘗試希望能找出的商業洞察：

「這就是 Meridian 的價值所在。它不是要我們無腦追加預算，而是幫我們更聰明地花錢。只是一個簡單的『預算挪移』動作，就能帶來 5.8% 的業績成長，這是一個不需要增加成本就能提升獲利的具體方案。」

總結這三張圖表

這三張圖表構成了一個完整的分析故事：

1. 銷售貢獻圖： 認清現狀，知道哪些渠道在貢獻業績。
2. 媒體反應曲線圖： 診斷問題，找出誰飽和了，誰還有潛力。
3. 預算最佳化圖： 提出行動方案，量化調整後的預期收益。

但是、要懂得有效建置這套 開源MMM框架 Google Meridian ，你必須建置一個數據驅動的行銷科學團隊 :

1. 核心關鍵職位：資料科學家 (Data Scientist) – 專注於行銷領域

這是最關鍵的角色，他負責「跑模型」、「調參數」。Meridian 是開源程式庫，需要有人寫 Python 程式去呼叫它。

• 職務描述： 負責構建、訓練並優化 MMM 模型，解讀統計結果。
• 必備硬實力 (Hard Skills)：
  • 程式語言： 精通 Python（這是 Meridian 的運作語言）。必須熟悉相關套件如 NumPy, Pandas。
  • 統計學知識： 這是最重要的！必須懂 貝氏統計 (Bayesian Statistics)。
    • 為什麼？ Meridian 的核心演算法是基於貝氏方法。如果他不懂什麼是「先驗機率 (Priors)」、「後驗機率 (Posteriors)」或「MCMC 採樣」，他就無法調整模型，跑出來的數據會是錯的。
  • 機器學習框架： 熟悉 TensorFlow 或 JAX (Meridian 底層可能會用到)。
• 加分項目： 有過 MMM (Marketing Mix Modeling) 或計量經濟學的實務經驗。

2. 輔助職位：資料工程師 (Data Engineer)

這角色的任務是「準備食材」。我們剛才討論的龐大 Data Schema，如果靠人工每週用 Excel 貼上，一定會出錯且崩潰。

• 職務描述： 負責將來自 Google Ads, FB, ERP, CRM 的數據自動抓取、清洗、整合到資料庫中。
• 必備硬實力：
  • SQL： 資料庫查詢語言。
  • ETL 流程： 能自動化處理「髒資料」（例如把 ‘Facebook’ 和 ‘fb_ads’ 統一命名）。
  • Cloud Platform： 熟悉 GCP (Google Cloud) 或 AWS，因為這些數據通常會存在雲端。

3. 溝通橋樑：行銷商業分析師 (Marketing Analyst / Strategist)

這通常是目前的行銷主管或資深行銷人員轉型。他不需要會寫 Code，但他要「看得懂」資料科學家跑出來的圖表，並轉化成商業策略。

• 職務描述： 定義商業問題（要解決什麼？），並將模型結果轉化為下一季的媒體預算表。
• 必備軟實力：
  • 對數位媒體生態（Search, Social, Programmatic）非常了解。
  • 能分辨「相關性」不等於「因果關係」。
  • Storytelling： 能拿著數據說服老闆或客戶調整預算。

對於科技行銷時代覺得很困難且頭疼嗎?

別急著想一步到位! 剛剛只介紹你Meridian這個新模型工具與今日科技發展下需要的職務技能，這背後還有個核心工作 「 ETL 」Extract (擷取)、Transform (轉換)、Load (載入) 沒有說到，並且這可是比前面提到的各項工作還要來得重要且關鍵，但這篇就不再延伸探討下去了。

面對未來 品牌需建置虛實整合的 行銷中台 Marketing Middleware

讓我借用「 數據中台 」這名詞概念，強烈推薦給有真心長期經營品牌的經營者們，必須要建置專屬客製化自己品牌的「 行銷中台 」，長期可檢視品牌行銷規劃與實際運營的各項指標，並且透過這中台能檢視出你的行銷策略面與績效是否相符合或是該怎麼調整，這個不只給你投資費用與媒體數據的運營儀表，將是你未來企業與品牌的成長茁壯資源能否有效分配的關鍵。

常見問題

Google Meridian MMM 與 GA4 的核心差異在哪裡？

Meridian 採用貝葉斯因果推斷，允許融入經驗性先驗知識來補充稀少數據，並輸出各渠道的邊際投資報酬率 (mROI) 與預算最佳化建議；而 GA4 主要提供事件追蹤與用戶行為分析，無法量化廣告組合的因果效應或給予預算配置指引。

為什麼行銷組合模型需要採用貝葉斯方法？

行銷數據面臨三大挑戰：樣本量稀少（年僅 52 週）、影響因素複雜（數十個變數）、決策需要風險量化。貝葉斯方法能利用既有行業經驗穩定預測、處理高維關係、誠實呈現結果的概率範圍，比傳統頻率統計更適合行銷決策場景。

mROI（邊際投資報酬率）為何比整體 ROI 更重要？

mROI 回答「再加投一點預算會帶來多少增量營收」，協助識別各渠道是否飽和。高 mROI 表示有成長空間應加碼，低 mROI 表示已飽和應減少；整體 ROI 無法引導動態的預算調整決策，容易導致在飽和渠道上繼續浪費資源。

導入 Google Meridian 需要哪些組織能力和職務配置？

需建立三層結構：資料科學家負責 Python 程式開發與模型調校（必須精通貝氏統計），資料工程師負責 ETL 自動化流程與數據整合，行銷商業分析師負責將模型結果轉化為預算策略。三者缺一不可，且背後的資料基礎架構建置同樣關鍵。