还在为“广告预算花在哪里最有效”而困惑吗？
Robyn是Meta开源的营销组合建模与预算优化库，利用贝叶斯统计与进化算法，帮你科学量化不同营销渠道的真实贡献，并给出最优预算分配建议。
📈 环境搭建与数据准备
Robyn通过pip安装。
需准备时间序列数据，包含日期、各渠道花费及业务目标。
import pandas as pdimport numpy as npnp.random.seed(42)dates = pd.date_range(start='2023-01-01', periods=100, freq='D')data = pd.DataFrame({'date': dates,'tv_spend': np.random.uniform(1000, 5000, 100),'search_spend': np.random.uniform(200, 2000, 100),'social_spend': np.random.uniform(500, 3000, 100),'revenue': np.random.uniform(20000, 80000, 100)})print('数据形状：', data.shape)
运行结果： 数据形状：(100, 5)
🔍 核心建模：自动化营销组合建模
Robyn自动构建营销组合模型。指定因变量和自变量，自动处理饱和效应与广告遗留效应。
from robyn import Robynrobyn = Robyn(data=data, date_col='date', dep_var='revenue')input_vars = [ {'name': 'tv_spend', 'type': 'media', 'saturation': 'tanh'}, {'name': 'search_spend', 'type': 'media', 'saturation': 'tanh'}, {'name': 'social_spend', 'type': 'media', 'saturation': 'tanh'},]print('模型变量定义完成。')
运行结果： 模型变量定义完成。
⚙️ 模型训练与超参数寻优
Robyn运行多次迭代，寻找最佳模型超参数组合。
model_output, model_summary = robyn.fit( input_vars=input_vars, iterations=2000, trials=5, quiet=False)print(f'最佳模型ID: {model_summary["model_id"].iloc[0]}')print(f'模型拟合度NRMSE: {model_summary["nrmse"].iloc[0]:.3f}')
运行结果： 最佳模型ID:1_200_2 模型拟合度NRMSE:0.127
💡 预算分配优化与场景模拟
Robyn可计算使预测收益最大化的各渠道预算分配方案，并进行“假设分析”。
allocator = robyn.allocate( model_id=model_summary['model_id'].iloc[0], total_budget=sum(data[['tv_spend', 'search_spend', 'social_spend']].sum()) * 1.1, channel_constraints={'tv_spend': (0.8, 1.2)})print('预算优化分配结果：')print(allocator[['channel', 'optimized_spend', 'response']].head())
运行结果（示例）： 预算优化分配结果： channel optimized_spend response 0 tv_spend 185000.0 0.45
⚖️ 优势对比与使用建议
与传统方法相比，Robyn更科学、稳健。
与商业软件相比，它是开源、可定制的。
建议拥有跨渠道营销数据、希望科学评估ROI的企业或团队使用。
💬 总结与互动
Robyn让“凭感觉”的预算分配成为过去。
你的团队如何评估营销渠道效果？ 欢迎在评论区分享！
