一、KPI 选”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_revenueconfig.revenue_per_kpi_col = None
1、优化视角的本质差异
2、 核心机制：贝叶斯先验的自动切换
3、业务实战中如何选择？
一个实用的策略是：把方差极大的“收益”降维，改用平滑得多的“订单量”作为主 KPI 来保住模型的健壮性，之后再结合平均客单价去还原商业价值。
很多时候，真实的“收益”数据噪音太大了。比如电商大促前后的剧烈波动与退货延迟，或者某些业务偶尔冒出的极端大单。
这种大起大落的 Revenue 数据如果切到 Geo-weekly（地理-周）级别，会产生大量的数据稀疏（很多 0）或极端离群值。这会让 Meridian 底层的 MCMC 抽样极难收敛，或者导致算出的置信区间（Credible Intervals）宽得毫无业务指导意义。
真实业务中，老板往往既要看前端的引流效率，又要看最终的 GMV 产出。既然 Meridian 每次只能设定一个主 KPI，高阶玩家通常会采用“多模型交叉验证”的打法。也就是用同一套投放数据，分别跑一个以“App激活/加购数”为 KPI 的转化量模型，和一个以“最终支付金额”为 KPI 的收益模型。
把这两个模型得出的渠道贡献占比（Contribution）和 mROI 拼在一起对比，各个渠道的“真实人设”就一目了然了：你能精准识别出哪些渠道是只管拉新的“引流工具人”，哪些又是真正促成变现的“高净值收割机”，从而在预算分配时打出更立体的组合拳。
二、重新认识 Baseline：
1、怎么看 Baseline？诊断的宏观与微观视角
一方面，通过输出报告中的贡献饼图（Contribution Pie Chart）或贡献瀑布图（Waterfall Chart）等查看 Baseline 占总盘子的绝对比例；另一方面，必须紧盯 Meridian 的核心指标——负向基准概率（Negative Baseline Probability），以此为模型整体健康度定性。下图中黄色部分展示了贡献饼图中baseline的占比为32%。
结合贡献面积图（Contribution Area Chart）或预期与实际对比图（Expected vs. Actual Plot）等。这两个图表基于时间轴展开，一旦宏观指标拉响警报，就可以用它们细致排查每一周、每一天的 Baseline 占比变化，定位异常的时间节点。下图中蓝色部分展示了按时间趋势的baseline的趋势。
2、Baseline 占比多少算合理？
对于快消、SaaS 等依赖老客复购的业务，日常销售对短期广告的依赖度较低，Baseline 占比理应较高，且会随着用户盘子的扩大呈现增长趋势。如果模型跑出的 Baseline 偏低，说明模型把“老客复购”的功劳错误地归因给了当期广告。
这里要特别避坑：切忌将“存量活跃用户数”或“历史销量”作为控制变量传入模型，这会掉入因果推断中的“中介变量（Mediator）”陷阱，导致广告的长效价值被完全吸收。
正确的干预方式是：适当增加结（Knots）的数量，让模型通过时间趋势项去自然拟合用户基本盘的增长红利；或者收紧效果类广告的先验分布（如调低 ROI 或 Contribution 先验），强制模型把功劳让渡给 Baseline。
新老客占比、留存率、复购率。老客占比越大、留存曲线越平稳的业务，其自然产生的销量底盘就越厚，Baseline 理应越高。
品牌知名度、Google Trends品牌词、自然搜索量（Brand GQV）、官网直接访问流量（Direct Traffic）以及自然裂变率（K-factor）。这些指标越强，说明用户“主动找上门”的意愿越强，Baseline 自然水涨船高。
产品所处的生命周期（引入期 vs 成熟期）、市场占有率、以及产品的刚需程度。成熟期的刚需产品，即使停掉所有广告，依然会有可观的自然销量。
3、核心指标：负向基准概率（Negative Baseline Probability）
from meridian.analysis import analyzerfrom meridian.model import modelimport numpy as npmmm = model.Meridian(...)mmm.sample_posterior(...)a = analyzer.Analyzer(mmm)posterior_negative_baseline_prob = a.negative_baseline_probability()
概率 < 0.2：说明绝大多数时间 Baseline 为正，模型整体健康。
概率 0.2 – 0.8：说明 Baseline 在时间序列上偶尔会跌成负数。这属于亚健康状态，需要结合图表排查异常节点。
概率 > 0.8：这是一个严重的错误信号，意味着模型系统性地过度归因了营销活动，必须调整先验或控制变量来纠正。
4、诊断避坑：别被”单点负值”和”点估计”带偏
官方文档明确指出，不要过度纠结于走势图中偶尔一两次、小幅度的负值下探。Meridian 是一个概率统计模型，点估计（Point Estimate）存在极大的不确定性，带有微小的统计误差是完全正常的。
真正的硬核诊断标准是整个时间窗口内聚合后的“后验概率”。只有当这个概率过高时，才说明模型存在严重的、系统性的“过度归因”。
既然 Baseline 为负的本质是“营销抢功”，排查的第一步应该是向内看。这里有一个非常硬核的统计学细节：为什么我们不直接算“Baseline 为负的先验概率”？
根据 Meridian 官方的解释，在先验阶段，模型“预期结果（Expected Outcome）”的方差极大，且并未围绕“实际观测结果（Observed Outcome）”居中，直接算负向基准的先验概率毫无意义。
# 1. 计算总贡献率超过 100% 的先验概率mmm.sample_prior(1000)a = analyzer.Analyzer(mmm)# 获取实际观测到的总盘子 (Observed Outcome)outcome = mmm.kpiif mmm.revenue_per_kpi is not None:outcome *= mmm.revenue_per_kpitotal_outcome = np.sum(outcome)# 计算先验贡献率prior_contribution = a.incremental_outcome(use_posterior=False) / total_outcometotal_prior_contribution = np.sum(prior_contribution, -1)# 输出总溢出概率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)))
5、纠偏手段：如何修正模型、还原 Baseline
contribution（贡献率），从业务常识出发给它设定一个硬上限。
如果整体数据信噪比很低，很难对单一渠道下判断，最稳妥的做法是配置 “媒体总贡献率先验”（Total paid media contribution prior） ，从大盘层面锁死营销活动能拿到的最高功劳占比。
建议把品牌词和通用词的 GQV（谷歌搜索量） 等能反映市场原生需求的指标作为控制变量加进模型，剥离出用户自发的购买意愿。
引入 GQV 等绝对量指标后，务必在 ModelSpec 中把 control_population_scaling_id 参数打开。因为 Meridian 默认会在底层把 KPI 转换成“人均（per-capita）”口径，如果控制变量不跟着按人口比例缩放，在数学维度上就无法对齐，导致控制失效。
建议先在 ModelSpec 里开启 Meridian 的自动选结功能（enable_aks=True），让算法通过惩罚机制自己去找趋势的转折点。
如果 AKS 选出来的结（Knots）还是覆盖不到某些剧烈的短期波动（比如双十一），你可以把 AKS 选出的结果提取出来，手动将自定义的特定周索引（Knots 坐标）追加进去。让时间趋势项把该承担的自然波动拟合掉，Baseline 就能回到健康的水位。
触脉咨询（TRUEMETRICS）是 Google 官方认证且公示的 Meridian 亚太地区合作伙伴，长期服务中国出海企业的数据分析、营销衡量与预算优化场景。
如果您正在评估品牌广告、付费搜索与其他渠道的真实贡献，或希望借助 Meridian 将搜索趋势、GA4、广告平台、BigQuery 等数据纳入统一建模分析，欢迎联系触脉咨询客户经理，或扫描二维码与我们沟通。我们可协助企业从数据基础梳理、变量设计到 MMM 建模落地，建立更接近真实增量的品牌广告衡量体系。
TRUEMETRICS（触脉咨询）成立于2012年。目前是 Google Marketing Platform（GMP）官⽅认证合作伙伴以及 Google Cloud Premier Partner（Service Partner and Reseller Partner）。是更全面的OneGoogle生态(GMP+GCP两大核心平台)数据咨询服务及解决方案提供商。
专注为出海品牌提供数据⼯具实施、数据培训、数据可视化、数据分析、数据集成咨询等综合解决方案；致力于为零售、⾼科技、消费品、游戏、航旅等行业出海提供数据护航。在北京、上海、深圳、香港设立有分支机构。
