CausalMMM: Learning Causal Structure for Marketing Mix Modeling

在线广告中，营销组合建模（MMM）被用来预测品牌店铺的总销售额（GMV），帮助决策者调整各种广告渠道的预算分配。传统的MMM方法利用回归技术可能无法处理营销的复杂性。尽管一些努力试图编码因果结构以获得更好的预测结果，但它们具有严格的限制，即因果结构是预先已知且不可改变的。本文定义了一个新的因果MMM问题，它可以自动从数据中发现可解释的因果结构，并产生更好的GMV预测结果。为了实现因果MMM，必须解决两个基本问题：（1）因果异质性。不同种类的店铺的因果结构差异很大。（2）营销响应模式。各种营销响应模式，如传递效应和形状效应，在实践中已得到验证。我们认为，因果MMM需要动态地为不同的店铺发现特定的因果结构，并且预测结果应符合先前已知的营销响应模式。因此，我们提出了CausalMMM，它将Granger因果性集成到变分推断框架中，以测量不同渠道之间的因果关系，并在时态和饱和营销响应模式的规范化下预测GMV。广泛的实验表明，CausalMMM不仅可以在合成数据集上实现更好的因果结构学习性能，提高了5.7％\~7.1％，而且还可以增强代表性电子商务平台上的GMV预测结果。

自动发现可解释因果结构以提高品牌店GMV预测的问题

提出了一种新的因果MMM问题，通过Granger因果性和变分推理框架集成来自动发现可解释的因果结构，并在预测中考虑了时间和饱和营销响应模式的正则化。

论文在合成数据集上实现了优越的因果结构学习表现，并在代表性电子商务平台上提高了GMV预测结果。

最近的相关研究包括因果推理、市场混合建模和营销响应建模等。