---
title: "MMM transformacijos"
url: https://hu.lt/mmm-transformacijos/
author: "Gedas Kučinskas"
published: 2025-11-04T01:05:50+02:00
updated: 2025-11-04T01:05:52+02:00
language: lt
categories: ["Ekonometrija (MMM)"]
description: "Marketingo mišinio modeliai (angl. Marketing Mix Models, MMM) dažniausiai remiasi dviem pagrindinėmis hipotezėmis: Reklamos investicijos turi uždelstą…"
---

# MMM transformacijos

Marketingo mišinio modeliai (angl. *Marketing Mix Models*, MMM) dažniausiai remiasi dviem pagrindinėmis hipotezėmis:

1. **Reklamos investicijos turi uždelstą (vėluojantį) efektą** – reklamos poveikis tęsiasi per laiką. Pvz., žmogus pamato reklamą šiandien, bet perka po savaitės.
2. **Reklamos investicijos duoda mažėjančią grąžą** – kuo daugiau investuojama į kanalą, tuo mažesnė papildoma (marginalinė) nauda iš kiekvieno papildomo euro.

Šiems reiškiniams modeliuoti naudojamos dvi transformacijos:

- **Adstock transformacija** – aprašo reklamos poveikio tęstinumą (užlaikymą) laike.
- **Saturation transformacija** – aprašo mažėjančią grąžą nuo reklamos investicijų.

---

## 🧠 Adstock transformacija

### Pagrindinė idėja

**Adstock** reiškia reklamos poveikio *išliekamumą*, kai reklamos efektas išlieka ir palaipsniui silpnėja po pirmojo poveikio.

Tai susiję su vartotojų atmintimi, prekės ženklo žinomumu ar kampanijos prisiminimu. Logika paprasta: *„Aš mačiau reklamą prieš kelias dienas ir dėl to šiandien pirkau produktą.“*

Šis „atminties efektas“ gali:

- **palaipsniui mažėti** (pvz., internetinė reklama – greitas poveikis, greitas išnykimas), arba
- **iš pradžių augti, o tada mažėti** (pvz., brangūs pirkiniai – automobiliai, kreditai – kai sprendimas priimamas vėliau).

---

### Bendra formulė

media\_adstockedi=media\_rawi+decay\_rate×media\_rawi−1\text{media\\_adstocked}\_i = \text{media\\_raw}\_i + \text{decay\\_rate} \times \text{media\\_raw}\_{i-1}media\_adstockedi​=media\_rawi​+decay\_rate×media\_rawi−1​

Čia:

- *i* – laiko periodas (pvz., savaitė),
- *decay\_rate* – poveikio „nykimo“ koeficientas (nuo 0 iki 1).

---

### Robyn siūlomi adstock tipai

#### 1️⃣ Geometrinis adstock (Geometric)

Naudojama **vieno parametro eksponentinė nykimo funkcija**, kurios parametras – *theta*.  
Pvz., *theta = 0.75* reiškia, kad **75 %** reklamos poveikio iš 1 laikotarpio persikelia į 2 laikotarpį. media\_adstockedij=media\_rawij+decay\_ratej×media\_rawi−1,j\text{media\\_adstocked}\_{ij} = \text{media\\_raw}\_{ij} + \text{decay\\_rate}\_j \times \text{media\\_raw}\_{i-1,j}media\_adstockedij​=media\_rawij​+decay\_ratej​×media\_rawi−1,j​

- *decay\_rate\_j* = *theta* (pastovus kiekvienam kanalui).

**Tipinės ribos (rekomendacijos):**

| Kanalas | Tipinis adstock (theta) |
| --- | --- |
| TV | 0.3 – 0.8 |
| Lauko / Spauda / Radijas | 0.1 – 0.4 |
| Skaitmeniniai kanalai | 0.0 – 0.3 |

**Naudinga savybė:**  
Begalinės sumos riba lygi 11−θ\frac{1}{1 - \theta}1−θ1​.  
Pvz., kai θ = 0.75 → suma = 4 → adstock padidina duomenis ~4 kartus.

**Trūkumas:** negali modeliuoti lankstesnio, laike kintančio poveikio ar aiškaus vėlavimo.

---

#### 2️⃣ Weibull adstock (PDF ir CDF)

Weibull adstock suteikia **daugiau lankstumo**, nes turi **du parametrus** – *shape* (forma) ir *scale* (mastas). media\_adstockedij=media\_rawij+decay\_rateij×media\_rawi−1,j\text{media\\_adstocked}\_{ij} = \text{media\\_raw}\_{ij} + \text{decay\\_rate}\_{ij} \times \text{media\\_raw}\_{i-1,j}media\_adstockedij​=media\_rawij​+decay\_rateij​×media\_rawi−1,j​

Skirtingai nuo Geometrinio, *decay\_rate* čia **kinta laike**.

---

##### Weibull CDF (Cumulative Distribution Function)

- **shape** valdo kreivės formą (S arba L pavidalo): 
    - Didesnis shape → labiau S formos.
    - Mažesnis shape → labiau L formos.
    - Rekomenduojamos ribos: `shape ∈ [0.0001, 2]`
- **scale** valdo kreivės lūžio tašką (inflection point): 
    - Rekomenduojamos ribos: `scale ∈ [0, 0.1]`

Tinka, kai norime **lankstaus nykimo be aiškaus vėlavimo**.

---

##### Weibull PDF (Probability Density Function)

PDF leidžia modeliuoti **uždelstą efektą (lag)**:

- Kai *shape > 2* – efektas pasiekia piką po tam tikro laiko (stiprus lag).
- Kai *1 < shape < 2* – vėluojantis, bet švelnesnis efektas.
- Kai *shape = 1* – paprastas eksponentinis nykimas.
- Kai *shape < 1* – mažėjantis efektas be vėlavimo.

Rekomenduojamos ribos:

- *shape*: `[0.0001, 10]` (arba `[2.0001, 10]` jei domina tik lag efektai)
- *scale*: `[0, 0.1]`

Šis metodas reikalauja daugiau skaičiavimo resursų, bet suteikia didelį modelio tikslumą.

---

## 📉 Saturation transformacija

### Pagrindinė idėja

**Mažėjančios grąžos principas (diminishing returns)** teigia, kad kiekvienas papildomas reklamos euras duoda vis mažesnį poveikį.

Tai vadinama **sotinimo efektu (saturation)** – kai reklamos poveikis pasiekia „prisotinimo tašką“.

---

### Modeliavimas

Ne tiesinė (nonlinear) reakcija į reklamos kintamuosius gali būti modeliuojama:

- logaritmine transformacija,
- laipsnio (power) transformacija,
- arba S / L formos funkcijomis.

Robyn naudoja **Hill funkciją**, kuri leidžia lanksčiai modeliuoti šią kreivę: media\_saturatedj=11+(γj/media\_adstockedj)αj\text{media\\_saturated}\_j = \frac{1}{1 + (\gamma\_j / \text{media\\_adstocked}\_j)^{\alpha\_j}}media\_saturatedj​=1+(γj​/media\_adstockedj​)αj​1​

Kur:

- **γ (gamma)** – lūžio taškas (inflection point),
- **α (alpha)** – kreivės forma.

---

### Parametrų reikšmės

| Parametras | Aprašymas | Rekomenduojamos ribos |
| --- | --- | --- |
| α (alpha) | Kreivės forma (C ↔ S) | 0.5 – 3 |
| γ (gamma) | Lūžio taškas (kada efektas pradeda lėtėti) | 0.3 – 1 |

- Didelis α → S formos kreivė (staigus sotinimas).
- Mažas α → C formos kreivė (lėtas sotinimas).
- Didelis γ → sotinimas pasiekiamas vėliau.

---

### 🧮 Ribinis atsakas (Marginal response)

**Ribinis atsakas** – tai pirmoji funkcijos išvestinė, rodanti, kiek papildomo poveikio gausime iš *kito reklamos euro*.

Pavyzdžiui, jei savaitinis biudžetas = 1000 €, ribinis atsakas atsako į klausimą:

> „Kiek grąžos duos 1001-asis euras?“

Tai yra pagrindas **optimizuojant biudžeto paskirstymą** tarp kanalų pagal mažėjančias grąžas.

---

## 🧩 Apibendrinimas

| Transformacija | Tikslas | Tipiniai parametrai | Naudojimo atvejis |
| --- | --- | --- | --- |
| **Adstock (Geometric)** | Modeliuoja poveikio tęstinumą | θ ∈ \[0,1\] | Greitai veikiantys kanalai (skaitmeniniai) |
| **Adstock (Weibull CDF)** | Lankstus nykimas be vėlavimo | shape ∈ \[0,2\], scale ∈ \[0,0.1\] | Daugkartinis poveikis, vidutinė trukmė |
| **Adstock (Weibull PDF)** | Lankstus nykimas su vėlavimu | shape ∈ \[2,10\], scale ∈ \[0,0.1\] | Lėti sprendimai (TV, automobiliai) |
| **Saturation (Hill)** | Modeliuoja mažėjančią grąžą | α ∈ \[0.5,3\], γ ∈ \[0.3,1\] | Visi reklamos kanalai |
