在营销领域，漏斗上端的品牌广告（例如电视广告或视频广告）可逐步提升品牌认知度和需求。与此同时，漏斗下端的直接响应广告（如付费搜索）则负责捕捉这些需求，以推动即时销售或转化。
为了衡量这些全漏斗营销投资，标准的单阶段营销组合模型 (MMM) 可靠、简约，且执行起来相对简单。不过，由于单阶段 MMM 会在单个步骤中分析所有营销渠道，因此会造成两难境地。
- 如果您排除中间品牌效应变量（例如自然搜索量），则会高估漏斗下端渠道的功劳。这些渠道因捕获了一些并非由其创造的需求而获得功劳。
- 如果您纳入了中间品牌效应变量（作为标准控制变量），则会低估漏斗上端渠道的功劳。这些渠道无法获得最初创造该需求的功劳。
下面以品牌效应变量含品牌词的 Google 搜索查询量 (bGQV) 为例。单阶段模型存在一个不可避免的权衡：如果您在模型中将 bGQV 作为控制变量，就会剥夺品牌渠道在提升搜索热度方面应得的功劳。如果您排除 bGQV，则会过高地归功于直接响应广告，这些广告只是在收割现有需求，而不是创造需求。如需详细了解此示例，请参阅纳入搜索查询量。
为了衡量这些全漏斗营销投资，Meridian 现在采用两阶段建模方法提供全漏斗 MMM。第 1 阶段模型衡量品牌营销如何打造品牌效应。第 2 阶段模型衡量的是，该品牌效应以及所有营销活动如何推动最终 KPI。
核心问题：控制变量既可以是中介变量，也可以是混杂变量
营销组合建模分析 (MMM) 的核心因果推理问题是估计多个不同营销变量的联合处理效应。在因果推理中，我们知道必须在模型中纳入混杂变量，同时排除中介变量（请参阅选择控制变量）。MMM 从业者经常会遇到这样的变量：对某些处理变量而言是中介变量，对其他处理变量而言却是混杂变量。
在单阶段 MMM 中，对于这类变量（对某些处理变量而言是混杂变量，对其他处理变量而言却是中介变量），从业者会面临两难境地：
- 在模型中排除该变量：在估算漏斗下端渠道的影响时，未能考虑其混杂效应，导致漏斗下端渠道的投资回报率被高估。
- 在模型中纳入该变量：会阻断品牌广告通过该变量产生的因果路径，从而导致低估品牌渠道的投资回报率。
品牌效应变量（例如品牌考虑度或含品牌词的 Google 搜索查询量 [bGQV]）就是此类变量的典型示例。品牌营销（也称为“漏斗上端营销”）可提升品牌效应，进而提升 KPI，因此品牌效应是品牌营销的中介变量。同时，品牌效应会推动自然需求和漏斗下端渠道（例如付费搜索广告）上的活动。这使得品牌效应成为这些渠道的混杂变量。
全漏斗 MMM 的运作方式
Meridian 通过拟合两个单独的 MMM 模型来解决这一核心问题。在第一个模型中，品牌效应变量是响应变量。在第二个模型中，品牌效应变量是一个解释变量。
| 漏斗阶段 | 目标 | 处理变量 | 响应变量 | 必需的控制变量 |
|---|---|---|---|---|
| 第 1 阶段模型：品牌营销 \(\rightarrow\) 品牌效应 | 反映品牌营销如何打造品牌效应 | 品牌营销（例如视频、电视、公关） | 品牌效应变量（例如，含品牌词的 GQV）。 | 品牌营销和品牌效应的混杂变量 |
| 第 2 阶段模型：品牌效应和营销 \(\rightarrow\) KPI | 反映营销对 KPI 的影响，包括第 1 阶段建立的需求 | 所有营销变量和第 1 阶段的品牌效应变量 | KPI | 营销和 KPI 的混杂变量，以及品牌效应和 KPI 的混杂变量 |
总而言之，我们正在估算三种因果效应：
- 第 1 阶段：品牌营销对品牌效应的影响。
- 第 2 阶段：品牌效应对 KPI 的影响。
- 第 2 阶段：所有营销活动对 KPI 的影响。
为了估计这三种效应，我们必须在估计因果效应的模型中考虑每种因果关系的混杂变量。如需详细了解为全漏斗 MMM 假设的因果图，请参阅全漏斗因果图。
两个模型都拟合后，您必须将它们的发现结果关联起来。具体而言，您需要将第一个模型中品牌营销对品牌效应的影响，传播到第二个模型中品牌效应对最终 KPI 的影响。第一个模型中的所谓“间接效应”会纳入投资回报率、边际投资回报率、响应曲线和预算优化等关键因果估计值的估算中。
如需详细了解如何在 Meridian 中执行全漏斗 MMM，请参阅 Meridian 全漏斗演示。演示中包含所有详细的建模注意事项，以及如何使用 AnalyzerFullFunnel 类传播间接效应。
在全漏斗 MMM 和单阶段 MMM 之间进行选择
在单阶段 MMM 和全漏斗 MMM 之间进行选择，归根结底是一种权衡：全漏斗 MMM 解决了中介变量与混杂变量的问题，但需要估计更多因果效应并识别更多混杂变量。
- 单阶段 MMM 更简单，只需识别营销与最终 KPI 之间的混杂变量。但是，如果品牌效应是品牌营销的中介变量，同时又是漏斗下端营销的混杂变量，您就会面临一个不可避免的困境：纳入品牌效应会低估品牌渠道的功劳，而排除品牌效应则会高估漏斗下端渠道的功劳。
- 全漏斗 MMM 通过明确对中介变量的间接效应进行建模，解决了这一难题。不过，它需要估计三种因果效应（品牌营销 \(\rightarrow\) 品牌效应、品牌效应 \(\rightarrow\) KPI，以及所有营销 \(\rightarrow\)KPI）。您必须在两个阶段都识别并控制混杂变量，这会增加数据要求，并提高对未观测到的混杂因素的敏感度。
在以下情况下，全漏斗 MMM 增加的复杂性是值得的：
- 间接路径的影响不容忽视：品牌营销对品牌效应有显著影响，而品牌效应又会强力推动销售。如果此路径较弱，则单阶段偏差极小。
- 混杂变量在两个阶段均可衡量：您有可靠的数据来控制三种不同类型的必要混杂变量。
否则，单阶段 MMM 可能是更可靠的选择。
品牌效应的通用框架
含品牌词的 Google 搜索查询量 (bGQV) 是 Meridian 全漏斗 MMM 的常见品牌效应变量，因为它是品牌营销的中介变量，也是漏斗下端营销（尤其是搜索广告）的混杂变量。bGQV 可在 MMM Data Platform 上按周和地理区域粒度获取。
不过，全漏斗框架是完全通用的。它可以应用于任何符合所假设的全漏斗因果图的中间品牌健康度指标。