需要做贝叶斯营销组合建模、预算优化或客户生命周期价值预测时…

适用于有营销时间序列数据或客户交易 RFM 数据，并希望通过贝叶斯概率模型量化渠道贡献、ROAS、预算分配和 CLV 的场景。

适用场景

解决思路

1. 安装基础环境：使用 `conda create -c conda-forge -n marketing_env pymc-marketing` 创建环境并 `conda activate marketing_env`，或执行 `pip install pymc-marketing`。
2. Docker 安装：进入 `scripts/docker`，执行 `docker build -t pymc-marketing .`，再运行 `docker run -p 8888:8888 pymc-marketing` 启动 Jupyter 工作流。
3. MMM 基本设置：用 pandas 读取 `marketing_data.csv` 并 `parse_dates=['date']`；用 `MMM(adstock=GeometricAdstock(l_max=8), saturation=LogisticSaturation(), date_column='date', channel_columns=['tv','radio','digital','social'], control_columns=['holiday','promotion','temperature'], yearly_seasonality=2)` 初始化；令 `X=data.drop('sales', axis=1)`、`y=data['sales']`，然后 `mmm.fit(X, y)`。
4. 选择 Adstock 变换：Geometric 用 `GeometricAdstock(l_max=8, normalize=True)`；Delayed 用 `DelayedAdstock(l_max=12, theta_prior_params={'alpha':2,'beta':1})`；Weibull 用 `WeibullAdstock(l_max=10, mode_prior_params={'mu':2,'sigma':1})`。
5. 选择 Saturation 函数：Logistic 用 `LogisticSaturation()`；Michaelis-Menten 用 `MichaelisMentenSaturation()`；Tanh 用 `TanhSaturation()`。
6. 配置时间变化效应：设 `time_varying_intercept=True` 并指定 `intercept_m=100` 来建模基线销售趋势；设 `time_varying_media=True` 并指定 `media_m=50` 来建模渠道效率变化。
7. 运行模型诊断与可视化：依次调用 `mmm.plot_trace()`、`mmm.plot_components_contributions()`、`mmm.plot_channel_contribution_share_hdi()`、`mmm.plot_posterior_predictive(original_scale=True)`、`mmm.plot_curve()`。
8. 做预算优化：调用 `mmm.allocate_budget(total_budget=1_000_000, budget_bounds={'tv':(100_000,500_000),'digital':(50_000,400_000),'radio':(0,200_000)}, num_days=90)`，用 `budget_allocator.allocate()` 查看最优分配，或调用 `mmm.plot_budget_allocation(total_budget=1_000_000, budget_bounds={'tv':(0,500_000),'digital':(0,500_000)})` 可视化。
9. 计算 ROAS 与渠道效率：调用 `mmm.compute_mean_roas()`、`mmm.compute_channel_contribution_original_scale()`、`mmm.compute_marginal_roas(spend_grid_size=20)`。
10. 用 Lift test 校准：定义 `lift_test_results` DataFrame 包含 `channel`、`lift`、`sigma`；初始化 MMM 后，在 `mmm.fit` 中传入 `prior_fn=lambda model: add_lift_measurements_to_likelihood(model, lift_test_results)`。
11. 做样本外预测：准备 `future_data` DataFrame，调用 `mmm.sample_posterior_predictive(X_pred=future_data, extend_idata=True, combined=True)`，再用 `predictions.posterior_predictive['y'].mean(dim=['chain','draw'])` 获取预测均值。
12. 切换替代 NUTS 采样器：在 `mmm.fit(X, y, nuts_sampler='numpyro', chains=4, draws=2000)` 中可把 `nuts_sampler` 设为 `'numpyro'`、`'blackjax'`、`'nutpie'` 或 `'pymc'`。
13. 构建 Beta-Geometric/NBD CLV 模型：准备含 `customer_id`、`frequency`、`recency`、`T` 的 RFM 数据；用 `BetaGeoModel(data=rfm_data)` 初始化并 `fit()`；用 `expected_num_purchases(t=30, frequency=..., recency=..., T=...)` 预测购买，用 `expected_probability_alive(...)` 预测存活概率。
14. 构建 Pareto/NBD 模型：用 `ParetoNBDModel(data=rfm_data)` 初始化并 `fit()`；用 `expected_num_purchases(t=365, frequency=..., recency=..., T=...)` 预测未来购买。
15. 构建 Gamma-Gamma 货币价值模型：准备含 `customer_id`、`frequency`、`monetary_value` 的数据；用 `GammaGammaModel(data=monetary_data)` 初始化并 `fit()`；用 `expected_customer_spend(frequency=..., monetary_value=...)` 预测客单，再与交易模型结果相乘得到总 CLV。
16. 保存与加载模型：用 `mmm.save('mmm_model.nc')` 保存；用 `MMM.load('mmm_model.nc')` 加载；加载后可继续调用 `sample_posterior_predictive(X_new)`。
17. 自定义先验：在 `with mmm.model:` 中用 `mmm.model['beta_channel'] = pm.HalfNormal('beta_channel_custom', sigma=2, shape=2)` 修改渠道系数先验，再执行 `mmm.fit(X, y)`。
18. 配置采样器：在 `mmm.fit(X, y, chains=4, draws=3000, tune=2000, target_accept=0.95, random_seed=42)` 中调整链数、抽样数、预热步、接受率和随机种子。
19. 排查收敛问题：用 `az.summary(mmm.idata, var_names=['beta_channel','alpha'])` 检查 R-hat 是否小于 1.01；若偏高，增加 `tune=3000, draws=2000`，或根据领域知识使用更强先验。
20. 处理拟合时间长：用 `mmm.fit(X, y, nuts_sampler='numpyro')` 加速；测试时减少为 `chains=2, draws=1000, tune=1000`；先用 `mmm.sample_prior_predictive(samples=500)` 做先验预测检查。
21. 处理内存问题：拟合时用 `draws=2000, tune=1000`，之后用 `thinned_idata = mmm.idata.sel(draw=slice(None, None, 2))` 对后验样本抽稀。
22. 处理数据缩放问题：用 `StandardScaler` 对 `X[['tv','digital','radio']]` 做归一化；预算优化时记得 inverse transform 回原始尺度。
23. 执行端到端 MMM 分析：1) 读取 `marketing_data.csv` 并拆分 X/y；2) 用 `GeometricAdstock(l_max=8)`、`LogisticSaturation()` 等初始化 MMM；3) `mmm.fit(X, y, chains=4, draws=2000, tune=2000)`；4) 运行 `plot_trace()` 和 `plot_posterior_predictive(original_scale=True)`；5) 运行 `plot_components_contributions()` 并打印 `compute_mean_roas()`；6) 用 `allocate_budget(...)` 做预算优化并打印 `allocate()`。
24. 执行 CLV 预测管道：1) 从交易数据按 `customer_id` 聚合出 recency、frequency（订单数减 1）、monetary（平均收入）和 T；2) 用 `BetaGeoModel` 拟合 `frequency/recency/T`；3) 仅对复购客户用 `GammaGammaModel` 拟合 `frequency/revenue`；4) 用 `expected_num_purchases(t=365, ...)` 乘 `expected_customer_spend(...)` 得到 12 个月 CLV。
25. 配置环境变量：按需设置 `os.environ['AWS_ACCESS_KEY_ID']`、`os.environ['AWS_SECRET_ACCESS_KEY']`、`os.environ['MLFLOW_TRACKING_URI']`，并把 `os.environ['PYMC_BACKEND']` 设为 `'jax'` 或 `'numpy'`。
26. 使用 Customer Choice Analysis (CSA) 做离散选择建模以理解客户偏好（原文仅列出该能力，未给出具体 API 调用）。

适用边界 · 注意事项

• 没有按时间的渠道投入与业务结果数据，或没有客户交易 RFM 数据时，不适合使用。
• 无法接受贝叶斯 MCMC 拟合的计算成本，或需要毫秒级在线预测时，不适用。
• 未安装 pymc-marketing/PyMC 生态或无法引入该依赖的环境，不适用。