用途：该技能面向使用 PyMC-Marketing 的 MMM 类构建贝叶斯媒体组合模型，覆盖从数据准备、模型设定、拟合诊断到媒体效果分析与预算优化的完整流程。
主要能力：支持 GeometricAdstock、LogisticSaturation 等变换；通过 pymc_extras.prior.Prior 自定义先验（如 saturation_beta 用 HalfNormal 并按渠道花费份额设定）；dims=("geo",) 可启用多维部分池化；支持 HSGP 时变截距与时变媒体；提供 TimeSliceCrossValidator 做稳定性评估；add_lift_test_measurements() 用于因果识别校准；BudgetOptimizerWrapper 将后验不确定性转化为最优分配。
使用方式：先读取含日期、渠道花费与目标列的数据，构建 MMM 对象并 build_model，随后在完整数据集上 fit（如 nuts_sampler="nutpie"、target_accept=0.9），再 sample_posterior_predictive。诊断需检查 diverging 为 0、R-hat < 1.01。分析可用 mmm.plot、mmm.incrementality、mmm.summary 等命名空间，模型可 save/load，也可用 build_mmm_from_yaml 从 YAML 构建。
适用场景：广告渠道贡献分解、ROAS/CAC 计算、饱和与 adstock 曲线、敏感性分析、预算分配及提升测试校准。
限制：需先熟悉 PyMC 核心建模 API；最终模型必须在全量数据上拟合，时间切片交叉验证仅用于稳定性评估；自定义模型会失去内置缩放、绘图、预算优化、提升测试集成与保存加载能力；时变 GP 主要用于样本内分解，样本外会回归先验均值。具体收费、平台与效果数据暂未提供。