用途
本技能提供对 Awesome Marketing Science 资源集合的指引。该集合是一个经过整理的资源中心，汇集了用于营销测量的开源库、论文与方法论，覆盖媒体组合模型（MMM）、地理增量测试、多触点归因（MTA）、因果推断与贝叶斯方法等方向。
主要能力与覆盖范围
资源集合按以下主题组织：
- 媒体组合模型（MMM）：衡量渠道级 ROI 并优化预算分配。
- 地理实验：通过匹配市场与地理提升（geo lift）测试增量性。
- 归因：多触点与算法归因模型。
- 因果推断：双重差分、合成控制、提升建模。
- A/B 测试与实验：在线对照实验与方差缩减。
- Ghost Ads 与平台增量性：衡量真实广告效果。
仓库结构分为：Start Here / Must Read（构建测量基础的核心论文与包）、Open Source Libraries（按学科组织的生产级代码）、Papers & Research（学术与行业研究）、Blogs & Tutorials（实践实现指南）。
各分类下的关键库
媒体组合模型（MMM）
- Robyn（Meta）：R 包，提供
robyn_run建模与robyn_allocator预算分配。 - LightweightMMM（Google）：Python 包，基于 JAX，提供数据缩放、模型拟合与渠道贡献后验指标。
- PyMC-Marketing：Python 包，提供 MMM 类，支持拟合、预算优化与渠道 ROI 曲线计算。
地理实验
- GeoLift（Meta）：R 包，提供市场选择、功效分析与实验结果分析。
- Matched Markets（Google）：Python 包，提供 trimmed match 方法进行测试设计与处理效应估计。
多触点归因
- PyChattr：Python 包，提供马尔可夫模型与启发式模型（末次触点、首次触点、线性）。
- ChannelAttribution（R）：提供马尔可夫模型归因、启发式模型与移除效应比较。
因果推断
- CausalPy：Python 包，提供合成控制等贝叶斯因果模型。
- DoWhy：Python 包，提供因果模型定义、效应识别、估计与反驳。
- EconML（Microsoft）：Python 包，提供 Double ML 等方法估计异质性处理效应。
A/B 测试与实验
- CUPED 实现：基于实验前数据实现方差缩减，包含 theta 计算、指标调整与 t 检验。
使用方式
资料中给出了各库的安装命令与示例代码，例如：
- Robyn：
install.packages("Robyn")或remotes::install_github("facebookexperimental/Robyn/R")。 - LightweightMMM：
pip install lightweight-mmm。 - PyMC-Marketing：
pip install pymc-marketing。 - GeoLift：
remotes::install_github("facebookincubator/GeoLift")。 - Matched Markets：
pip install matched-markets。 - PyChattr：
pip install pychattr。 - ChannelAttribution：
install.packages("ChannelAttribution")。 - CausalPy：
pip install CausalPy。 - DoWhy：
pip install dowhy。 - EconML：
pip install econml。
资料还提供了常见工作流示例，包括：构建统一测量栈（结合 MMM、归因与实验）、端到端运行地理实验（设计、功效分析、结果分析）、MMM 超参数调优（adstock 与饱和参数网格搜索）、贝叶斯 MMM 的先验 elicitation，以及 MMM 模型不收敛时的排查方法（检查 R-hat、数据缩放等）。
适用场景
适用于需要开展营销测量工作的场景，例如：评估渠道 ROI、优化预算分配、设计并分析地理增量实验、构建多触点归因模型、进行因果推断分析，以及实施 A/B 测试与方差缩减。
限制
资料未提供关于收费、价格、平台支持范围、具体效果保证或完整使用步骤的说明。部分代码示例在资料中未完整展示（如 LightweightMMM 的 check_data_scaling 函数体、CausalPy 的 data 变量定义等），实际使用时需参考对应库的官方文档。