用途：该项目提供完整的营销组合建模（MMM）Python 流水线，把原始营销花费数据转化为可执行的渠道洞察与优化预算分配。
主要能力：几何 adstock 变换（建模广告延续效应）、Hill 饱和曲线（建模边际收益递减）、基于 statsmodels 的 OLS 回归建模、基于 scipy 的带约束预算优化，以及 matplotlib/seaborn 可视化。项目结构含 data、src（adstock.py、saturation.py、model.py、optimizer.py）与 notebooks 目录。
使用方式：先克隆仓库并创建虚拟环境，再安装依赖。
git clone https://github.com/francescaetnom-wq/Marketing-Mix-Modeling-End-to-End-Pipeline.git cd Marketing-Mix-Modeling-End-to-End-Pipeline python3 -m venv venv source venv/bin/activate pip install -r requirements.txt
核心依赖：pandas、numpy、statsmodels、scipy、matplotlib/seaborn。典型流程为：加载 dt_simulated_weekly.csv，按渠道设置 adstock 与饱和参数，先做 adstock 再做饱和变换，拟合 OLS 模型（含 competitor_sales_B、events 等控制变量），提取系数与代理 ROI，最后在总预算约束下用 SLSQP 优化各渠道分配并计算提升幅度。
适用场景：营销预算分配、渠道贡献分解、参数敏感性分析、按时间切分的模型验证（如 MAPE）。
限制：资料未提供收费、价格、平台支持或效果保证等信息；示例参数与数据为模拟数据，实际使用需替换为自有数据并自行调参。