用途：本技能把历史销售/收入拆解为各营销渠道（TV、搜索、社交、平面、户外等）的贡献与基线自然需求，用于分析渠道效果、计算 ROI 并优化预算分配，面向营销分析中的 Python 实现。
主要能力：对渠道数据先应用几何 adstock 变换刻画广告延续效应，再应用 Hill 饱和曲线刻画边际递减，随后用 statsmodels 的 OLS 回归估计渠道贡献，并用 scipy 在各渠道上优化固定总预算下的分配，最后导出结果供 Power BI 看板可视化。关键点：必须先做 adstock 再做饱和，因为饱和与量级相关，直接对原始花费做饱和会低估延续效应。
使用方式：克隆仓库并进入目录，创建虚拟环境后安装依赖：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（Windows：venv\Scripts\activate）；pip install -r requirements.txt。核心依赖为 pandas、numpy、statsmodels、scipy、jupyter。流程为四步：加载并清洗数据，应用 adstock 与饱和变换，拟合 OLS 模型，优化预算。
适用场景：每周粒度营销花费与收入数据的渠道归因、贡献拆解、ROI 代理指标计算、情景分析（如某渠道预算增减）以及 Power BI 报告导出。
限制：示例数据与参数（theta、alpha、gamma）为给定值，实际需按数据调整；低 R²、媒体系数为负或优化不收敛时需检查多重共线性、变换顺序与约束；optimizer 中的预测对 adstock 做了简化，实际需完整时间序列上下文；贝叶斯迁移仅为未来增强，当前仓库未提供。