用途：把原始周度营销花费转化为渠道级收入贡献，并给出预算再分配建议，属于隐私安全的聚合数据分析流程。
主要能力：几何 adstock 建模广告延续效应（X_t = x_t + θ×X_{t-1}，θ∈[0,1]）；Hill 饱和建模边际递减（y = α×x^s/(K^s+x^s)）；statsmodels OLS 将收入分解为渠道贡献与基线；scipy SLSQP 在总预算约束下最大化预测收入；输出渠道贡献、代理 ROI 与优化预算表。
使用方式：克隆仓库后建虚拟环境并安装依赖（pandas、numpy、statsmodels、scipy、jupyter、matplotlib、seaborn）。流程为：读取 dt_simulated_weekly.csv，按渠道分别做 adstock 再饱和（顺序必须先 adstock 后饱和），拼入控制变量后拟合 OLS，计算贡献与 ROI，最后调用 optimize_budget 求最优分配。项目含 notebooks 与 src 模块（adstock.py、saturation.py、model.py、optimizer.py）。
适用场景：渠道预算分配、渠道贡献与 ROI 评估、向 Power BI 等导出汇总指标。
限制：需自行校准 θ、K、s 等参数；低 R²、负系数或优化结果均分时需检查共线性与饱和曲线；优化器为单期简化处理；资料未提供收费、平台支持与效果保证等信息。