如何運用 AI 分配有限預算達到效益最大化？
【預測營收篇】（附 Python 程式）

系列三（連結請點此）我們利用視覺化的方式呈現廣告有效性的結果，而本系列筆者將帶領讀者與Jasper解決下個難題－「我們可以能夠透過現有的通路花費資料來預測未來商品收益嗎？」。

讀者可從下述QR code或從下述GitHub repository鏈接中找到topic02_forecast-marketing-roas-and-budget-optimization資料夾，將其複製（clone）下來，一起隨筆者實作程式碼。

https://github.com/HowardNTUST/Marketing-Data-Science-Application/tree/master/ai-marketing-book/topic02_forecast-marketing-roas-and-budget-optimization

既然已經建立了多元迴歸模型，即可透過程式碼6建立預測模式。讀者可在程式碼6的產出成果中見到預測週營收（綠色線）與實際週營收（黑色線）之視覺化動態比較圖，同時也附上預測區間的上界（黃色線）與下界（藍色線）。光從肉眼判讀，即可知曉預測營收與實際營收之擬合程度甚高，意味所建立之模型效果甚佳。

Jasper反饋：「看起來甚是不錯！不過有無一些指標知道具體的預測情況呢？」

程式碼 6

# %%
# SECTION - 程式碼6
# 訓練迴歸模型
reg_model = LinearRegression()
reg_model.fit(X, y)
# 建立預測模型
results_all, fig_all = prediction_interval(data=data,
X=X, y=y,
X_new=X,
tuned_model=reg_model,
weeks=None,
output_name = '04_1_真實的週營收 vs 預測的週營收'
)
# !SECTION - 程式碼6

產出成果

透過程式碼7，即可知道不同的模型評估表現，其中最有用的莫過於「平均絕對百分比誤差（MAPE）」，其代表本多元迴歸模型的誤差率；還有「調整後R平方(Adjusted R squared；Adj_R)」，其表示模型的解釋力或稱可解釋變異量。舉例而言，我們從程式碼7的產出成果可得知其誤差率為11%，即有89%的準確率，本資料包含的通路能解釋78%的營收來源，意味尚有12%的營收尚不知道是因何而來，所以這也建議Jasper心有餘力的狀況下，可以透過更多元的方式來蒐集對B商品影響的管道或者後續透過其他模型調整方法來增強模型的解釋力。

程式碼 7

# %%
# SECTION - 程式碼7
# 模型表現評估
perf_table = performance_metrics(X, y, results_all)
# !SECTION - 程式碼7

產出成果

Jasper回饋：「太好了！現在我們知道ROAS的評測，也知道了模型預測效果，但是就我行銷的經驗來說，不管是投遞什麼廣告，就是我花費到一定水準的時候，成效就上不去了，不過我始終很難知道那個飽和點究竟在哪裡，也不能亂花公司的錢來測到飽和點。所以數據分析也可以解決這個問題嗎？」

本系列透過建立多元迴歸模型來預測營收，也使用相關指標來評估模型表現，在下個系列文筆者將繼續解決下個難題－「可以知道花費到多少錢就不用再打廣告了嗎？」，就請各位讀者敬請期待吧！

以下筆者綜整了本主題各系列的連結以及其餘主題的連結，歡迎讀者取用！

系列一：AI 幫您擬定最適行銷預算分配戰略【個案資料與情境介紹篇】

系列二：AI 幫您擬定最適行銷預算分配戰略【廣告有效性篇 — Part 1】（附 Python 程式）

系列三：AI 幫您擬定最適行銷預算分配戰略【廣告有效性篇 — Part 2】（附 Python 程式）

系列五：AI 幫您擬定最適行銷預算分配戰略【市場飽和效應篇】

系列六：AI 幫您擬定最適行銷預算分配戰略【遞延效應篇】

系列七：AI 幫您擬定最適行銷預算分配戰略【自動預算分配篇 — Part 1】（附 Python 程式）

系列八：AI 幫您擬定最適行銷預算分配戰略【自動預算分配篇 — Part 2】（附 Python 程式）

系列九：AI 幫您擬定最適行銷預算分配戰略【自動預算分配篇 — Part 3】（附 Python 程式）

系列十：AI 幫您擬定最適行銷預算分配戰略【後記】

主題總頁：AI行銷學實作篇故事情境介紹 & AI行銷學分析工具應用實戰

作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）、蔡尚宏（臺灣行銷研究 資料科學家）