如何運用 AI 分配有限預算達到效益最大化？
【自動預算分配篇 - Part 3】（附 Python 程式）

在系列八（連結請點此）視覺化了三組行銷通路，而本系列則會更深入地來解釋相關的管理意涵。

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。

在動態視覺化的遞延效應與市場飽和效應之管理意涵層面。首先來看到代表Facebook行銷通路管理意涵的圖1，從右圖中，Jasper可以為 YouTube 分配 $16,582 元的建議預算，在左圖中，這行銷效用至少會影響 8 週並達到83%。此外，它每週可能會產出ROAS 9.26倍的效果及 153,588 元的毛利。最後，建議分配超過過往所用過的 13,901 元的預算 ，因為其毛利還沒有到最大化。

再來看到代表YouTube行銷通路管理意涵的圖2，從右圖可知Jasper可以為 YouTube 分配 2,344 元的建議預算，在左圖中，其行銷效用至少會影響 2 週。此外，每週可能還會產出ROAS 44.42倍的效果及 101,797 元的毛利。最後，建議不要分配過往超過 7,696 元的預算，因為其毛利正在逐步遞減且也已經達到100%的飽和度。

最後看到代表Magazine行銷通路管理意涵的圖3，從右圖可知Jasper可以為 Magazine 分配 197,529 元的建議預算，在左圖中，這行銷效用至少會影響 1 週，並達到93.75%的飽和度。它每週可能會產出ROAS 5.76倍的效果，雖然ROAS不盡之前理想，但若依毛利來看，則建議加高投入金額，則有機會獲得 940,539元之毛利。建議不要僅分配過往少於 2,518 元的預算 ，雖然其ROAS達到43，但因毛利尚未最大化，且僅達到3.47%的飽和度，所以建議要提高金額，加大力度。

Jasper回饋：「關於Magazine行銷建議這點很重要，一直以來這種實體廣告時常被行銷部拿來檢討，一直說現在是自媒體的時代，還在C、D、E等通路打什麼Magazine廣告（因通路敏感之故，在此C、D、E代表雜誌所打的通路），不僅很難追蹤成效，效果通常也僅有短期的記憶效果。不過透過本次的分析，消費者的記憶點雖然只有1週左右，但確實可見Magazine對我們B商品的多數受眾是有極大的效果的。尤其我們B商品比較偏向使用期較長且價格高的狀況，數位行銷讓消費者來持續的效益確實有限。」

Jasper持續滔滔不絕的回饋：「所以綜整前述分析，行銷部如何將Magazine的廣告能做得更加具衝動性消費，且有機會配合期刊建議能達到一對一人員銷售的聯絡方式，最後能優先導引消費者到我們的Facebook，再來是YouTube，然後可以透過個人化精準廣告來推播相關訊息給他們，予以誘因，再請他們推薦給親朋好友，以增益銷售的可能性！」

Jasper最後問：「向您學了這麼多，先多問這個改良過的行銷迴歸模型預測表現為何呢？」

融合遞延效應與市場飽和效應的行銷迴歸模型預測效果如何？

到底融合了遞延效應與市場飽和效應的行銷迴歸模型表現有比之前的迴歸模型好嗎？透過程式碼13我們一樣同程式碼6的產出成果，得到了預測的週營收與實際狀況以及行銷迴歸模型預測效果與真實狀況表現評估表。

程式碼 13

# %%
# SECTION - 程式碼13
# 新行銷模型的預測表現
results_all, fig_all = prediction_interval(data=data,
X=X, y=y,
X_new=X,
tuned_model=tuned_model,
weeks=None,
output_name = '05_1_營收分析_行銷迴歸模型預測效果與真實狀況',
)
# performance_metrics in practice
perf_table = performance_metrics(X, y, results_all,
output_name = '05_2_營收分析_行銷迴歸模型預測效果與真實狀況表現評估表')
# !SECTION - 程式碼13

產出成果

讀者可以先用肉眼細細比較圖4，哪一個是之前建構的「多元迴歸模型」？哪一個是現在最新的「行銷迴歸模型」？

想必讀者透過與預測營收線（綠色線）與實際營收線（黑色線），還有預測區間的上、下界的寬窄，馬上就可以知道圖146的上圖為之前的迴歸模型；下圖為新創的行銷迴歸模型。

Jasper回問：「看起來好像是，有跟之前一樣的模型比較表可以對照嗎？」

在圖5中，可見左圖，原先的多元迴歸模型誤差率為11%，即有89%的準確率，同時本資料包含的通路能解釋78%的營收來源；反觀右圖，新創的行銷迴歸模型誤差率為5%，即有95%的準確率，同時本資料包含的通路加上「遞延效應與市場飽和效應」能解釋94%的營收來源，這代表新模型不但誤差率低，且有容納「遞延效應與市場飽和效應」兩大效應是更加解釋且模擬了消費者在行銷廣告思維模式。

Jasper回饋：「感謝您！這樣我實務與統計上的問題都解決了！ 開始行動去！」

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）

系列四：AI 幫您擬定最適行銷預算分配戰略【預測營收篇】（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