如何運用 AI 擬定行銷預算分配？【遞延效應篇】
在系列五（連結請點此）介紹了市場飽和度，而本系列筆者將帶領讀者與Jasper解決下個難題－「發佈每一則廣告後，在各通路可以維持多久的成效呢？」。
發佈每一則廣告後，在各通路可以維持多久的成效呢？
Köhler等學者在2017年於《Journal of Marketing Research》上有發表了一篇<A Meta-Analysis of Marketing Communication Carryover Effects> (Köhler et al., 2017)，內容說明在個人化精準廣告（targeted advertising）、人員推銷（personal selling）與大眾媒體廣告（mass media adverting）之行銷方法均有2至12月不等的影響期間，而行銷活動影響消費者的期間稱之為「遞延效應（Carryover Effects）」，而這也是Jasper為什麼無法很清楚判別什麼時候停止打廣告的困擾點。
同樣的，Jasper一樣可以做兩件事情，其一為B商品「精準行銷」的建構，Köhler等學者建議廣告可以走向「個人化精準廣告」或「人員推銷」來執行，研究表明其行銷遞延效應的時間通常較大眾媒體來得更長，所以這也意味著Jasper團隊在B商品的行銷上，除了一般的數位與實體廣告投放外，更應該還要注重在如主題一的CRM資料蒐集與精準行銷，還有請實體通路高業績人員的向其他業務人員做好銷售培訓。 其二為善用數據分析方法找出三組行銷通路的遞延效應，以利多元迴歸模型判別最適預算。
首先，筆者一樣循序漸進，先引導讀者理解何為遞延效應。從最基礎的來說，遞延效應代表「我們在廣告上花錢，用戶往往不會立即購買我們的產品，而是在幾週之後才有可能購買。因為用戶要仔細考慮它或將它與其他公司的同類產品進行比較，這就稱為遞延效應。」
Jasper詢問：「但數據分析方面，需要用什麼統計方法來估計呢？」
筆者使用的是卷積法（convolution method）來量化評估遞延效應，在圖1中，可了解具體做法為決定移動框格（Sliding window）的數量以及決定框格裡面的權重（weights），在本案則分別代表「行銷影響用戶的週數」及「行銷效果影響用戶的比例」。
接著，每移動一次框格，就將原始Data中的預算與框格權重相乘，就可以得到遞延效應的確切量化結果，舉圖X釋例而言，目前Data第一週的預算分佈費用為16，那遞延效應即為16（Result）。
接續上例至圖2，當Data第二週的預算分佈費用為0，但是因遞延效應之影響，則16*0.5的框格權重，則第二週的遞延效應即為8。這即模擬第一週投入16的預算費用還有一半的行銷效果存在顧客的心中，而隨著時間流淌，對消費者的行銷效果則會越弱。
接續上例至圖3，當Data第三週的預算分佈費用為0，但是因遞延效應之影響，則16*0.25的框格權重，則第三週的遞延效應即為4。這即模擬第一週投入16的預算費用到了第三週後，還有1/4的行銷效果存在顧客的心中，而隨著時間流淌，到了第四週就不再有效用，如圖4所示。
按照這種方式，以此類推，最終可獲得圖5的遞延效應量化結果。所以從此簡例便知其遞延效應為3週。同樣的，遞延效應可結合迴歸模型並對其「移動框格」與「框格權重」進行調整。
Jasper心滿意足的回饋：「原來如此~！ 這樣就好辦了！多年疑惑原來皆可用數據分析量化出來！ 真是太厲害了！」
但接著Jasper又持續提問：「既然我們現在有了遞延效應與市場飽和效應可以結合您所說的多元迴歸模型，那實際上該如何做呢？」
筆者在系列五、六分別介紹了遞延效應與市場飽和效應，接下來的系列，將進入到程式碼，除了加上上述兩效應外，也會解決最後一個難題「是否能自動化分配不同廣告預算到不同通路？自動化的預算策略是否能夠超越人工預算分配策略？」，敬請期待！
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
References
Köhler, C., Mantrala, M. K., Albers, S., & Kanuri, V. K. (2017). A Meta-Analysis of Marketing Communication Carryover Effects. Journal of Marketing Research, 54(6), 990–1008. https://doi.org/10.1509/jmr.13.0580
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）
更多實戰案例及情境好文推薦
透過機器學習預測股市漲跌 — 進階資料處理 （附Python程式碼）
透過機器學習預測股市漲跌 - 進階資料處理 （附Python程式碼） 程式碼來源：臺灣行銷研究Github 前情提要 消息面對投資者來說可謂
行銷活動利潤模型與最佳決策點分析【資料分析篇】（附 Python 程式）
行銷活動利潤模型與最佳決策點分析【資料分析篇】（附 Python 程式） 在系列三（連結請點此），筆者帶領讀者解決了第二個問題－「如何用高層
購物籃分析 - Python實戰：商務資料結構整理(附Python程式碼)
購物籃分析 - Python實戰：商務資料結構整理(附Python程式碼) 在不久之前我們曾撰寫過關於購物籃分析的文章，透過分析消費者常
偶爾聽到有人說，在大數據時代下，母體幾乎等於樣本，因此傳統統計學不再具有優勢。事實上，大數據分析與抽樣，就好比「普查」和「小量樣本的抽取和檢視」。其中，因為「普查」是取得母體的實際分配，所以不需要用統計學的方法進行推斷估計；而「抽樣調查」則是利用抽樣理論獲取樣本，進而推論母體分配與特徵。所以，言下之意，似乎可以跳過統計學習，直接學習大數據比較快，但這樣真的對嗎？
面對這樣的質疑，我們提供一些想法供大家參考，如圖1所示：
1.統計學的範疇不僅僅只是抽樣：
統計學與大數據分析都會用到資料蒐集、分析建模（例如迴歸分析）、資料呈現……等。而且，統計學裡的許多理論，是大數據分析的基礎。
另一方面，統計還有很重要的真偽辨別方式，學會型一和型二錯誤，它不但會告訴您錯誤發生在哪裡，而且還可以告訴您，犯錯的機率有多少？這對於企業管理者非常重要，因為可以讓企業在做決策時，有個比較好的進退依據。
2.大數據的資料與母體還是有些差距
就母體與樣本來說，大數據的全部資料未必代表所有的母體。舉例來說，在對選舉結果進行預測時，會在網路上進行表態的選民，並不能代表所有的選民，因為這些會主動表態的民眾，都是具有資訊能力的，而年長者、網路基礎建設不佳的，可能都受到忽略。此時，如果只利用大數據分析來蒐集網路輿情，進而進行預測，預測結果未必準確。
3.消費者的內心資料，透過大數據分析不易獲得
以網路輿情為例，消費者會在網路上呈現出自己的想法，但內心世界未必全部會被揭露。尤其當我們想深入了解一個人心中的想法時，如果沒有進一步深談，很難取得這類資料。
4.所欲進行的研究母體很小
有時候，企業所要進行的研究母體很小，或樣本數很少，沒有辦法或者沒有必要用到抽樣與大數據。
其實，大數據分析、抽樣、或是頻率推論、貝葉斯推論……等，都是不同的工具，也有其不同的適用情境。重點是我們會多少工具（技多不壓身），以及能否活用這些工具，來解決問題。
其實，我們可以將統計抽樣與大數據分析進行整合、對照、或驗證。例如，在進行預測分析時，一方面進行網路輿情大數據分析，二方面結合抽樣調查來進行預測上的輔助。亦或是在整合行銷研究與行銷資料科學時，將抽樣調查當作探索性研究的工具，並根據初步的發現，再進行大數據分析。
最後，大數據分析背後的理論基礎，與統計學息息相關，這也是為何許多在做大數據分析的人，都是統計背景。同時，許多非統計背景而想學大數據分析的人，最終也都要回來學習統計學的原因。
作者：羅凱揚（台科大企管系博士）、蘇宇暉（台科大管研所博士候選人）
繪圖者：謝瑜倩
