企业每年花费数十亿美元用于广告，以增加产品在消费者中的知名度和兴趣，从而促使更多购买行为。为了获得新的产品用户，企业会推出定向广告或者宣传活动，以覆盖更广泛的受众。广告可以通过多种媒体进行传播，比如电视、广播、杂志、在线媒体、社交媒体，甚至是商店内部，以便覆盖更多观众。鉴于选择众多且必须最大程度地提高投资回报率（ROI），有效分配广告资源是一个重大挑战。这就是媒介混合模型对于企业来优化广告支出和最大化投资回报率至关重要的原因。通过估计在特定媒体渠道上应该花费多少资金来实现特定目标（例如增加销售额或品牌知名度），媒介混合模型对于企业来说是一个有用的工具。这使得企业可以比较不同渠道的表现，并确定有改进机会的地方，并合理使用资源。基于数据的洞察力使得企业可以微调其营销策略，提高支出价值，并加快实现业务目标的过程。媒介混合模型是一种统计分析技术，通过分析历史广告数据，包括支出、广告展示或点击量、产品销售额、获取的新客户等，来了解不同媒体渠道对业务结果的影响。这使得企业可以执行其广告预算投资组合优化，并提高投资回报率。
除了媒体渠道的影响外，媒介混合模型还考虑了外部因素，如企业是否运行任何促销活动、节假日或任何可能影响销售的特殊事件。这样做是为了避免对媒体渠道表现的影响进行过高估计。
但是，企业需要解决并纳入媒介混合模型的最关键因素之一是季节性。
什么是季节性，为什么它对媒体广告很重要
简单来说，我们可以将季节性定义为时间序列数据的一个特征，即我们可以观察到可预测和规律性的行为，这种行为每年都会重复发生。因此，我们可以说，任何可预测且每年都会重复发生的行为波动都是季节性行为。
但是，季节性与周期性效应有何不同呢？周期性效应可以跨越不同的时间段。它们可能持续时间长于或短于一年，比如某个地区由于水管故障而水过滤设备销售量增加。这种效应不是规律或可预测的，可能不会每年重复发生。而由于流感季节导致流感药物销售量增加可以被视为季节性，因为它每年从12月到2月都会重复发生，并且可以预测。
那么为什么季节性对媒体广告很重要呢？季节性主要以两种方式影响媒介混合模型。第一，媒体消费模式发生变化，广告效果发生转变。就像我们上面讨论的，媒介混合模型可以帮助营销人员了解各种媒体渠道对销售或其他关键绩效指标（如新客户获取）的影响。将季节性纳入这些模型可以更准确地反映整年广告表现的变化。例如，在节假日季节，各种媒体渠道可能会观察到增加的观众或更高的参与度，这使得它们在各自的目标受众中更加成功。当广告主意识到并考虑到季节性时，他们能够最大限度地发挥媒体分配计划的效果。他们可以根据季节性趋势和消费者需求调整他们的广告预算、活动和渠道选择，以确保营销工作集中在最可能产生最大影响的时间段，从而优化广告投资回报。
时间序列数据中的季节性是什么样的？
我们可以通过使用季节因子或虚拟变量来将季节性纳入媒介混合模型中，以表示特定的季节性事件，如节假日。这些因素捕捉到不同时间段对媒体反应的影响，并帮助调整模型的预测。这些变量捕捉到不同时间段对媒体反应的影响，并有助于模型的预测。
在Python中，我们有一个名为seasonal_decompose的Statsmodel库，可以帮助我们生成季节性变量。该库将时间序列分解为趋势、季节性和残差三个组成部分。季节性可以由两种模型表示，即加法模型或乘法模型。
为了简单起见，让我们假设我们处理的是一个加法模型。当时间序列的方差在不同时间序列的值上不变时，可以使用加法模型。数学上，我们可以将加法模型表示为下面的形式，其中趋势、季节性和残差的各个组成部分相加。
趋势因素
趋势分量描述了时间序列在较长时间内发生的变化，并且更加系统化。它反映了系列中的基本增长或减少，并提供了关于整体趋势以及在长时间段内收集的数据的大小的指示。它有助于确定数据的潜在模式以及数据的方向性。在图1中，我们有8个月的收入季节性分解，并且如果我们观察趋势，我们会观察到在一年的夏季月份中收入下降。这个洞察对广告商来说非常重要，因为他们可以制定策略或者改变他们的支出模式。
季节性因素
季节性因素指的是在较短的时间内，通常在一年内发生的反复出现的模式。它是由外部因素（如天气、假期或其他文化活动）引起的频繁振荡的表示。季节性的峰值和谷值是季节性的特征，反映了数据中可以预期的规律性。在上图1中，我们可以看到每隔一个月就有一个峰值，这可以帮助企业识别对收入产生影响的某些外部因素。
残差因素
残差分量表示不能归因于趋势或季节性的随机和无法解释的变化，也被称为误差或噪音分量。它考虑了在考虑趋势和季节性分量之后仍然存在的任何波动或异常情况。残差分量表示了数据中不可预测且缺乏系统模式的部分。
季节性分析面临的挑战
-
多个季节性：在某些时间序列数据中，可以观察到每天、每周甚至每月的多个季节性模式，这很难通过简单的季节性分解捕捉到，可能需要更复杂的过程。
-
数据稀疏性：如果我们在一段时间内没有均匀分布的数据，即如果我们有不经常采样的数据或者很少的数据点，那么这可能会影响季节性估计。因此，建议至少有2年的每日或每周级别的数据集，以获得更好的季节性估计质量。
-
非平稳性：如果时间序列数据具有变化的方差，则会影响季节性估计。
特定季节内数据点的有限或稀疏可能会妨碍对季节效应的准确估计，特别是在处理较短的时间序列或不经常采样的数据时。
-
不规则性：通常情况下，由于一些外部因素，我们的数据中会出现异常值，这可能会扭曲季节性分析。建议在进行季节性分析之前进行数据筛选，如异常值检测和去除。
最后，我们看到季节性如何影响媒体组合建模并推动战略性业务决策。通过包括季节性在媒体组合模型中，营销人员可以根据消费者行为和市场动态的变化在整年中优化他们的广告策略和预算分配。了解季节性模式使企业能够针对正确的人群进行定位，选择最佳的媒体渠道，并在最佳时机进行广告活动，以获得最大的影响力。通过利用季节性分析信息，公司可以提高广告活动的效率和效果，增加客户参与度，产生销售，并最终提高投资回报率。季节性使企业能够根据不断变化的消费者需求和偏好调整和定制其营销策略，在变化多端的环境中获得竞争优势。 Mayukh Maitra是沃尔玛的数据科学家，在媒体组合建模领域拥有5年以上的行业经验。从构建基于马尔可夫过程的医疗研究模型到执行基于遗传算法的媒体组合建模，我不仅在改变人们的生活方面产生影响，还通过有意义的洞察将企业推向更高水平。在加入沃尔玛之前，我曾在广告技术领域的GroupM担任数据科学经理，健康经济学和结果研究领域的Axtria担任高级决策科学副经理，以及ZS Associates的技术分析师。除了我的职业角色，我还曾担任多个同行评审会议的评委和技术委员会成员，并有机会评判多个技术奖项和黑客马拉松比赛。