MSIN0094 Marketing Analytics

🔍 Week 6 起问题换了

前五周练的是算账和预测：一场推广要多卖多少台才回本，一个客户值多少钱，哪些客户会回应 offer。Week 6 开始，问题换成「这个差是不是营销带来的」。

课上的例子：Tom 把 Instagram 广告投给模型挑出来的奶茶爱好者，投放组购买率 0.6，没投的 0.4。这 20 个点不能全算给广告，因为被挑中的人不看广告也更爱买。后面几周都在处理这件事：随机分组做 A/B test，做不了实验就找工具变量，或者借一道门槛做断点回归。Week 9 的例子拿毕业时过线和没过线的人比工资：全样本回归算出差 5534，只比较 68 到 72 之间的人，断点回归只剩 1777。

🎯 发券门槛算出来 35.6%

Week 5 的 M&S 案例：每寄一份 offer 成本 4 镑（传单 1.5、邮寄 0.5、小样 2），客户回应一次贡献 11.25 镑。回本的回应概率就是 4 ÷ 11.25，约 35.6%。回应概率 0.40 的客户，寄一份平均净赚 0.5 镑；0.30 的客户，平均亏 0.625 镑。

随机森林跑完，你大概会直接拿 predict 出来的类别，相当于按 0.5 切。这样回应概率在 36% 到 50% 之间的客户全被划掉，他们每人平均还能多赚一点。我的做法：让模型输出概率，拿 35.6% 当门槛 筛人。决策树和随机森林放在一起比，看的是 ROI，准确率高也不等于赚得多。

比较几种方法的 ROI 时，成本和回应都在同一批测试客户上算。测试集 400 人，成本就是 1600 镑，拿 2000 人的 8000 镑去除，ROI 就算错了。

🧱 Week 3 的 R 代码是地基

学校写明这门课 100% coursework，一共 3 份，没有 exam；每份占多少、什么时候交，目录上还写着 TBC，开课后按 Moodle 公布的为准。整门课用 R 和真实数据练，从 Week 3 开始几乎每周都要写代码。

M&S 这批客户数据从 Week 3 一直用到 Week 8：Week 3 用 dplyr 筛选、分组、处理缺失值，Week 4 拿它做 k-means 分群，Week 5 做决策树和随机森林，Week 7、8 跑回归。

如果你 Week 3 只看懂了 PPT，到 Week 4 就会卡住：缺失值要先处理才能标准化和聚类，set.seed 管复现，nstart 管多试几组起点，两个参数各管一件事。我的做法是把 Week 3 的清洗代码 存成一个脚本，后面每周接着往下写。分完群记得把标签拼回原数据，才看得出每一群各花多少钱。Week 7 起回归改用 fixest 的 feols，也接在这份脚本后面写。