MSIN0094 Coursework (3 assessments) 营销分析

🧋 CAC 的分母跟着计费走

本期三份 coursework 的题目还没发布，下面按上一期的三个案例讲。奶茶店那份要比传单、名单邮寄和搜索广告三种获客渠道。顺手的做法是总花费除以看到广告的人数，这样三个数放在一起没法比：搜索广告按点击收费，钱对应点击的人；传单按触达收费，钱对应拿到传单的人。我的做法是先给每个渠道写一句「钱花在哪一步」，再用这一步的人到买家的比例去除。名单如果要另外花钱买，没转化的名字也照样收钱，这笔也要算进去。

📺 高价周卖得多，先查价格怎么来的

电视那份给的是产品周数据，有售价和销量。画出散点图，价格高的点销量也不低，顺手就会写成涨价能多卖。可这两行差的不止价格：贵的那台规格更高，那一周也许正好是旺季。定价系统如果按预期需求调折扣，需求就同时进了价格和销量，这就是内生性。回归系数显著只说明估计的不确定性，证明不了混杂已经排除。写结论前，先列产品、时间、调价机制三类差异，再说哪些控制住了，哪些还没观察到。要谈因果，就把 A/B/N、自然实验或工具变量的条件逐条对上；工具变量的 first stage 显著只满足相关性，外生性和排除限制还要另外拿出理由。

🌳 两棵树比高低，看测试集

Amazon Prime 那份从 RFM 和 K-means 分群做起，接着用决策树和随机森林做预测，再落到 ROI。树模型这段的数据已经分好训练和测试。如果你先在全部数据上把树调得很深，训练集准确率会很好看，到比较两个模型时，手里就没有一份没碰过的数据来说明哪个对新客户更准。我的做法：调参只在训练集里做，比如交叉验证；测试集留到比较时用一次，报告里两个模型都写测试集结果。随机森林在训练集上接近全对很常见，它说明模型记住了这批数据。

📋 三个渠道的 CAC 对照表

演示数字：搜索广告每次点击 £0.80，点击的人有 20% 买了，每个新客 £4；传单每份 £0.30，拿到的人有 3% 买了，每个新客 £10。

交之前对一遍：

• 每个渠道的分子和分母从同一步算起
• 名单按买下的全部名字计费，没转化的也算
• 曝光人数只用来估投放规模
• 比完 CAC 再看留存、净贡献和折现，便宜渠道来的客户不一定更赚钱