Comment modéliser saturation et adstock ?
L’adstock représente la persistance temporelle ; la saturation représente la baisse du rendement marginal. Leurs paramètres peuvent être confondus avec tendance, saisonnalité et choix budgétaires.
Rédaction scientifique : Marketing Science Center
Réponse directe
Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée.
L’adstock représente la persistance temporelle ; la saturation représente la baisse du rendement marginal. Leurs paramètres peuvent être confondus avec tendance, saisonnalité et choix budgétaires.
01
Résumé opérationnel
Question scientifique et périmètre
Comment modéliser saturation et adstock ?
Recevable
Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée.
Interdit
Déduire une réallocation causale fiable d’un ajustement temporel non identifié.
02
Trois niveaux de lecture
- 01
Décideur — Relier le résultat à une décision, un seuil utile et un coût d’erreur déclarés.
- 02
Praticien — Fixer population, unité, horizon, variables disponibles et règle d’analyse avant le calcul.
- 03
Analyste — Reproduire le calcul, quantifier l’incertitude et documenter diagnostics, échecs et sensibilités.
03
Situation marketing concrète
L’adstock représente la persistance temporelle ; la saturation représente la baisse du rendement marginal. Leurs paramètres peuvent être confondus avec tendance, saisonnalité et choix budgétaires.
04
Question scientifique et périmètre
Comment modéliser saturation et adstock ?
Paramètres de persistance et de forme de la réponse
Données nécessaires
canal × période
La population, l’unité d’analyse, la date d’origine et l’horizon doivent être déclarés dans le livrable. Sans eux, l’estimand change silencieusement.
05
Pourquoi une analyse simple peut échouer
- Déduire une réallocation causale fiable d’un ajustement temporel non identifié.
- La période, l’initialisation de l’adstock et l’ordre des transformations sont-ils explicitement fixés ?
- Les paramètres de persistance et de saturation peuvent-ils être identifiés séparément de la tendance, de la saisonnalité et du choix budgétaire ?
- La courbe de réponse est-elle étalonnée sur des données de contrôle ou des preuves expérimentales dans le support observé ?
06
Intuition de la méthode
La méthode ne transforme pas automatiquement une association en preuve. Elle relie une question déclarée à un estimand, une spécification, des données compatibles et une règle d’interprétation limitée.
Paramètres de persistance et de forme de la réponse
07
Données nécessaires
Dictionnaire des symboles scientifiques
x_t- Entrée média de la période courante sur le canal et l’échelle déclarés. Unité:
entrée média· Type:nombre positif ou nul· Rôle:entrée A_t- Niveau courant d’adstock géométrique après combinaison de x_t avec l’adstock antérieur conservé. Unité:
identique à x_t· Type:nombre positif ou nul· Rôle:dérivé A_previous- État d’adstock hérité de la période immédiatement précédente selon l’initialisation déclarée. Unité:
identique à x_t· Type:nombre positif ou nul· Rôle:entrée lambda- Paramètre de persistance géométrique contraint à 0 ≤ lambda < 1. Unité:
proportion retenue par période· Type:nombre dans [0, 1[· Rôle:entrée half_life- Nombre de périodes nécessaires pour qu’une impulsion à persistance géométrique diminue de moitié. Unité:
période· Type:nombre positif ou nul· Rôle:sortie alpha- Échelle asymptotique positive de la réponse dans la fonction de Hill. Unité:
résultat· Type:nombre strictement positif· Rôle:entrée beta- Paramètre de forme positif de Hill qui contrôle la courbure. Unité:
sans dimension· Type:nombre strictement positif· Rôle:entrée gamma- Niveau positif d’adstock au point de demi-saturation de Hill. Unité:
identique à A_t· Type:nombre strictement positif· Rôle:entrée R_t- Réponse saturée conditionnelle au niveau d’adstock calculé selon les paramètres fournis. Unité:
résultat· Type:nombre positif ou nul· Rôle:sortie
Entrées exactes et scellées du moteur
current_spend- Valeur:
40· Unité:dépense· Type:nombre· Statut des données:synthétique previous_adstock- Valeur:
100· Unité:dépense· Type:nombre· Statut des données:synthétique adstock_decay- Valeur:
0.60· Unité:sans dimension· Type:nombre· Statut des données:paramètre déclaré saturation_alpha- Valeur:
100· Unité:réponse· Type:nombre· Statut des données:paramètre déclaré saturation_beta- Valeur:
1.2· Unité:sans dimension· Type:nombre· Statut des données:paramètre déclaré saturation_gamma- Valeur:
30· Unité:dépense· Type:nombre· Statut des données:paramètre déclaré
08
Modèle formel
Modèle formel
adstock_level = current_spend + adstock_decay × previous_adstock; geometric_half_life_periods = 0 if adstock_decay = 0, and log(0.5)/log(adstock_decay) if 0 < adstock_decay < 1; saturated_response = saturation_alpha × adstock_level^saturation_beta / (saturation_gamma^saturation_beta + adstock_level^saturation_beta)Affirmations étayées: MSC-P035-C01 · MSC-P035-C02 · MSC-P035-C03 · MSC-P035-C04 · MSC-P035-C05 · MSC-P035-C06 · MSC-P035-C07
Question scientifique et périmètre
Paramètres de persistance et de forme de la réponse
09
Calcul déclaré
- 01
Figer l’échelle de temps, l’initialisation de l’adstock, l’ordre des transformations et les paramètres positifs de Hill avant d’évaluer la branche.
- 02
Appliquer la récurrence d’adstock géométrique, calculer sa demi-vie, puis évaluer la réponse de Hill à ce niveau d’adstock.
- 03
Qualifier la sortie d’illustration de forme à paramètres fournis ; l’identification et l’étalonnage causal restent des exigences distinctes.
10
Exemple numérique ou cas d’application
Exemple calculé — données synthétiques ou paramètres déclarés ; aucune observation réelle
Entrées scellées
current_spend=40 [dépense]previous_adstock=100 [dépense]adstock_decay=0.60 [sans dimension]saturation_alpha=100 [réponse]saturation_beta=1.2 [sans dimension]saturation_gamma=30 [dépense]
Résultats reproductibles
A_t=100half_life=1.356915 periodsHill_response=80.919182
Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.
11
Hypothèses de validité
- La période, l’initialisation de l’adstock et l’ordre des transformations sont-ils explicitement fixés ?
- Les paramètres de persistance et de saturation peuvent-ils être identifiés séparément de la tendance, de la saisonnalité et du choix budgétaire ?
- La courbe de réponse est-elle étalonnée sur des données de contrôle ou des preuves expérimentales dans le support observé ?
12
Diagnostics et incertitude
Diagnostics et incertitude
La période, l’initialisation de l’adstock et l’ordre des transformations sont-ils explicitement fixés ? · Les paramètres de persistance et de saturation peuvent-ils être identifiés séparément de la tendance, de la saisonnalité et du choix budgétaire ? · La courbe de réponse est-elle étalonnée sur des données de contrôle ou des preuves expérimentales dans le support observé ?
Diagnostic borné
Illustration d’une seule récurrence et d’une seule forme ; l’ordre des transformations, l’initialisation et l’identification restent des contrôles explicites.
Contrat explicite d’incertitude · not_estimable_from_sealed_inputs
Méthode : Évaluation explicite de la non-estimabilité au regard du schéma d’entrées scellé.
Cible : Incertitude des paramètres de décroissance de l’adstock et de réponse à saturation.
Preuve du moteur : diagnostic=single_recurrence_and_shape_illustration_transform_order_initialization_and_identification_required
Interprétation : Une seule récurrence scellée et un seul jeu de paramètres ne contiennent aucune distribution d’estimation ; l’incertitude des paramètres et de la réponse n’est donc pas estimable.
Arrêter si
Déduire une réallocation causale fiable d’un ajustement temporel non identifié.
13
Interprétation du résultat
- Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée.
- Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.
14
Conclusion recevable et conclusion interdite
Recevable
Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée.
Interdit
Déduire une réallocation causale fiable d’un ajustement temporel non identifié.
15
Décision marketing possible
- 01
Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée.
- 02
Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.
16
Quand utiliser — quand s’arrêter
Utiliser si
Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée.
canal × période
Arrêter si
Déduire une réallocation causale fiable d’un ajustement temporel non identifié.
Alternatives méthodologiques
- Employer des modèles à retards distribués ou des splines de réponse lorsque les formes géométrique et de Hill sont trop contraignantes.
- Étalonner la réponse avec des preuves d’effet incrémental randomisé lorsqu’elles sont disponibles.
- Comparer les ordres de transformation et les règles d’initialisation dans une analyse de sensibilité sur échantillon de contrôle.
17
Contrat de reproductibilité
Python et R servent de références exécutables. SPSS et SAS restent des syntaxes secondaires jusqu’à vérification sur les mêmes données, la même spécification et les mêmes contrôles.
Le moteur sélectionne uniquement le slice et la branche explicite de cette page. Son hash, ses sorties et ses diagnostics restent scellés dans le dossier atomique ; aucune branche générique de repli n’est autorisée.
Empreinte du slice: d86a7b1452adb9e7ddf5340696e919971c14ad0afbc1a0cf2af67cfe58fb8cc5
Actif disponible · MSC-006
Série média non identifiée
CSV · CC0
msc-validation-inputs-v1.csv ↓Python · MIT
msc-validation-reference-v1.py ↓R · MIT
msc-validation-reference-v1.R ↓SPSS / SAS · MIT · inspection uniquement
SPSS ↓SAS ↓Modèle formel
adstock_level = current_spend + adstock_decay × previous_adstock; geometric_half_life_periods = 0 if adstock_decay = 0, and log(0.5)/log(adstock_decay) if 0 < adstock_decay < 1; saturated_response = saturation_alpha × adstock_level^saturation_beta / (saturation_gamma^saturation_beta + adstock_level^saturation_beta)Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.
18
Livrable final attendu
- 01
Comment modéliser saturation et adstock ? —
canal × période - 02
x_t · A_t · A_previous · lambda · half_life · alpha · beta · gamma · R_t
- 03
adstock_level = current_spend + adstock_decay × previous_adstock; geometric_half_life_periods = 0 if adstock_decay = 0, and log(0.5)/log(adstock_decay) if 0 < adstock_decay < 1; saturated_response = saturation_alpha × adstock_level^saturation_beta / (saturation_gamma^saturation_beta + adstock_level^saturation_beta) - 04
La période, l’initialisation de l’adstock et l’ordre des transformations sont-ils explicitement fixés ? · Les paramètres de persistance et de saturation peuvent-ils être identifiés séparément de la tendance, de la saisonnalité et du choix budgétaire ? · La courbe de réponse est-elle étalonnée sur des données de contrôle ou des preuves expérimentales dans le support observé ?
- 05
Comparer des formes de réponse et produire des courbes conditionnelles dans la plage observée. / Déduire une réallocation causale fiable d’un ajustement temporel non identifié.
19
Sources scientifiques et statut de preuve
Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.
MSC-P035-C01— Une relation prédictive ne possède pas nécessairement une interprétation causale.MSC-P035-C02— La précision prédictive doit être évaluée sur des observations exclues de l’ajustement du modèle.MSC-P035-C03— L’ajustement d’une régression n’établit pas à lui seul un plan causal.MSC-P035-C04— La modélisation du mix marketing doit représenter la persistance et la réponse non linéaire.MSC-P035-C05— La fonction de Hill est une spécification candidate de la forme de réponse.MSC-P035-C06— La pente de Hill contrôle la courbure de la réponse.MSC-P035-C07— Le point médian de Hill est un paramètre du modèle qui exige un support dans les données.
Dataset · Outil
Connexions méthodologiques