没有 sellout 数据，能构建 MMM 吗？

大多数 MMM 依赖的一个前提

几乎所有 Marketing Mix Modeling 案例都建立在一个前提之上：企业能看到面向最终消费者的销售。零售商、电商、银行和 App 能看到。而经济中相当大的一部分企业看不到：B2B2C 制造企业生产产品后卖给经销商和零售连锁，之后产品才到达消费者或决定采购的专业人士手中。

想象一家生产管材管件、油漆、水泥或砂浆的企业。它投入数百万的媒体预算，在消费者和安装工人心中建立品牌，但 ERP 里出现的销售数据是 sell-in，也就是向渠道开票的收入。而 sellout，即门店卖给真正使用产品的人的那笔交易，发生在制造企业无法控制的领域，在大多数品类中，甚至花钱也买不到这类数据。

于是我们经常听到这些企业的营销负责人问：没有 sellout，能做 MMM 吗？**能。**不过在此之前，需要先理解为什么 sell-in 是一个容易骗人的数据，学术文献有哪些建议，以及模型设计如何弥补终端销售数据的缺失。

为什么不能简单地"买到 sellout"

在商超、药店和美妆渠道，存在一整个 sellout 面板行业：Scanntech、NIQ 等公司在收银台捕捉小票数据并出售市场序列。但这套基础设施并不覆盖所有品类。巴西建材零售约有 33 万个高度分散的销售网点，其中家居建材大卖场只占很小一部分，没有任何一家公司为这个品类建立过联合面板。Scanntech 覆盖超市、仓储式卖场、医药和美妆；建材则没有。GfK-NIQ 只在电动工具等细分领域服务"home improvement"。

市面上的付费服务，如 Mtrix（现属 NielsenIQ）和 Implanta IT，测量的是经销商到销售网点的 sellout 以及库存，但只覆盖签约企业自己的产品和已接入的渠道。对已经付费的企业来说这是有价值的数据，但它不是市场面板：缺少经过审计的市场份额，也无法现成购买。对许多制造企业而言，品类的月度 sellout 序列花多少钱都不存在。

关于用 sell-in 建模，学术文献怎么说

文献首先讲清楚的，是人们为何如此不信任 sell-in。Lee、Padmanabhan 和 Whang（1997）关于牛鞭效应（bullwhip）的开创性论文证明，下给制造商的订单的方差系统性地大于面向消费者销售的方差，而且越往供应链上游，失真越严重。原因众所周知：批量订货、短缺时期的配给、对需求信号的偏差解读，尤其是贸易促销让渠道在价格划算时进货，而不是在消费者购买时进货。

Hanssens（1998）把这一讨论带入营销领域：他把一家耐用消费品制造商的工厂订单与零售销售和营销组合放在一起建模。他发现，消费者需求上升 10% 可能演变成工厂订单 40% 的波动；他还提出了一个解释本文为何存在的现实问题：在数据成本的层级中，订单（sell-in）是最便宜、最容易获得的，这正是许多制造商只有这类数据的原因。他的贡献恰恰是用计量经济学方法，把订单序列中的渠道短期波动与真实需求趋势区分开来。

在巴西，Bessani 和 Bajay（2022）记录了农药行业的案例，这是一个典型的 B2B2C 市场。在分析期内，全年 37% 的销量出现 sell-in 低于 sellout 的情况，证明只看向渠道的销售"可能掩盖真实需求"。这项研究描述了务实的解决方案：收集经销商库存，并通过会计恒等式重建 sellout，即 sellout 等于 sell-in 加上渠道期初库存减去期末库存。当制造企业与少数几家大经销商关系紧密时，这种重建完全可行，能把一个有偏差的数据变成一条更接近真实需求的序列。

实操中的注意事项

如果 sell-in 要作为响应变量，有三个现象必须纳入模型设计，因为它们都会制造与媒体毫无关系的波峰和波谷。

第一是 trade loading。临近季度末，销售团队为了完成指标向渠道压货，使当期 sell-in 膨胀，随后立刻出现低谷。这种模式反映的是财务日历和销售激励，而不是需求。

第二是 forward buying。正如 Desai、Koenigsberg 和 Purohit（2010）所展示的，当有贸易促销时，零售商会超出实际需要进货。促销期间 sell-in 峰值的很大一部分是对未来采购的提前，而不是增量销售。

第三是滞后。OMP 的资料记录显示，从 sellout 信号到 sell-in 反应之间的时间可能长达数月，因为渠道会先消化库存。营销活动今天创造了需求，工厂订单两三个月后才到。

在实践中，这意味着把贸易促销、销售指标和结算日期作为显式控制变量纳入模型，使用比 sellout 场景更长的 carryover 窗口（Google 的 Jin 等人提出的贝叶斯 adstock 方法正是为了容纳这类滞后而设计的），并且只要有可能，就向主要经销商收集渠道库存以重建需求，就像 Bessani 和 Bajay 所做的那样。

现代框架并不要求 sellout 收入

一个常见的担忧是 MMM 工具"要求"终端销售数据。**它们并不要求。**Google Meridian 的文档把 KPI 定义为模型的响应变量，并明确接受非货币化的通用 KPI，再通过一个转换系数把结果换算成 ROI。Meta Robyn 的官方指南指出最常见的因变量是销售额，但也把银行的开户数和电信的注册数列为合理替代。PyMC-Marketing 把模型目标表述为"销售、新客户获取或任何其他 KPI"。市场实践也证实了这一点：Measured 发布过以增量订单、订阅数和实体店增量为目标的真实案例，Adjust 用安装量和应用内购买为 App 运行 MMM，Merkle 则建议对看不到终端销售的 B2B 企业，用 leads 作为方向性代理指标，事后再进行价值折算。经过妥善处理的 sell-in，或重建后的 sellout，对这些框架来说与上述任何例子一样，都是有效的 KPI。

在巴西支撑模型的公开代理变量

模型设计的第二根支柱，是把模型锚定在公开的需求序列上，帮助区分哪些是市场因素、哪些是媒体效果。就建材而言，巴西有一些有意思的资源。IBGE 的 PMC 调查自 2000 年起每月发布建材零售的收入和销量，是渠道 sellout 最好的公开代理指标。SNIC 发布分地区的水泥表观消费量，是衡量施工活动的经典温度计。Abramat 指数跟踪行业剔除通胀后的收入，FGV 的建筑业信心指数则预示整条产业链的景气度。再加上作为平减指数的 INCC 和作为零售月度读数的 Anamaco 温度计。这些变量作为需求和季节性控制变量进入模型，承担了 sellout 本应承担的部分职责：告诉模型整个市场何时上涨或下跌，让媒体不会因经济周期而冒领功劳（或背锅）。

那么，到底可行吗？

可行，而且设计中的每一环都有学术和实践先例。不可行的是无视数据的本质：把 sell-in 当作消费者销售来处理的 MMM，会把季末冲量和贸易促销的峰值归功于媒体，从而得出错误结论。而一个承认牛鞭效应、控制商业激励、拉长 carryover、在有渠道库存的地方重建 sellout、并把一切锚定在公开需求代理变量上的模型，能交付 CMO 真正需要的东西：一份站得住脚的解读，说明每一分媒体投入对真实需求的贡献，即使看不到收银台。缺少 sellout 改变的是模型的设计，而不是模型能否存在。

主要参考文献

• Hanssens, D. M. (1998). Order Forecasts, Retail Sales, and the Marketing Mix for Consumer Durables. Journal of Forecasting, 17, 327-346.
• Lee, H. L.; Padmanabhan, V.; Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546-558.
• Bessani, A. N.; Bajay, M. M. (2022). "Sell-out" como ferramenta de planejamento de vendas na indústria de defensivos agrícolas. Quaestum, 3: e2675623.
• Desai, P.; Koenigsberg, O.; Purohit, D. (2010). Forward Buying by Retailers. Journal of Marketing Research, 47(1), 90-102.
• Srinivasan, S.; Pauwels, K.; Hanssens, D.; Dekimpe, M. (2004). Do Promotions Benefit Manufacturers, Retailers, or Both? Management Science, 50(5), 617-629.
• Jin, Y. et al. (2017). Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects. Google Research.
• 官方文档：Google Meridian（MMM Unified Schema）、Meta Robyn（Analyst's Guide to MMM）、PyMC-Marketing（Introduction to Media Mix Modeling）。
• 公开序列：IBGE PMC（建材）、SNIC（水泥表观消费量）、Abramat 指数、FGV（建筑业信心指数）。