Geo-Level Marketing Effectiveness（地理级营销效果）
Skill-Geo-Level-Marketing-Effectiveness · 15-营销投放分析
causalexperimentoptimization广告与投放WF-B 广告优化WF-D 选品扫描
收录于全渠道归因统一手册
年化 ROI20-40 万元
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐☆☆
业务视角
适用角色CMO / 营销负责人 · 广告优化师 · CEO
适用平台Amazon + TikTok + Meta + KOL 四渠道 · Prime Day / Black Friday 预算前置
什么情况下用同时跑 Amazon 广告/TikTok/网红投放/邮件，不知道整体预算怎么分配最高效；网红投放花了大钱但不知道带来多少真实 GMV
成功是什么样的建立全渠道营销归因模型（MMM），每个渠道真实 ROI 可量化，大促前做预算优化模拟
业务痛点
1. 解决的问题
同一广告在美国加州和德国巴伐利亚的效果完全不同。Geo-level 分析用地理准实验（Geo Experiment）估计各区域的因果营销效果，避免全国平均掩盖的区域异质性。
2. 核心算法逻辑
同一广告在美国加州和德国巴伐利亚的效果完全不同。Geolevel 分析用地理准实验（Geo Experiment）估计各区域的因果营销效果，避免全国平均掩盖的区域异质性。
3. 业务应用场景
在加州和德州进行 Facebook 广告的 Geo Lift 测试——加州加投 30%，结果增量 ROI 2.8x，而全国平均 ROI 仅 1.9x，说明加州是高回报市场。建议将预算从全国均衡分配改为加州+德州优先。月预算重分配后 ROI 从 1.9 提升到 2.3。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI：年化 20-40 万元 | 难度：⭐⭐⭐☆☆ | 优先级：⭐⭐⭐☆☆
7. 代码模板
代码块数量：1 · 路径：未检测到
"""Geo-Level Marketing Effectiveness — DiD Geo Lift"""
import numpy as np
def geo_lift_test(y_treat_pre, y_treat_post, y_ctrl_pre, y_ctrl_post):
treat_diff = np.mean(y_treat_post) - np.mean(y_treat_pre)
ctrl_diff = np.mean(y_ctrl_post) - np.mean(y_ctrl_pre)
lift = treat_diff - ctrl_diff
return {'lift': lift, 'significant': abs(lift) > np.std(y_ctrl_pre)*2}
# test
np.random.seed(42)
print(geo_lift_test(
np.random.normal(100,10,30), np.random.normal(130,15,30),
np.random.normal(100,10,30), np.random.normal(105,12,30)
))
print("[✓] Geo-Level 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。