使用R优化营销策略：新手如何分配电视与广播营销预算

嘿，作为R语言新手就着手用优化函数解决营销预算分配问题，这方向选得很对！下面我会一步步带你搞定这个问题：

第一步：先建立收入与营销投入的响应模型 #

首先你得明确收入（Revenue）和TV、Radio投入之间的量化关系——这是优化的基础，没有模型就没法预测不同投入组合下的收入。常见的模型有这几种：

1. 线性模型（适合边际收益恒定的场景） #

如果初步观察到投入和收入是近似线性关系，可以用简单的线性回归：

# 假设你的数据框叫marketing_data
model_lm <- lm(Revenue ~ `Spent on a tv campaign` + `Spent on a radio campaign`, data = marketing_data)
summary(model_lm)

不过现实中营销投入通常有边际收益递减的情况，所以更推荐非线性模型：

2. 带二次项的模型（捕捉饱和效应） #

给投入变量加平方项，模拟投入增加到一定程度后收入增长放缓：

model_quad <- lm(Revenue ~ `Spent on a tv campaign` + I(`Spent on a tv campaign`^2) + 
                   `Spent on a radio campaign` + I(`Spent on a radio campaign`^2), 
                 data = marketing_data)
summary(model_quad)

3. Hill函数模型（更贴合营销投放的真实规律） #

这是营销混合模型里常用的函数，能很好模拟“投入越多，边际收益越低，最终趋近于天花板”的效果，形式大概是：
[ Revenue = a + b \times \frac{TV^c}{d + TV^c} + e \times \frac{Radio^f}{g + Radio^f} ]
可以用非线性最小二乘来拟合：

library(minpack.lm)

# 定义Hill函数
hill_model <- function(params, tv, radio) {
  a <- params[1]
  b <- params[2]
  c <- params[3]
  d <- params[4]
  e <- params[5]
  f <- params[6]
  g <- params[7]
  a + b * (tv^c)/(d + tv^c) + e * (radio^f)/(g + radio^f)
}

# 拟合模型
start_params <- c(1000, 5000, 1.2, 1000, 3000, 1.5, 800) # 初始参数，根据你的数据调整
model_hill <- nlsLM(Revenue ~ hill_model(c(a,b,c,d,e,f,g), `Spent on a tv campaign`, `Spent on a radio campaign`),
                    data = marketing_data, start = start_params)
summary(model_hill)

第二步：定义优化目标与约束 #

接下来要明确你的优化目标：

• 通常是在给定总营销预算的前提下，最大化Revenue
• 或者是在达到目标Revenue的前提下，最小化总投入

这里以“给定总预算B，最大化Revenue”为例：

1. 定义目标函数（要最大化的收入，注意optim默认是最小化，所以取负数） #

假设我们用上面的Hill模型，目标函数可以写成：

# 提取拟合后的参数
hill_params <- coef(model_hill)

# 定义目标函数（输入是tv和radio的投入，输出是负的Revenue，因为optim默认求最小值）
objective_function <- function(x) {
  tv <- x[1]
  radio <- x[2]
  revenue <- hill_model(hill_params, tv, radio)
  return(-revenue) # 取负，让optim求最小值等价于求revenue的最大值
}

2. 定义约束条件并运行优化 #

比如总预算是10000（单位和你的数据一致），同时tv和radio都不能为负数。这里用nloptr包处理约束更灵活：

library(nloptr)

# 设置优化参数
opts <- list("algorithm" = "NLOPT_LN_COBYLA", # 适合带约束的非线性优化
             "xtol_rel" = 1e-8,
             "maxeval" = 1000)

# 初始猜测值（比如各投一半）
x0 <- c(5000, 5000)

# 不等式约束：tv >=0, radio >=0, tv + radio <=10000, tv + radio >=10000（模拟固定预算的等式约束）
constraints <- list(
  function(x) return(x[1]),
  function(x) return(x[2]),
  function(x) return(10000 - x[1] - x[2]),
  function(x) return(x[1] + x[2] - 10000)
)

# 运行优化
result <- nloptr(x0 = x0,
                 eval_f = objective_function,
                 lb = c(0,0), # 下界
                 ub = c(10000,10000), # 上界
                 eval_g_ineq = constraints,
                 opts = opts)

# 查看结果
cat("最优TV投入：", result$solution[1], "\n")
cat("最优Radio投入：", result$solution[2], "\n")
cat("最大化的Revenue：", -result$objective, "\n")

第三步：验证与调整 #

• 可以把最优投入代入模型，和其他投入组合的收入对比，确认结果合理
• 如果模型拟合效果不好，要重新调整模型形式（比如加入交互项，考虑TV和Radio的协同效应）
• 如果没有总预算约束，那优化目标就是找到让边际收益为0的投入点（也就是投入增加1单位，收入增加0，这时候再投入就不划算）

内容的提问来源于stack exchange，提问作者Sapna Bhuva