Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
生成式营销组合建模：连接生成引擎优化、营销与业务影响AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以替代处理序列下的业务因果效应及其识别条件为核心，直接对应因果推断方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
生成式营销组合建模：连接生成引擎优化、营销与业务影响
- 研究问题
- 常规营销数据未记录用户在生成答案中看到并注意到品牌的频率时，如何识别生成引擎优化与付费营销的业务效应？
- 方法与思路
- 作者整合重复生成答案、问题数量、系统使用份额与注意概率，并利用赞助展示记录，比较不同处理序列下的预期业务响应。
- 材料陈述的贡献
- 摘要提出GMMM因果框架，给出处理序列效应可识别的充分条件，并用英日文产品推荐的模拟答案考察方法表现。
- 阅读关注点
- 应核对注意概率及曝光量如何获得、处理序列效应的定义和识别条件，以及模拟答案与真实业务结局之间的联系。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未列充分条件或真实业务效果，模拟推荐结果不能直接证明实际营销收益。
原文摘要
Generative artificial intelligence changes how firms reach customers, but standard marketing data do not record how often users see and notice a firm's name in generated answers. We develop Generative Marketing Mix Modeling (GMMM) to estimate the causal effects of Generative Engine Optimization (GEO) and Generative Engine Marketing (GEM). For GEO, GMMM combines repeated generated answers with question counts, shares of use across generative systems, and notice probabilities. For GEM, it combines records of sponsored placements with notice probabilities. GMMM compares expected business responses under alternative treatment sequences and establishes sufficient conditions for identifying the resulting effects. We investigate the empirical performance of the proposed method using simulated answers to product recommendation in English and Japanese.