您是否期望一个易于使用（或不太易于使用）的工具能够完美地为您完成这项工作？
即使在技术上可以简单地将数据放入机器并希望一切顺利，我们也相信数据科学家、统计学家和专家在创建真正相关且高效的开发模型方面做出的战略贡献的重要性。
以下是一些非常欢迎进一步调查的示例：
模型的结果可能根本不可行：模型的建议可能与您的业务目标不一致，亚美尼亚材料 或者推荐的策略无法在所使用的营销渠道中有效使用
对数据进行初步探索性分析可以创建更准确的模型
让我们仔细看看最后列出的这个特殊案例。假设您决定将“付费搜索”作为单一渠道纳入分析中。这似乎合乎逻辑，但在每个通道内可能存在不同的数据行为，导致这些不同的模式限制了模型的准确性：
通过在构建模型之前检查数据，可以使这些差异变得明显，例如例如，品牌和通用关键字广告系列之间，或区域之间的效果差异，这可能会影响模型构建并提高模型准确性：
串联数据中隐藏模式造成的短视可能会导致可疑的决策，从而带来不必要的风险，并可能对活动盈利能力造成灾难性后果。
如果您盲目信任机器会发生什么以及如何避免进一步的陷阱
过度依赖机器学习媒体组合模型的一些潜在负面影响包括完全不恰当地分配预算、过度投资于不相关的渠道或其他渠道的资金不足。您还可能最终会误解模型输出 - 如果您提供了全年的聚合模型，但实际上您的业务季节性很强，就会出现这种情况。
解决方案是什么？首先，也是最重要的，常识。问问自己，根据您对行业、公司、产品和过去成功的了解，该模型向您展示的内容是否具有直观意义。
第二个选项是对第一个选项的补充：实施强大的测试和实验过程，让自己有机会在受控环境中探索所有场景，甚至是意外场景。