Маркетинговое микс-моделирование (MMM): как оценить вклад каналов
Продвинутое3 минРедакция Innovialabs
Коротко
MMM — статистическая модель, которая по недельным расходам на каналы и продажам за длительный период оценивает, какую часть продаж дал каждый канал, с учётом отложенного эффекта рекламы, насыщения и внешних факторов.
Что такое MMM простыми словами
Marketing Mix Modeling (MMM) — регрессионная модель, которая объясняет продажи через набор факторов: расходы на каждый рекламный канал, сезонность, цены, промо, праздники, действия конкурентов. Модель смотрит не на отдельных пользователей, а на агрегированные данные во времени — например, по неделям.
Из модели получают:
- вклад каждого канала в продажи;
- ROI или ROAS по каналам, включая офлайн (ТВ, наружка, радио);
- кривые отклика — как меняется результат при росте бюджета;
- рекомендации по перераспределению бюджета.
Главное преимущество MMM: ей не нужны cookies, клики и идентификаторы пользователей. Поэтому метод устойчив к ограничениям приватности и подходит для каналов, где пользовательский путь не отследить.
Два ключевых эффекта: adstock и насыщение
Adstock (перенос эффекта). Реклама работает не только в день показа: часть людей купит через неделю или месяц. Adstock моделирует это как «остаток» эффекта, который затухает со временем. Простейший вариант — геометрическое затухание:
adstock[t] = spend[t] + decay * adstock[t-1]
Параметр decay (от 0 до 1) показывает, насколько долго держится эффект. У медийной рекламы он обычно больше, чем у поисковой, но модель оценивает его по данным.
Насыщение (diminishing returns). Каждый следующий рубль в канале приносит меньше предыдущего: аудитория ограничена, частота растёт. Это описывают S-образной или выпуклой кривой (например, функцией Хилла). Именно насыщение позволяет модели сказать: «в этот канал добавлять бюджет уже невыгодно, а в тот — ещё можно».
Открытые инструменты
| Инструмент | Разработчик | Подход | Язык |
|---|---|---|---|
| Meridian | Байесовская модель, поддерживает гео-уровень и калибровку априорными данными | Python | |
| Robyn | Meta | Регуляризованная регрессия с автоматическим подбором гиперпараметров | R (есть Python-версия) |
| PyMC-Marketing | Сообщество PyMC | Байесовские MMM на PyMC, гибкая настройка | Python |
Все три бесплатны, но требуют аналитика с опытом в статистике. Готовых «кнопок» нет: качество зависит от подготовки данных и проверки результатов.
Какие данные нужны
- Целевая метрика по неделям: продажи, выручка, заявки или новые клиенты.
- Расходы по каналам за те же недели, по возможности — показы или GRP для офлайна.
- Контрольные переменные: цены, скидки и промо, сезонность и праздники, наличие товара, крупные внешние события.
- Достаточная длина истории — обычно речь о нескольких годах недельных данных, чтобы модель увидела сезонность и разные уровни бюджетов.
- Вариативность расходов. Если бюджет в канале всё время одинаковый, модель не сможет отделить его эффект от фона.
Небольшим бизнесам с одним-двумя каналами и короткой историей MMM часто не даёт надёжных выводов — в этом случае полезнее эксперименты.
Как MMM дополняет атрибуцию
| Атрибуция | MMM | |
|---|---|---|
| Уровень данных | Пользователь, клик, сессия | Агрегаты по времени |
| Офлайн-каналы | Почти не видит | Учитывает |
| Скорость | Ежедневно | Раз в месяц или квартал |
| Зависимость от cookies | Высокая | Нет |
| Детализация | Кампании, объявления | Каналы и крупные группы |
На практике используют связку: атрибуция — для ежедневной оптимизации кампаний, MMM — для стратегического распределения бюджета, инкрементальные эксперименты (geo-тесты, lift-тесты) — для калибровки модели и проверки её выводов.
Частые ошибки
- Мало данных или нет вариативности — модель выдаёт неустойчивые оценки.
- Пропущены важные факторы — эффект промо или сезонности приписывается рекламе.
- Слепое доверие результату без проверки экспериментом и здравым смыслом.
- Модель один раз и навсегда. Рынок меняется, модель нужно обновлять.