Marketing Mix Modeling: как измерить вклад каналов без слежки за пользователем

Marketing Mix Modeling — это способ оценить вклад рекламных каналов в продажи по агрегированным временным рядам, без привязки к каждому пользователю. Метод отделяет влияние медиа от сезонности, цены, промо и внешнего спроса, учитывает отложенный эффект и насыщение, а затем помогает сравнить ROI и проверить сценарии перераспределения бюджета.

Звучит почти как мир без вечного спора: «Продажу принёс контекст, выставка или менеджер?» Но я сразу поставлю на стол холодный чайник правды: Marketing Mix Modeling не угадывает прошлое по красивой диаграмме. Ему нужны история, вариативность, бизнес-контекст и человек, который умеет отличать причинность от удачно совпавших линий.

Table of Contents

Что такое Marketing Mix Modeling простыми словами

Представьте, что у компании есть недельная история продаж и расходов по каналам. В одни недели включали контекст, в другие усиливали видео, где-то запускали наружную рекламу, меняли цену, проводили промо, попадали в сезонный всплеск или сталкивались со снижением спроса.

MMM строит статистическую модель, которая пытается объяснить изменение выбранного бизнес-показателя через весь этот набор факторов. В качестве результата компания получает не список пользователей, увидевших баннер, а оценку:

какую часть результата мог добавить каждый канал;
каков средний и предельный ROI;
как долго сохраняется эффект рекламы;
где рост бюджета уже упирается в насыщение;
как может измениться результат при другом распределении денег.

Именно поэтому термин часто переводят как «моделирование маркетинг-микса». Модель смотрит на смесь воздействий, а не раздаёт всю заслугу последнему клику.

Почему MMM снова оказался в центре внимания

Пользовательская атрибуция становится всё менее полной: устройства не склеиваются идеально, часть пути проходит офлайн, согласия и идентификаторы ограничивают наблюдаемость, а B2B-сделка может тянуться месяцами и включать десяток касаний.

MMM обходит эту проблему не хитростью, а сменой уровня анализа. Ему не обязательно знать, что директор Иван Петров сначала увидел видео, потом прочитал статью, а через четыре месяца отправил заявку. Модель работает с агрегированными данными по времени и, желательно, по регионам.

Открытые решения тоже сделали подход доступнее. Google развивает Bayesian MMM-платформу Meridian, а Meta — пакет Robyn. Но открытый код не превращает MMM в кнопку «посчитать маркетинг». Это скорее набор хороших инструментов в мастерской. Молоток бесплатный, опыт плотника — нет.

Как Marketing Mix Modeling оценивает вклад каналов

1. Выбирает бизнес-результат, который можно складывать

В центре модели находится KPI: выручка, продажи, количество заказов, заявок или другой показатель, который суммируется по времени и регионам. CTR для этой роли неудобен: проценты нельзя корректно складывать так же, как клики или заказы.

Для сложной B2B-воронки это важный выбор. Если сделок мало, а цикл длинный, моделировать недельную выручку бывает бессмысленно. Иногда разумнее взять квалифицированные возможности, созданный pipeline или другую промежуточную метрику — но заранее определить её устойчивую связь с деньгами.

2. Описывает рекламное давление

По каждому каналу собирают расходы и показатель воздействия: показы, клики, охват с частотой или иной управляемый объём. Расход нужен для расчёта ROI, а воздействие помогает описать фактическую интенсивность рекламы.

3. Отделяет рекламу от базового спроса

Продажи меняются не только из-за маркетинга. На них влияют цена, скидки, наличие товара, праздники, сезонность, погода, активность конкурентов, экономика и органический спрос. Эти факторы нужно корректно разнести по ролям.

Здесь часто ломают модель из лучших побуждений: загружают всё, что нашли в корпоративном хранилище. Документация Meridian прямо предупреждает, что контролями должны быть прежде всего смешивающие факторы, влияющие и на маркетинговые решения, и на KPI. А вот переменную-посредника, через которую реклама воздействует на результат, включать как обычный контроль опасно — можно вычесть часть эффекта самой рекламы.

4. Учитывает перенос эффекта во времени

Реклама не выключается в голове клиента ровно в полночь воскресенья. Часть воздействия переносится на следующие периоды. В MMM это обычно описывают adstock-функцией: она задаёт, как быстро затухает рекламная память.

Для короткой промоакции эффект может исчезать быстро. Для брендинга, дорогого оборудования или корпоративного ПО он способен жить дольше. Если у всех каналов механически поставить одинаковый хвост, математика будет аккуратной, а бизнес-смысл — сомнительным.

5. Учитывает насыщение

Первые деньги в новом канале и десятый миллион в уже перегретой кампании работают не одинаково. Рост вложений обычно даёт убывающую отдачу. Поэтому современные MMM описывают кривую насыщения, а не предполагают вечную линейность.

Отсюда появляется один из самых полезных выводов — предельный ROI. Средний ROI рассказывает, как канал отработал в целом. Предельный отвечает на управленческий вопрос: что произойдёт со следующим рублём бюджета.

Какие данные нужны для MMM

Минимальный набор выглядит проще, чем реальная работа по его сборке:

KPI по одинаковым периодам: выручка, заказы, заявки или другой суммируемый результат;
расходы по платным каналам;
метрики воздействия: показы, клики либо охват и частота;
контрольные факторы: цена, конкуренция, внешняя динамика спроса и другие причины, которые влияли на решение о бюджете и на KPI;
управляемые немедийные действия: промо, изменение цены, упаковки или продукта;
география и календарь с единой гранулярностью.

Горизонт данных

Google рекомендует как общее практическое правило минимум два года недельных данных для региональной модели и три года для модели на уровне всей страны; для месячных рядов — тоже не менее трёх лет. Это не магическое число, а стартовая проверка здравого смысла. Чем больше факторов вы хотите разложить, тем больше независимой вариативности должно быть в истории.

Если компания шесть месяцев тратила на пять каналов строго по одному и тому же плану, модель не сможет уверенно понять, кто из них сработал. Она увидит пять почти одинаковых движений. Даже самый модный Bayesian-пакет не создаст информацию, которой в данных не было.

Гранулярность

Недельные данные обычно дают разумный баланс между сигналом и шумом. Географическая детализация полезна ещё сильнее: разные регионы создают дополнительную вариативность, увеличивают эффективную выборку и могут сузить интервалы неопределённости.

Если географии нет, национальная модель возможна. Просто степень её свободы ниже, а требования к истории и дисциплине данных выше.

Качество важнее объёма выгрузки

В таблице не должно быть необъяснимых дыр, смен определения KPI посередине ряда и каналов, которые бухгалтерия переклассифицировала без отметки. Нулевой расход и отсутствующее значение — не одно и то же. Документация Meridian рекомендует заполнять нулём периоды, когда медиа действительно не работало, но не делать этого автоматически с пропущенным KPI или контрольной переменной.

Я бы начал не с выбора библиотеки, а с паспорта данных: кто владелец показателя, как он рассчитан, когда менялась методика, где пропуски и что произошло в аномальные недели.

Когда MMM оправдан для компании со сложной воронкой

Marketing Mix Modeling особенно полезен, когда бизнес управляет заметным портфелем каналов, а пользовательская атрибуция видит только фрагменты пути. Но ценность появляется при нескольких условиях.

Есть решение, которое изменится после модели

Например: перераспределить годовой бюджет между видео, поиском, мероприятиями и партнёрским маркетингом; определить, какой уровень вложений уже насыщен; выбрать регионы для усиления.

Если результат нужен только для презентации «наш маркетинг работает», проект превращается в дорогую легализацию заранее выбранного ответа.

Бюджет и цена ошибки достаточно велики

MMM требует аналитики, валидации, обсуждения допущений и регулярного обновления. Когда весь медиабюджет можно за десять минут проверить простым тестом, тяжёлая модель не окупится.

Есть вариативность расходов и результата

Каналы должны включаться, выключаться или меняться не абсолютно синхронно. Полезна региональная вариативность. Хорошо, если в истории были эксперименты, паузы, усиления или другие изменения, создающие сигнал.

Компания готова жить с диапазоном, а не с одной цифрой

Корректный MMM выдаёт оценку с неопределённостью. В исходной работе Google по Bayesian MMM авторы показывали, что при малой выборке априорные допущения сильно влияют на результат, а оптимальный медиамикс может иметь заметную дисперсию. Поэтому фраза «канал дал ровно 17,3%» без интервала и обсуждения устойчивости должна слегка насторожить.

Когда Marketing Mix Modeling лучше пока не запускать

у вас меньше года неоднородной истории, а KPI редкий;
все каналы всегда менялись одновременно;
расходы по крупным активностям потеряны или сведены в «прочее»;
менялось определение продаж, заявок или выручки, но это не задокументировано;
бизнес ждёт отчёт по отдельным объявлениям и аудиториям — MMM работает на более крупном уровне;
никто не отвечает за проверку данных и бизнес-допущений;
решение о бюджете всё равно нельзя изменить.

В этих случаях сначала полезнее наладить измерение, провести несколько инкрементальных тестов и накопить вариативную историю. Это не отказ от MMM. Это подготовка почвы, чтобы модель потом не анализировала бухгалтерский туман.

Почему одной модели недостаточно

MMM нужно калибровать экспериментами

Статистическая модель учится на наблюдаемой истории, где бюджет распределяли не случайно. Компания усиливала рекламу перед высоким сезоном, потому что ожидала спрос. Без правильных контролей модель может приписать рекламе то, что произошло бы и так.

Хорошая практика — связывать MMM с geo-тестами, lift-экспериментами и другим причинным знанием. Robyn и Meridian поддерживают калибровку. Эксперимент даёт опорную точку, а MMM переносит взгляд на весь медиамикс и длинный период.

Атрибуция не становится бесполезной

У разных методов разный масштаб:

MMM помогает принимать стратегические решения по каналам и бюджету;
эксперименты проверяют причинный эффект конкретного изменения;
атрибуция и аналитика платформ помогают в ежедневной оптимизации кампаний.

Я бы не выбирал религию измерения. Сильная система — это триангуляция: если модель, эксперимент и операционные данные рассказывают похожую историю, решение становится надёжнее. Если спорят — это не повод усреднить цифры, а сигнал найти различие в определениях, периодах и допущениях.

Как запустить MMM без дорогостоящего спектакля

Шаг 1. Сформулируйте решение

Не «посчитать эффективность маркетинга», а «понять, как перераспределить бюджет следующего полугодия между шестью каналами при сохранении общего лимита».

Шаг 2. Выберите один устойчивый KPI

Зафиксируйте его определение и владельца. Для длинной воронки проверьте, достаточно ли событий на неделю или месяц. Не подменяйте редкие продажи шумной верхнеуровневой метрикой только потому, что её много.

Шаг 3. Соберите карту факторов

Попросите маркетолога, коммерческого директора и аналитика назвать причины, по которым менялись бюджет и результат: сезон, цена, промо, запасы, конкуренты, регионы, изменения продукта. Так вы быстрее найдёте потенциальные смешивающие факторы.

Шаг 4. Проведите аудит вариативности

Постройте простые графики по каналам и KPI. Посмотрите на пропуски, выбросы, одинаковые траектории и смены методологии. Если два канала всегда двигались вместе, заранее признайте: разделить их эффект может не получиться.

Шаг 5. Постройте несколько спецификаций

Не влюбляйтесь в первый красивый результат. Сравните разумные окна данных, наборы контролей, допущения об отложенном эффекте и насыщении. Проверьте модель на удержанной части истории и оцените устойчивость выводов.

Шаг 6. Откалибруйте и примите ограниченное решение

Добавьте результаты качественных экспериментов, если они сопоставимы по периоду, KPI и масштабу. Затем меняйте бюджет в разумных пределах исторического опыта. Экстраполяция в область, где компания никогда не тратила, — это уже смелый сценарий, а не твёрдое знание.

Шаг 7. Обновляйте модель

Рынок, креативы, аукционы и продукт меняются. MMM — не сертификат, который один раз повесили на стену. Это управленческий цикл: новые данные, новые эксперименты, пересмотр допущений и сравнение прошлых рекомендаций с фактическим результатом.

Главный вывод

Marketing Mix Modeling полезен не потому, что обходится без пользовательских идентификаторов. Его сила в другом: он связывает агрегированную историю маркетинга с бизнес-результатом, учитывает время и насыщение и заставляет обсуждать бюджет как систему.

Но начинать нужно не с вопроса «Meridian или Robyn?». Начните с трёх более скучных, зато честных вопросов: какое решение мы примем, есть ли в данных сигнал и готовы ли мы проверять модель экспериментами?

Если ответы положительные, MMM способен стать нормальным инструментом управления. Если нет — пока лучше вложиться в качество данных и дизайн измерений. Модель подождёт. Плохое решение на красивом графике — обычно дороже.

Подписывайтесь: буду и дальше разбирать маркетинговые инструменты без магии, но с пользой для бизнеса.

Вопросы и ответы

Marketing Mix Modeling требует персональных данных?

Нет. MMM обычно работает с агрегированными временными рядами по каналам, KPI, периодам и регионам. Индивидуальный путь конкретного пользователя модели не нужен.

Можно ли применять MMM в B2B с длинным циклом сделки?

Да, если есть достаточная история и устойчивый KPI с приемлемой частотой. При редких сделках можно рассмотреть созданный pipeline или квалифицированные возможности, но связь промежуточной метрики с выручкой должна быть понятной и стабильной.

Сколько данных нужно для Marketing Mix Modeling?

Как ориентир Google рекомендует два года недельных данных для региональной модели и три года для национальной. Реальная потребность зависит от числа факторов, гранулярности, вариативности и качества данных.

Заменяет ли MMM сквозную аналитику и атрибуцию?

Нет. MMM решает стратегическую задачу на уровне каналов и бюджета. Атрибуция остаётся полезной для операционной оптимизации, а эксперименты — для причинной проверки конкретных воздействий.

Можно ли доверить бюджет автоматической оптимизации MMM?

Только с ограничениями. Сначала нужно проверить качество и устойчивость модели, учитывать интервалы неопределённости и не уходить далеко за пределы наблюдавшихся расходов. Оптимизация — сценарий для решения, а не приказ финансовому директору.

Источники и методология

Материал подготовил Директор по маркетингу Виктор Клищенко