Marketing mix modeling (MMM): что это и как работает

Автор

Эконометрическая практика без единого изобретателя; adstock связывают с Саймоном Бродбентом; открытые инструменты выпустили Google, Meta (принадлежит компании Meta, признанной экстремистской организацией и запрещённой в России) и PyMC Labs, Единой даты нет; статья Google о байесовском MMM — 2017; Meridian открыли для всех рекламодателей в январе 2025

Уровень

301 · Продвинутый

Подходит

малый и средний бизнес, растущая компания, корпорация

Время на внедрение

два часа на первую проверку в таблице; от четырёх до двенадцати недель на полную модель с тестом для калибровки

Что понадобится

недельные продажи или регистрации минимум за год, лучше за два-три · недельные расходы по каждому каналу за те же недели, включая офлайн-медиа · календарь изменений цен, акций, праздников и периодов, когда товара не было в наличии · человек, который раз в квартал проведёт одно контролируемое изменение расходов

Marketing mix modeling (MMM) — статистическая модель, которая объясняет бизнес-результат, обычно недельные продажи или регистрации, расходами в каждом маркетинговом канале и всем остальным, что двигает спрос: ценой, акциями, сезонностью, праздниками. В руководстве PyMC-Marketing её просто называют регрессионным моделированием, применённым к бизнес-данным. Когда модель обучена, она примерно показывает, сколько продаж дал каждый канал и что, скорее всего, вернёт следующая единица расходов в каждом из них.

У MMM нет единого изобретателя. Метод вырос из эконометрических работ для потребительских брендов, которые рекламировались на ТВ, где ни один клик отследить нельзя. Мода на него вернулась, когда отслеживать отдельных пользователей стало труднее, а Google, Meta и PyMC Labs выпустили бесплатные версии с открытым кодом. Пользуются им руководители маркетинга и финансовые команды, которым нужно защитить распределение бюджета между несколькими каналами.

Что измеряет MMM?

MMM измеряет вклад каждого канала в результат во времени, пользуясь только агрегированными данными. Cookie, идентификаторы пользователей и пути кликов не нужны. Поэтому это один из немногих методов, который ставит на одну шкалу ТВ, радио, наружную рекламу, листовки и цифровую рекламу.

Модель начинает с базы: продаж, которые вы получили бы совсем без маркетинга, — их обеспечивают бренд, сарафанное радио, сезонность и цена. Затем каждый канал добавляет сверху свою долю. Эти доли становятся реалистичными благодаря двум поправкам, и именно они отличают MMM от обычной регрессии. В статье Google 2017 года Цзинь (Jin) с коллегами называют их эффектами переноса и формы. Практики чаще говорят об adstock и насыщении.

Adstock: реклама работает и после остановки

Adstock — доля эффекта рекламы, которая переходит на следующие недели. Человек увидел билборд на первой неделе, а записался на приём на третьей. В документации Meridian adstock определяют как взвешенное среднее текущего и прошлого медиа, где веса со временем убывают до максимального лага.

Пример с условными числами: при коэффициенте затухания 0,5 расходы 100 на первой неделе засчитываются как 100 в эту неделю, 50 в следующую, 25 в ещё одну и так далее. Канал с медленным затуханием, например ТВ, получает заслугу за продажи через недели. Канал с быстрым затуханием, например поисковая реклама, получает её почти сразу. Термин adstock связывают с британским исследователем рекламы Саймоном Бродбентом, который в 1995 году вместе с Тимом Фраем написал об adstock-моделировании на длинной дистанции.

Насыщение: каждая следующая единица покупает меньше

Насыщение значит, что каждая дополнительная единица расходов в канале возвращает меньше, чем предыдущая. Первая тысяча, потраченная на поисковую рекламу, достаётся людям, которые уже ищут вас. Десятая тысяча покупает показы по более слабым запросам и по более высоким ценам.

И Meridian, и Robyn моделируют это кривой Хилла — формулой, которая растёт, а затем выравнивается. В Meridian один из параметров задаёт «точку полунасыщения»: расходы, при которых канал достигает половины своего максимального эффекта. Решения по бюджету нужно принимать по наклону этой кривой на вашем нынешнем уровне расходов. Канал может давать хорошую среднюю отдачу и всё равно быть плохим местом для следующей порции денег.

Проблема распространённая. Шапиро, Хитч и Тухман (Shapiro, Hitsch, Tuchman) изучили 288 брендов и обнаружили отрицательную предельную отдачу ТВ-рекламы больше чем у 80% из них.

MMM, мультитач-атрибуция и тесты на инкрементальность

Эти три метода отвечают на разные вопросы, и команды, которые пользуются только одним, обычно получают искажённую картину. Мультитач-атрибуция (MTA) делит заслугу за каждую отслеженную конверсию между рекламой, с которой человек соприкоснулся. Тесты на инкрементальность сравнивают группу, которая видела рекламу, с группой, которая не видела. MMM объясняет итоги во времени.

У атрибуции две слепые зоны. Атрибуция по данным в Google Рекламе делит заслугу между взаимодействиями с рекламой Google, так что другие площадки остаются вне её поля зрения. А начиная с iOS 14.5 Apple требует разрешение пользователя, прежде чем приложение начнёт отслеживать людей в приложениях и на сайтах других компаний, в том числе для измерения рекламы.

Наблюдательные методы вообще часто промахиваются. Гордон с коллегами сравнили 15 крупных экспериментов на Facebook с наблюдательными оценками и выяснили, что наблюдательные методы часто не совпадали с результатами экспериментов. Эксперименты надёжнее всего, но их трудно поставить хорошо: Льюис и Рао обнаружили, что медианный доверительный интервал для отдачи в 25 крупных полевых экспериментах был шире 100 процентных пунктов.

Практический ответ — сочетать их. Проводите эксперименты вроде гео-экспериментов, где регионы случайно получают рекламу или не получают, и передавайте их результаты в MMM. Все три открытых инструмента поддерживают такую калибровку.

Открытые инструменты для MMM

Большинство задач закрывают три бесплатных инструмента. Основные идеи у них общие, а методы и языки различаются.

Google открыл Meridian для всех рекламодателей в январе 2025 года и перестал поддерживать свой прежний инструмент LightweightMMM. Robyn называет себя экспериментальным. PyMC-Marketing создали основные разработчики статистической библиотеки PyMC. Каждому из них нужен аналитик, который сможет оценить, правдоподобен ли результат модели.

Мышление MMM для малого бизнеса

Полной модели малому бизнесу редко хватает данных. В собственных рекомендациях Meridian сказано, что двух лет недельных национальных данных мало для модели с 26 параметрами. Но сам образ мышления применим и ничего не стоит.

Думайте неделями и итогами. Ждите, что эффект запаздывает. Исходите из того, что любой канал выходит на плато, и спрашивайте, что купит следующая единица расходов. Не доверяйте отчёту, суммы в котором больше ваших продаж. А если два канала всегда двигаются вместе, намеренно измените один из них, чтобы их различить: документация PyMC-Marketing показывает модель, которая не способна разделить идеально коррелирующие каналы, пока в неё не добавят lift-тесты.

Шаги ниже превращают это в процедуру, которая помещается в таблицу. В работе Pushers по Growth Lab эта недельная таблица стоит рядом с деревом метрик, поэтому сдвиг бюджета виден в той метрике, которую он должен был подвинуть.

Как применять: Marketing mix modeling (MMM): что это и как работает по шагам

1. Соберите одну недельную таблицу. В один столбец поставьте показатель, который вам важен (продажи, первые визиты, пополненные счета), в следующие — расходы по каналам, по строке на неделю. Добавьте столбцами изменения цен, акции и праздники. Результат: единая таблица, из которой берут данные все следующие шаги.
2. Сравните заявления площадок с реальностью. Сложите конверсии, которые за тот же месяц сообщили рекламные площадки, и сравните сумму с конверсиями, которые вы реально зафиксировали. Если площадки вместе заявляют на полтора раза больше продаж, чем в вашей отчётности, каждая считает и те продажи, что засчитали другие. Результат: коэффициент завышения, который стоит держать в голове при чтении любого отчёта площадки.
3. Поищите лаг и выход на плато. Постройте расходы по каждому каналу рядом с результатом, сдвинув их на одну-четыре недели. Затем отсортируйте недели по расходам и проверьте, принесли ли самые затратные недели пропорционально больше результата или лишь немногим больше. Результат: примерное представление, какие каналы дают отложенный эффект, а какие уже выглядят насыщенными.
4. Измените расходы намеренно. Выберите канал с самым большим бюджетом и на четыре недели заметно увеличьте или уменьшите его расходы либо отключите его в части регионов, оставив в остальных. Сравните изменение результата с неделями или регионами, которые вы не трогали. Результат: одна инкрементальная цифра, которой можно верить больше, чем любому отчёту.
5. Решите, нужна ли полная модель. Полная MMM окупается, когда вы ведёте сразу несколько каналов, часть из них офлайн, и у вас есть два и больше лет недельных данных или много регионов. Тогда выберите Meridian, Robyn или PyMC-Marketing и подайте результат своего теста в модель как точку калибровки. Результат: ответ «да» или «нет» и назначенный ответственный, если «да».
6. Сдвигайте бюджет понемногу и повторяйте. Переведите часть бюджета из канала с самой плоской отдачей в канал с самой крутой и в следующем квартале измерьте снова. Результат: распределение бюджета, которое меняется небольшими шагами, и за каждым шагом стоит измерение.

Примеры

Стоматологическая клиника без модели

Иллюстративный пример, реальная клиника не подразумевается. Клиника тратит 120 000 ₽ в месяц на поисковую рекламу, 80 000 ₽ на рекламу в соцсетях и 40 000 ₽ на листовки и получает около 120 новых пациентов. Поиск и соцсети вместе сообщают о 150 записавшихся пациентах — больше, чем клиника увидела на деле, значит, площадки пересекаются. Владелец в марте обнуляет рекламу в соцсетях, а всё остальное оставляет прежним. Новых пациентов становится 112 вместо 120: соцсети давали примерно 8 пациентов за 80 000 ₽, то есть по 10 000 ₽ за пациента. В апреле он добавляет 40 000 ₽ к поиску, и новых пациентов становится на 4 больше, тоже по 10 000 ₽. Дополнительный пациент ни в одном канале не обходится дёшево, и это подсказывает владельцу, что следующими нужно проверить листовки и рекомендации.

Платёжное приложение с коррелирующими каналами

Иллюстративный пример. Финтех-приложение каждый декабрь поднимает платный поиск и платную рекламу в соцсетях вместе, а каждое лето режет оба. Регрессия не может разделить два канала, расходы которых всегда движутся вместе; именно такой случай показан в документации PyMC-Marketing. Команда проводит четырёхнедельный гео-тест: отключает соцсети в трети регионов, а поиск оставляет без изменений, и вносит измеренный прирост в модель. Теперь деление между двумя каналами в модели опирается на эксперимент, а не на догадки.

Что показывают 288 брендов о насыщении

Шапиро, Хитч и Тухман оценили эффект ТВ-рекламы для 288 потребительских брендов в статье 2021 года в Econometrica. Они обнаружили отрицательную предельную отдачу более чем у четырёх из пяти брендов: последний потраченный доллар возвращал меньше доллара. Положительная общая отдача нашлась лишь примерно у трети. Это и есть проблема насыщения, для поиска которой создан MMM: многие рекламодатели тратят дальше той точки, где кривая уже выровнялась.

Когда применять

Применяйте MMM, когда вы тратите деньги сразу в нескольких каналах, включая офлайн-каналы вроде ТВ, радио, наружной рекламы или листовок, которые клики не отслеживают, и вопрос в том, как разделить бюджет на следующий год. Он помогает и при пробелах в отслеживании на уровне пользователей, например после Apple App Tracking Transparency: ему нужны только недельные итоги.

Когда не применять

Не берите полную модель, если у вас меньше года недельных данных, вы ведёте один-два канала или тратите так мало, что недельный шум перекрывает любой маркетинговый эффект. В таких случаях на вопрос о бюджете быстрее ответят контролируемые изменения расходов и простые тесты. Не используйте MMM для выбора ключевых слов, объявлений или аудиторий: он работает на уровне каналов.

Частые ошибки

• Верят разбивке модели между двумя каналами, расходы которых всегда росли и падали вместе, хотя без эксперимента данные не позволяют их различить.
• Читают кривые насыщения далеко за пределами уровней расходов, которые реально пробовали. В документации Meridian предупреждают, что кривые, продолженные за наблюдаемый диапазон, требуют дополнительной осторожности.
• Не вносят в модель изменения цен, акции и периоды, когда товара не было, и модель приписывает медиа продажи, которые дала скидка.
• Принимают вывод модели за окончательный ответ, а не за гипотезу, которую нужно проверить одним контролируемым изменением расходов.
• Складывают конверсии, о которых сообщают площадки, и называют итог отдачей маркетинга.

Вопросы и ответы

Как маркетинговое микс-моделирование помогает распределять бюджет?

MMM оценивает для каждого канала кривую отклика: сколько дополнительных продаж даёт каждая следующая единица расходов на нынешнем уровне. Распределение бюджета затем переносит деньги из каналов, где кривая плоская, туда, где она ещё крутая. В Meridian, Robyn и PyMC-Marketing есть оптимизатор, который предлагает такое деление в пределах заданных вами ограничений.

Чем MMM отличается от мультитач-атрибуции?

Мультитач-атрибуция делит заслугу за каждую отслеженную конверсию между рекламой, по которой человек кликнул или которую увидел. MMM берёт недельные итоги и объясняет их статистически, не отслеживая пользователей. Атрибуция видит только отслеженные цифровые точки контакта, нередко в пределах одной площадки. MMM может учесть ТВ, наружную рекламу, цену и сезонность, но работает лишь на уровне каналов и требует более длинной истории.

Сколько данных нужно для маркетингового микс-моделирования?

В документации Google Meridian рекомендации названы приблизительными и сказано, что двух лет недельных национальных данных при 26 параметрах недостаточно для надёжной оценки. PyMC-Marketing советует брать от двух до трёх лет недельных или дневных данных. Региональные данные сильно помогают, потому что каждый регион добавляет наблюдения. Чем меньше каналов и контрольных переменных, тем больше удаётся выжать из скудных данных.

Бесплатен ли Google Meridian?

Да. Meridian — открытый проект под лицензией Apache 2.0, и Google сделал его доступным для всех маркетологов в январе 2025 года. Он работает на Python, и Google рекомендует GPU. Время аналитика всё равно стоит денег, а для рекламодателей без собственной команды по данным Google перечисляет сертифицированных партнёров, которые внедряют Meridian.

Может ли малый бизнес использовать маркетинговое микс-моделирование?

Для надёжной полной модели малому бизнесу обычно не хватает данных, но ту же логику применить можно. Ведите недельную таблицу расходов и результатов, проверяйте, не дают ли отчёты площадок в сумме больше, чем ваши реальные продажи, и на несколько недель намеренно меняйте расходы одного канала, чтобы увидеть, что на самом деле сдвигается.

Источники

1. Google, Meridian marketing mix model, developer documentation
2. Google, Meridian, About the project
3. Google, Meridian, Media saturation and lagging
4. Google, Meridian, Amount of data needed
5. Google, Meridian source code repository on GitHub
6. Google, Meridian is now available to everyone, January 2025
7. Google, LightweightMMM repository on GitHub (archived)
8. Meta Marketing Science, Robyn documentation
9. Meta Marketing Science, Robyn features: adstock, saturation, ridge regression and calibration
10. Meta, Robyn source code repository on GitHub
11. PyMC Labs, PyMC-Marketing documentation
12. PyMC-Marketing, Introduction to media mix modeling
13. PyMC-Marketing, Lift test calibration
14. Yuxue Jin, Yueqing Wang, Yunting Sun, David Chan, Jim Koehler, Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects, Google, 2017
15. David Chan, Mike Perry, Challenges and Opportunities in Media Mix Modeling, Google, 2017
16. Jon Vaver, Jim Koehler, Measuring Ad Effectiveness Using Geo Experiments, Google, 2011
17. Brett R. Gordon, Florian Zettelmeyer, Neha Bhargava, Dan Chapsky, A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook, Marketing Science 38(2), 2019
18. Gordon, Zettelmeyer, Bhargava, Chapsky, author version of the Facebook field experiments paper, Kellogg School of Management
19. Randall A. Lewis, Justin M. Rao, The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics 130(4), 2015
20. Raj Sethuraman, Gerard J. Tellis, Richard A. Briesch, How Well Does Advertising Work? Generalizations from Meta-Analysis of Brand Advertising Elasticities, Journal of Marketing Research 48(3), 2011
21. Bradley T. Shapiro, Günter J. Hitsch, Anna E. Tuchman, TV Advertising Effectiveness and Profitability: Generalizable Results From 288 Brands, Econometrica 89(4), 2021
22. Tim Fry, Simon Broadbent, Adstock modelling for the long term, Journal of the Market Research Society, 1995 (WARC)
23. Meta Open Source, GeoLift documentation
24. Google Ads Help, About data-driven attribution
25. Apple Developer, User privacy and data use (App Tracking Transparency)

Обновлено 15 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn