Что такое Media Mix Modeling (MMM)?
Media Mix Modeling (MMM) — статистический метод оценки вклада рекламных каналов и других факторов в продажи или иной KPI по агрегированным временным рядам, без сшивки пути одного пользователя. На вход идут недельные или дневные ряды трат и показов, цена, промо, сезонность, дистрибуция; на выход — вклад канала, кривые отдачи и ориентир, как переложить бюджет. Русские кальки («моделирование медиамикса», «медиамикс-модель») в поиске слабые: в индустрии термин оставляют английским. Не путать с классическим marketing mix (4P: product, price, place, promotion) — тот шире; MMM в digital обычно сужает задачу до медиа.
Как считают
Базовая идея — регрессия (или байесовская иерархическая модель) отклика на медиа и контрольные переменные. Реклама действует не только в неделю показа: в модель кладут adstock (затухание эффекта) и насыщение (убывающая отдача от дополнительных трат). Без этих двух блоков канал с пиковым промо или с длинным циклом сделки легко переоценивают или обнуляют.
Типичные входы: spend или GRP/impressions по ТВ, поиску, display, social, in-app, OOH; цена и промо; праздники; конкурентная активность, если есть ряд. Выходы: разложение KPI на базовый спрос и медиа, ROI/ROAS канала, точка убывающей отдачи, сценарий «что если переложить бюджет». Пересчёт обычно ежемесячный или ежеквартальный: модель не замена дневного кабинета байера.
Почему метод снова в ходу
User-level путь рвётся: cookie, ATT, ограничения кросс-сайт пикселя. Multi-touch атрибуция на уровне человека деградирует. MMM работает на агрегатах и не требует user ID — отсюда интерес брендов и in-house команд после ужесточения privacy. Открытые стеки (Robyn, Meridian и аналоги) снизили порог входа; это не делает модель «объективной»: спецификация, priors и качество рядов по-прежнему решают.
Отличие от инкрементальности
Инкрементальность отвечает на вопрос экспериментом: что было бы без рекламы (holdout, geo-lift, PSA). MMM отвечает моделью на исторических данных: какой вклад правдоподобен при наблюдаемых рядах. Эксперимент локален во времени и гео, но сильнее по причинности. MMM покрывает все каналы сразу, включая те, которые нельзя выключить на тест, но оценка observational: коллинеарность (каналы растут вместе), пропущенные переменные, короткий ряд.
Нормальная практика — калибровать MMM результатами incrementality: lift-тест задаёт prior или constraint, модель не обязана совпасть с last-click кабинета. Расхождение как раз и есть сигнал, а не «ошибка трекера».
Отличие от MTA и last-click
MTA делит ценность конверсии между касаниями одного пользователя (linear, time decay, data-driven). Для этого нужны идентификаторы и относительно полный путь. Last-click в трекере и в CPA-сети отдаёт 100% последнему клику — так считают выплату аффилиату, не «правду о канале». MMM не видит клик и креатив: единица наблюдения — неделя канала, не сессия. Поэтому MMM не заменяет атрибуцию оффера и не решает, какой subid отключить завтра.
В арбитраже с коротким циклом и одной сетью MMM редко окупается: мало истории, каналы скачут, KPI — payout по last-click. Метод уместен, когда несколько платных каналов живут месяцами, есть продажи или LTV не только из кабинета, и вопрос стоит «какой mix», а не «какой креатив».
Ограничения
- Коллинеарность. Если Search и Performance Max растут одним бюджетом, модель не разведёт их без внешнего сигнала.
- Гранулярность. Креатив, ключ, плейсмент MMM не оптимизирует.
- Лаг и мало данных. Новому каналу нечего оценить; сезонный бизнес без двух циклов врёт.
- Качество входа. Двойной учёт spend, смешение брендового и performance поиска, дыры в промо — типичный источник «магии» в коэффициентах.
MMM не доказывает, что конкретный клик «инкрементален», и не заменяет holdout, если решение — включить или выключить канал на одном GEO.
См. также: инкрементальность, multi-touch атрибуция, last-click, атрибуция, performance-маркетинг.