Маркетинг-микс-моделирование (MMM): как оценить вклад каналов без cookies

Маркетинг-микс-моделирование (MMM) — это статистический метод, который оценивает вклад каждого канала и фактора (медиа, цена, сезонность, дистрибуция) в продажи или выручку на основе агрегированных исторических данных, а не пользовательских cookies или трекинга конкретных людей. Он отвечает не на вопрос «кто кликнул», а на вопрос «сколько выручки принёс каждый рубль медиабюджета в канале X за последние N месяцев». Именно поэтому MMM переживает второе рождение: cookies третьих сторон отмирают, доступ к IDFA на iOS требует явного согласия пользователя (и значительная часть аудитории отказывается), а собственники хотят понимать экономику маркетинга на уровне P&L, а не кликов.

Если вы устали объяснять инвестору или CEO, почему ROMI в рекламном кабинете не бьётся с ростом выручки в отчёте — эта статья про то, как MMM закрывает этот разрыв и где у метода объективные ограничения.

Что такое MMM и чем он отличается от сквозной аналитики

MMM — это регрессионная модель (чаще всего байесовская или обобщённая линейная), которая объясняет динамику продаж через набор переменных: расходы по каналам с лагом и насыщением, цену, промо, дистрибуцию, сезонность, погоду, макроэкономику, действия конкурентов. Данные берутся понедельно или помесячно на уровне всего бизнеса или региона — без привязки к идентификатору пользователя. Байесовский подход дополнительно позволяет задавать априорные ограничения — например, диапазон правдоподобного ROMI для канала на основе прошлых экспериментов, — что снижает риск абсурдных выводов на коротких или шумных рядах данных.

Это принципиально другой инструмент, чем сквозная аналитика: та работает на уровне отдельного клика и клиента, MMM — на уровне агрегированного рынка. Их не нужно противопоставлять — они закрывают разные слепые зоны:

• Сквозная аналитика хороша там, где путь клиента трекается (перформанс, лидген, e-com с авторизацией) — но слепнет на офлайн-охвате, брендовой рекламе, ТВ, наружке, сарафане.
• MMM видит общую картину влияния на бизнес, включая офлайн-каналы и макрофакторы, но не покажет вам конкретного пользователя или воронку конверсии.
• MMM устойчив к блокировке cookies и iOS-трекинга, потому что вообще не зависит от идентификации устройства.
• Сквозная аналитика даёт более быстрый и гранулярный фидбэк (дни), MMM — только на горизонте месяцев и кварталов, когда накопилось достаточно данных.

Зрелые компании используют оба подхода вместе: MMM задаёт стратегическую рамку распределения бюджета между каналами и медиа-типами, сквозная аналитика — тактическую оптимизацию внутри перформанс-каналов.

Почему MMM снова в повестке: смерть cookies и рост офлайн-медиа

Три года назад MMM считался инструментом для FMCG-гигантов с бюджетами на исследовательские агентства. Сегодня он возвращается в средний и крупный бизнес по трём причинам.

Во-первых, браузеры и ОС всё агрессивнее режут трекинг третьих сторон, и модели атрибуции на уровне пользователя теряют точность — часть конверсий просто не долетает до системы, что искажает атрибуцию в сторону последнего клика.

Во-вторых, компании, которые росли на digital-перформансе, упираются в потолок эффективности одного канала и начинают тестировать медийную рекламу, наружку, аудио, ТВ — каналы, где посткликовой атрибуции физически нет, а MMM работает нативно.

В-третьих, растёт запрос собственников на язык P&L: не «сколько лидов», а «сколько выручки и маржи принёс каждый канал с учётом лага и насыщения». MMM говорит именно на этом языке, что делает его естественным продолжением работы над P&L в маркетинге.

Как устроена модель: ключевые компоненты

Не вдаваясь в математику, важно понимать логику, которую закладывает любая MMM-модель — потому что именно она определяет, каким выводам можно доверять.

Результат модели — не единое число «ROI канала», а кривая отдачи с доверительным интервалом. Это принципиально: MMM даёт диапазон, а не точку, и любой вендор, который выдаёт вам ROMI до второго знака после запятой без интервала неопределённости, либо упрощает, либо вводит в заблуждение.

Что нужно для запуска MMM: данные и горизонт

MMM — не инструмент для стартапа с историей в шесть месяцев. Минимальные требования, ниже которых модель даёт шум, а не сигнал:

• Исторические данные минимум за 18–24 месяца, а лучше 2–3 года — модели нужна вариативность в расходах по каналам и достаточное число сезонных циклов.
• Понедельная или помесячная гранулярность расходов по каждому каналу отдельно, а не общий медиабюджет одной строкой.
• Данные о цене, промо-акциях, дистрибуции (для офлайн-ритейла), действиях конкурентов — хотя бы приблизительно.
• Достаточная вариативность бюджетов во времени: если вы полтора года держали одинаковый сплит каналов, модели не из чего извлекать причинно-следственную связь.
• Экспертиза для интерпретации: MMM легко построить неправильно и получить красивые, но обманчивые цифры — здесь нужен либо data scientist с опытом маркетинговых моделей, либо специализированный вендор.

Если у вас нет истории такой длины и глубины, разумнее сначала выстроить дисциплину сбора данных по каналам через регулярный медиаплан, а к MMM возвращаться через год-полтора. Отдельно стоит завести привычку фиксировать не только суммы расходов, но и даты запуска новых креативов, изменения цен и акций — эти метки потом заметно упрощают калибровку модели и объясняют аномальные пики или провалы продаж, которые иначе модель попытается списать на медиа.

Где MMM ошибается: ограничения, о которых не говорят вендоры

MMM — не панацея, и трезвая оценка ограничений важнее маркетингового обещания «точности без cookies».

• Медленный фидбэк. Модель пересчитывается раз в квартал или полгода — она не поможет с решением «выключить кампанию завтра».
• Слепота к новым каналам. Если канал запущен полгода назад, у модели недостаточно данных, чтобы построить надёжную кривую насыщения — оценка будет с широким доверительным интервалом.
• Чувствительность к спецификации модели. Разные аналитики на одних и тех же данных могут получить разные кривые adstock и saturation — результат сильно зависит от методологических решений, а не только от данных.
• Требует стабильной атрибуции baseline. Ошибка в оценке органического спроса каскадом искажает вклад всех платных каналов.
• Плохо ловит микротаргетинг и креативные различия. MMM видит канал целиком, а не отдельный креатив или аудиторный сегмент внутри канала — для этого нужны эксперименты (holdout-тесты, geo-lift), а не только моделирование.
• Дорого и медленно на старте. Полноценное внедрение с калибровкой занимает недели, а не дни, и требует либо своей аналитической команды, либо оплаченного вендора.

MMM и unit-экономика: как соединить два языка

Финальная ценность MMM для собственника раскрывается только тогда, когда вклад канала переводится в деньги на уровне бизнеса, а не в абстрактный «индекс эффективности». Кривая насыщения канала показывает предельную отдачу — сколько принесёт следующий рубль, вложенный в канал сверх текущего уровня. Это напрямую стыкуется с юнит-экономикой: если предельный ROMI канала на текущем уровне бюджета уже ниже целевой маржинальности с учётом LTV, дальнейшее наращивание бюджета в этом канале разрушает unit-экономику, даже если средний ROMI по каналу всё ещё выглядит приемлемо.

Здесь же MMM встраивается в разговор с советом директоров о защите бюджета маркетинга: вместо «мы верим, что реклама работает», вы показываете кривую отдачи с доверительным интервалом и точку, где дальнейшие вложения теряют смысл. Это другой уровень разговора — не про креатив, а про капитал. Такой разговор особенно ценен в периоды пересмотра бюджета, когда финансовый директор ищет, что сократить в первую очередь: кривая насыщения прямо показывает, какие каналы можно урезать почти без потерь в выручке, а какие всё ещё недоинвестированы.

С чего начать: практический путь внедрения

Для компании, которая раньше не работала с MMM, разумная последовательность выглядит так.

1. Проведите аудит данных: есть ли у вас понедельная история расходов по каждому каналу за 18+ месяцев, данные о цене и промо, и достаточная вариативность бюджетов.
2. Определите бизнес-вопрос, на который должна ответить модель: оптимальный сплит бюджета, точка насыщения ключевого канала, вклад офлайн-медиа — модель без чёткого вопроса превращается в дорогую игрушку.
3. Выберите формат: собственная команда data science, специализированный MMM-вендор или гибрид (внешняя методология, внутреннее сопровождение) — выбор зависит от масштаба медиабюджета и наличия аналитической экспертизы внутри.
4. Заложите на калибровку и валидацию модели минимум один-два цикла — первая версия почти никогда не бывает финальной, её нужно сверять со здравым смыслом и, по возможности, с контролируемыми экспериментами.
5. Свяжите выводы MMM с операционными решениями: пересмотром сплита медиабюджета, а не только с отчётом для совета директоров — иначе модель останется красивой презентацией без влияния на P&L.

На стороне маркетинга для этого пути нужен не аналитик-исполнитель, а человек или партнёр, способный переводить статистический вывод в управленческое решение и защищать его перед финансовой функцией — без этого даже методологически безупречная модель останется файлом в папке.

Частые ошибки

• Запуск MMM без достаточной истории данных. Модель, обученная на 6–9 месяцах, даёт красивые графики и бессмысленные доверительные интервалы — решения на такой основе рискованны.
• Игнорирование baseline-продаж. Если не выделить продажи, которые случились бы и без рекламы, весь вклад маркетинга оказывается завышен, а бюджет распределяется неверно.
• Ожидание еженедельных инсайтов. MMM — инструмент квартального или полугодового ритма, попытка использовать его как замену недельной оптимизации кампаний обречена на разочарование.
• Слепое доверие точечной цифре ROI. Вывод модели — это диапазон с неопределённостью, а не точное число; отчёт, где нет доверительного интервала, стоит перепроверять.
• Отказ от валидации экспериментами. MMM без калибровки через geo-lift или holdout-тесты — это гипотеза, а не факт; крупные бюджетные решения стоит подтверждать хотя бы одним контролируемым тестом.
• Попытка заменить MMM сквозной аналитикой или наоборот. Это взаимодополняющие инструменты с разным горизонтом и разной степенью детализации, а не конкуренты.

FAQ

Чем MMM отличается от атрибуции на основе трекинга?

Атрибуция на основе трекинга (last-click, multi-touch) следит за конкретным пользователем через cookies или ID устройства и строит путь конверсии. MMM работает с агрегированными данными на уровне рынка или региона и не требует идентификации пользователя вовсе, поэтому не зависит от блокировки cookies.

Можно ли использовать MMM малому и среднему бизнесу?

Технически да, но экономически оправдано это обычно при медиабюджете от нескольких миллионов рублей в месяц и истории данных от полутора лет — иначе стоимость построения и калибровки модели не окупается точностью выводов.

Как часто нужно обновлять MMM-модель?

Обычно раз в квартал или раз в полгода, по мере накопления новых данных и изменений в медиа-миксе. Слишком частое переобучение на коротких периодах увеличивает шум и снижает устойчивость выводов.

Заменяет ли MMM сквозную аналитику?

Нет. MMM даёт стратегическую картину вклада каналов на уровне бизнеса, сквозная аналитика — тактическую оптимизацию на уровне кампаний и креативов. Зрелые компании используют оба инструмента параллельно.

Нужна ли собственная команда data science для MMM?

Не обязательно — есть специализированные вендоры и агентства с готовой методологией. Но интерпретация результатов и связка с решениями по бюджету должна оставаться на стороне маркетинг-команды, иначе выводы модели не превращаются в действия.

Как MMM учитывает офлайн-каналы вроде ТВ и наружки?

Именно для этого MMM и создавался изначально: он оценивает вклад каналов через агрегированную динамику продаж и расходов, а не через клики, поэтому одинаково работает и для digital, и для офлайн-медиа, если есть исторические данные по расходам.

С чего лучше начать, если данных пока недостаточно?

Сначала выстроить регулярный сбор данных по каналам, ценам и промо через дисциплинированный медиаплан, накопить 18+ месяцев истории с вариативностью бюджетов, а уже потом заказывать или строить MMM-модель.

Если вам знаком разрыв между цифрами в рекламном кабинете и цифрами в P&L, и вы хотите научиться выстраивать систему принятия решений на основе данных, а не веры в конкретный канал — на интенсиве Marketing OS разбираем, как строить такую систему для своей компании.