Что это такое
Marketing Mix Modeling (MMM) — это метод статистического регрессионного анализа, который позволяет оценить вклад каждого маркетингового канала в общие продажи. Модель строится на исторических данных: вы загружаете недельные или месячные показатели расходов на рекламу, внешние факторы (сезонность, акции конкурентов, макроэкономика) и итоговую выручку — а на выходе получаете декомпозицию: сколько продаж принёс каждый рубль, вложенный в конкретный канал.
В отличие от атрибуции по кликам, MMM не зависит от cookie и работает даже там, где трекинг неполный: офлайн-реклама, ТВ, наружка, инфлюенсеры, промо в рознице. Для российского DTC-сегмента это критично: значительная часть воронки уходит в Wildberries, Ozon и офлайн-точки, где пиксель не видит путь клиента.
Аналогия
Представьте, что вы — шеф-повар, а продажи — это вкус супа. Вы добавляете соль, перец, лавровый лист, чеснок и томаты. Гости хвалят суп, но непонятно, что именно сделало его вкусным. MMM — это лабораторный анализ: он разбирает бульон на ингредиенты и говорит: «Соль дала 40% вкуса, томаты — 25%, чеснок — 15%, остальное — база и случайность». Так и в маркетинге: вы видите, какой канал реально «досаливает» продажи, а какой просто присутствует в миксе.
Формула
Базовая модель:
Sales(t) = Base + Σ [ β_k · f_k( Spend_k(t − lag_k) ) ] + Σ [ γ_j · Control_j(t) ] + ε(t)
Где:
- Sales(t) — продажи в период t;
- Base — базовый уровень продаж без маркетинга (бренд, органика, сезон);
- Spend_k(t − lag_k) — расходы на канал k с учётом задержки эффекта (adstock);
- f_k — функция насыщения (обычно Hill-функция или логарифм);
- β_k — коэффициент вклада канала;
- Control_j — контрольные переменные (праздники, погода, активность конкурентов);
- ε(t) — ошибка модели.
Декомпозиция вклада канала:
Contribution_k = Σ_t [ β_k · f_k( Spend_k(t − lag_k) ) ] / Σ_t Sales(t) × 100%
ROI канала:
ROI_k = (Contribution_k − Cost_k) / Cost_k
Сравнение с другими методами
| Метод | Точность по каналам | Зависимость от cookie | Охват офлайна | Стоимость внедрения | Горизонт данных |
|---|---|---|---|---|---|
| **MMM** | Средняя-высокая | Нет | Полный | Высокая | 2–3 года |
| Multi-touch attribution | Высокая | Критичная | Нет | Средняя | 30–90 дней |
| Incrementality-тесты | Очень высокая | Нет | Частично | Средняя | 2–8 недель |
| Last-click | Низкая | Критичная | Нет | Низкая | 7–30 дней |
| Маркетинговый эксперимент (geo-holdout) | Высокая | Нет | Да | Высокая | 4–12 недель |
Где применяется в DTC/электронной коммерции
1. Перераспределение бюджета между каналами. Пример: бренд косметики тратит 4,2 млн ₽/мес на перформанс и 1,8 млн ₽ на блогеров. MMM показывает, что блогеры дают ROI 2,4, а поиск — 1,1. Бюджет смещается на 30% в сторону инфлюенсеров.
2. Оценка офлайн- и брендовой рекламы. ТВ-кампания за 6 млн ₽ дала +12% к прямым продажам на сайте в течение 3 недель после выхода ролика — MMM фиксирует этот лаг и вклад.
3. Планирование сезонных пиков. Для 11.11 и Чёрной пятницы модель прогнозирует, сколько нужно вложить в каждый канал, чтобы достичь плана 85 млн ₽ выручки при ROI не ниже 1,8.
4. Оценка промо и скидок. MMM отделяет эффект скидки от эффекта рекламы: скидка 15% дала +22% к заказам, но каннибализировала 8% продаж по полной цене.
5. Работа с маркетплейсами. Для продаж на Wildberries и Ozon MMM учитывает внутреннюю рекламу, внешний трафик и позицию в поиске — и показывает, что внешний трафик даёт +18% к органическим продажам внутри маркетплейса.
Частые ошибки
Мультиколлинеарность. Если вы одновременно увеличиваете бюджет на поиск и на ретаргетинг, модель не сможет разделить их вклад. Решение: ротация каналов, эксперименты, регуляризация (Ridge/Lasso).
Игнорирование adstock и насыщения. Без учёта задержки и потолка эффекта модель завышает ROI у каналов с быстрым откликом и занижает у брендовых.
Слишком короткий горизонт. MMM требует минимум 104 недели данных (2 года). На 6 месяцах модель переобучится.
Отсутствие контрольных переменных. Праздники, погода, действия конкурентов, макроэкономика — без них модель припишет их эффект маркетингу.
Слепая вера в одну модель. MMM — это оценка, а не истина. Её нужно валидировать incrementality-тестами и geo-holdout экспериментами.
Нерегулярное обновление. Модель устаревает за 1–2 квартала. Переобучайте её минимум раз в полгода.
Связанные термины
- Multi-Touch Attribution (MTA) — атрибуция по касаниям, работает на уровне пользователя.
- Incrementality Testing — эксперименты для измерения причинного эффекта.
- Adstock — функция переноса эффекта рекламы во времени.
- Hill Function — функция насыщения отклика на расходы.
- Base Sales — базовый уровень продаж без маркетинга.
- ROAS — возврат на рекламные расходы.
- Geo-Holdout — эксперимент с отключением канала в отдельных регионах.
- Marketing Effectiveness — общая дисциплина оценки эффективности маркетинга.