Моделирование медиамикса (MMM): определение и принцип работы

Моделирование медиамикса (MMM) — это статистическая техника, которая оценивает, какой вклад каждый маркетинговый канал вносит в продажи или конверсии в агрегированном виде, используя исторические данные о расходах и результатах, а не отслеживание на уровне отдельного пользователя. Вместо того чтобы следить за кликом одного человека до покупки, MMM рассматривает еженедельные или ежемесячные итоги: сколько вы потратили на нативную рекламу, платный поиск и ТВ, и сколько единиц было продано, после чего подбирает модель, объясняющую эту закономерность.

Почему это существует#

У каждого метода атрибуции есть слепая зона. Модели, основанные на кликах, переоценивают тот канал, который находится ближе всего к продаже, а отслеживание на уровне человека требует постоянного идентификатора через все точки контакта — то, что усложнилось из‑за исчезновения куки и ограничений отслеживания в приложениях. MMM обходит обе проблемы, потому что ему никогда не нужно идентифицировать отдельного пользователя или отслеживать его между устройствами. Он полностью работает с агрегированными данными на уровне каналов, что делает его устойчивым к требованиям конфиденциальности и применимым даже к офлайн‑каналам, таким как ТВ, радио или наружная реклама, которые не оставляют кликабельного следа.

Что входит в модель#

Типичный MMM регрессирует продажи на еженедельные расходы на рекламу по каналам, плюс контрольные переменные: сезонность, изменения цен, активность конкурентов и акции. Результатом является набор коэффициентов, показывающих оценочный вклад каждого канала и его кривую убывающих доходов — точку, в которой дополнительный доллар расходов начинает приносить меньше дополнительного объёма продаж, чем предыдущий доллар. Этот паттерн убывающих доходов часто отражается и на уровне креатива, где длительная частота приводит к усталости креатива задолго до того, как модель на уровне канала сможет это зафиксировать. Базовые продажи, которые бы происходили при нулевом маркетинге, отделяются от продаж, вызванных маркетингом, чтобы модель не приписывала рекламу спросу, который существовал независимо от неё.

MMM против живого контрольного эксперимента#

Живой эксперимент по инкрементальности даёт точный, экспериментально подтверждённый показатель прироста для одного канала за один тестовый период, но требует приостановки или снижения реальных расходов. MMM работает непрерывно в фоновом режиме, используя уже имеющиеся данные и охватывая все каналы одновременно, однако его точность зависит от достаточной исторической вариативности расходов, позволяющей отделить эффект одного канала от другого. Многие аналитические команды используют результаты контрольных экспериментов для калибровки и валидации своих коэффициентов MMM, поскольку модель, противоречащая чистому экспериментальному результату, скорее всего, упускает важную переменную.

Где нативная реклама и социальные сети вписываются в MMM#

Нативные сети и социальные платформы обычно моделируются как отдельные позиции, потому что их кривые отклика различаются: сеть вроде Taboola имеет более длительную, медленно формирующуюся кривую, чем точно таргетированная поисковая кампания, а инвентарь, закупаемый через платформу со стороны спроса, часто демонстрирует ещё одну форму. Прежде чем построить надёжную модель, нужны чистые данные о отслеживании конверсий и расходах, правильно разбитые по каналам — обычно это самая сложная часть задачи. Наблюдение за тем, сколько тратит конкурент и какой объём креатива появляется в конкретной сети, с помощью инструмента, такого как платформа ad intelligence от OpenAdLibrary, служит полезной проверкой того, соответствует ли смоделированный вклад канала реальному положению дел на рынке, и насколько правдоподобен заявленный ROAS.

Ограничения#

Для MMM требуется значительный объём исторических данных, обычно год или более еженедельных наблюдений, чтобы построить стабильную модель. Кроме того, модель реагирует медленно: коэффициент канала не обновляется в реальном времени, как это делает панель управления платформой, поэтому MMM лучше подходит как стратегический инструмент квартального планирования, а не как средство ежедневной оптимизации. Коррелированные расходы, когда бюджет повышается одновременно на два канала каждый раз, также усложняют статистическое разделение их индивидуальных эффектов — проблема известна как мультиколлинеарность, и никакой навык в закупке медиа не исправит модель, которой не хватает необходимых данных.