Как спроектировать MMM (Marketing Mix Modeling) для компании с несколькими рекламными каналами и офлайн-активностью (ТВ, наружная реклама)? Какие данные нужны и какие у подхода ограничения?

Короткий ответ

Единого шаблона MMM нет: выбор структуры модели, горизонта данных и переменных зависит от специфики бизнеса, доступности исторических данных и наличия вариации в расходах по каналам, поэтому решение нужно обсуждать как компромисс между точностью модели и затратами на её построение и поддержку.

Как это работает подробнее

MMM — это статистическая модель, обычно регрессионная с учётом эффекта запаздывания и насыщения (adstock), которая связывает агрегированные показатели продаж по неделям с расходами по каналам и внешними факторами (сезонность, цена, промо), оценивая вклад каждого канала в объясняемую вариацию продаж.

Что использовать на практике

• Практика. Для построения MMM нужна достаточно длинная история данных (обычно 2+ года еженедельных наблюдений) с заметной вариацией расходов по каналам во времени — без такой вариации модель не может статистически разделить вклад каналов; MMM также хуже подходит для быстрой тактической оптимизации, так как обновляется и валидируется редко.
• Пример. Компания с ТВ, наружной рекламой и performance-каналами за 2.5 года еженедельных данных строит MMM с adstock-эффектом для ТВ (растянут на 4-6 недель) и мгновенным эффектом для performance-каналов; план для обсуждения — калибровать коэффициент performance-каналов по отдельному geo-holdout тесту, так как MMM может переоценивать их вклад из-за корреляции с сезонным спросом.
• Компромисс. Можно построить MMM своими силами (data science команда, открытые библиотеки) — это дешевле в моменте, но требует экспертизы для валидации и может давать менее надёжные результаты без калибровки на инкрементальных тестах; альтернатива — привлечь внешнего вендора, что дороже, но обычно даёт более проверенную методологию. Также стоит выбрать между редкими полными пересчётами модели (стабильнее, но медленнее реагирует на изменения рынка) и более частыми обновлениями (быстрее отражает изменения, но рискует переобучением на шум); выбор зависит от бюджета компании на аналитику, доступности исторических данных и скорости изменения медиамикса.

Подводные камни

• Риск. Частая ошибка — ожидать от MMM точности и оперативности, сравнимой с атрибуцией в рекламном кабинете, или строить модель на коротком периоде без достаточной вариации расходов, что даёт нестабильные и неинтерпретируемые коэффициенты.