Сообщить об ошибкеКороткий ответ
MMM оценивает вклад каждого канала (включая офлайн-медиа, ТВ, наружную рекламу) в продажи на основе агрегированных временных рядов (расходы, продажи, внешние факторы), не требуя индивидуального трекинга пользователя, тогда как MTA/data-driven атрибуция работает только с каналами, где есть идентифицируемый клик или показ на уровне пользователя.
Как это работает подробнее
MMM строит статистическую (регрессионную или байесовскую) модель зависимости агрегированных продаж от агрегированных расходов по каналам и других факторов (сезонность, цена, промо, макроэкономика) за длительный исторический период, и может оценивать влияние каналов, где нет cookie и кликов вовсе — например, телевидение или наружную рекламу.
Что использовать на практике
- Практика. На практике MMM требует длительной истории данных (как правило, от 1–2 лет еженедельных/ежемесячных наблюдений) и обычно пересчитывается не чаще, чем раз в квартал, в отличие от MTA, который обновляется почти в реальном времени; поэтому MMM используют для стратегических решений по распределению бюджета между крупными каналами, а не для ежедневной оптимизации ставок. Для построения MMM часто используют специализированные открытые библиотеки (например, Robyn от Meta или LightweightMMM от Google) поверх исторических данных о расходах и продажах, но качество модели сильно зависит от полноты и длины истории — обычно нужно не менее 1–2 лет еженедельных наблюдений.
Подводные камни
- Риск ошибки. Частая ошибка — ожидать от MMM такой же гранулярности и скорости, как от MTA (например, по конкретному объявлению или ключевому слову за день); MMM по своей природе даёт более агрегированные и медленно обновляемые оценки и плохо подходит для операционных решений внутри одной рекламной платформы.