Модели атрибуции и MMM: что модель показывает, а что нет

MMM, или marketing mix modeling, оценивает вклад каналов в продажи по историческим данным компании: расходам на рекламу, выручке, сезонности, ценам и акциям. Модель ищет статистические связи между этими рядами и распределяет продажи между факторами. Это отдельный расчёт поверх сводных данных, а не отчёт из рекламного кабинета, и он отвечает про канал, а не про конкретный креатив.

Коротко

• MMM работает с агрегированными данными: обычно недельными или месячными суммами по каналу.
• Модель показывает вклад канала в продажи, но не доказывает причинность.
• Цифры MMM и моделей атрибуции внутри рекламных площадок расходятся, и это норма.
• Решения по бюджету проверяют экспериментом, а не только графиком из отчёта.
• Чем длиннее и чище история данных, тем устойчивее оценки; при коротком ряде интервалы шире.

Чем MMM отличается от моделей атрибуции

Модели атрибуции распределяют конверсию между касаниями внутри одного пути клиента, а MMM распределяет общий объём продаж между всеми факторами, влияющими на спрос. Это разные уровни анализа: атрибуция смотрит на отдельного пользователя и его клики, MMM смотрит на совокупные ряды компании за длительный период.

Атрибуция отвечает на вопрос «какому касанию приписать эту конверсию». MMM отвечает на вопрос «сколько продаж связано с этим каналом с учётом сезона, промо и цен». Первое полезно для операционной оптимизации кампаний, второе для планирования бюджета между каналами.

Путаница возникает, когда числа из этих двух систем сравнивают напрямую. Они построены на разных данных и решают разные задачи, поэтому совпадение было бы странным.

Какие модели атрибуции существуют и где они живут

Модели атрибуции в Google Analytics и рекламных кабинетах описывают правила распределения конверсии между касаниями. В GA4 доступны модели атрибуции на основе последнего клика и на основе данных; в других системах встречаются первый клик, линейная модель и распределение по позиции. Все они работают внутри данных одной платформы или одного аналитического контура.

Модели атрибуции гугл и аналогичные инструменты площадок видят только то, что произошло в их интерфейсе. Если клиент увидел рекламу в одном канале, а купил после перехода из другого, каждая система часто присваивает конверсию себе целиком. Отсюда двойной счёт и ощущение, что сумма по каналам больше реальных продаж.

Модели атрибуции Google Analytics дают полезную картину пути внутри сайта и приложения, но не заменяют оценку вклада канала на уровне компании. Для этого и строят MMM.

Почему MMM не может сказать, сколько продаж принёс конкретный креатив

Модель работает с агрегированными данными: обычно это недельные или месячные суммы по каналу, а не по отдельному объявлению. Внутри одного канала расходы, показы и продажи идут вместе, и разделить их статистически почти невозможно. Поэтому MMM отвечает про канал или группу каналов, а не про конкретный баннер или аудиторию.

Представьте, что внутри канала одновременно крутятся несколько креативов с разными ставками. Их показы коррелируют между собой, потому что управляются одним бюджетом и одной стратегией. Модель не может надёжно отделить вклад одного баннера от другого, если они менялись синхронно.

Если нужен вывод по креативу, для этого есть тесты и разбивка внутри площадки. MMM для такой задачи не предназначена, и попытки выжать из неё ответ по объявлению дают красивые, но ненадёжные числа.

Какие данные нужны, чтобы построить MMM

Нужна история расходов по каналам, выручка или число заказов, а также всё, что влияет на спрос: сезонность, промо, цены, запуски, погода, активность конкурентов. Чем длиннее и чище ряд, тем устойчивее оценка. Если данных мало или они собирались разными способами, модель даст широкие интервалы, а не точные цифры.

Порядок работы обычно такой:

1. Собрать расходы по каналам за сопоставимые периоды и свести их к одной валюте и одному календарю.
2. Подтянуть выручку или заказы из учётной системы, а не из рекламных кабинетов.
3. Добавить внешние факторы: сезонность, промо, изменения цен, запуски, погоду.
4. Проверить ряд на разрывы, смену методик учёта и аномалии.
5. Построить модель и посмотреть на интервалы, а не только на точечные оценки.

Данные из рекламных кабинетов и из учёта почти всегда расходятся: разные окна атрибуции, разные определения конверсии, возвраты и отмены. Перед моделированием эти расхождения нужно объяснить, иначе модель будет объяснять шум.

Как MMM связана с атрибуцией и данными из Google Ads или Meta

Атрибуция внутри площадки считает, что произошло после клика или показа в её же интерфейсе, и часто присваивает себе конверсию целиком. MMM смотрит на общий объём продаж и распределяет его между всеми факторами, включая те, что рекламные кабинеты не видят. Эти два подхода дают разные числа, и расхождение — норма, а не ошибка.

Разница особенно заметна, когда в компании есть офлайн-продажи, сарафанное радио или брендовый трафик. Кабинет их не видит, а модель видит, потому что работает с общей выручкой. Сравнивать эти числа стоит не «кто прав», а «что каждый инструмент измеряет».

Полезно держать рядом ещё один ориентир — отношение общего маркетингового расхода к выручке, о котором мы писали в разборе MER и ROAS: когда какой показатель честнее. Он не требует сложной модели и помогает поймать грубые перекосы в планировании.

Что модель не показывает, даже если выглядит убедительно

MMM не доказывает причинность: связь между расходами и продажами может объясняться третьим фактором, например сезоном или акцией. Модель не предсказывает будущее автоматически, не заменяет тесты и не скажет, что будет, если выключить канал завтра. Решения по бюджету всё равно нужно проверять экспериментом, а не только графиком из отчёта.

Классическая ловушка — рост продаж в декабре при росте расходов. Модель покажет связь, но причина может быть в сезоне. Если не включить сезонность в данные, она «прилипнет» к каналу и завысит его вклад.

Вторая ловушка — короткий ряд. Когда данных мало, модель всё равно выдаст числа, просто интервалы будут широкими. Оценка, у которой границы разброса перекрывают весь эффект, не годится для решения о бюджете, даже если выглядит аккуратно на графике.

Как использовать MMM вместе с тестами

Модель задаёт гипотезы о распределении бюджета, а эксперимент их проверяет. Держите оба контура: MMM показывает, где искать перекос, тест подтверждает или опровергает вывод на ограниченном участке. Так вы не строите годовой план на одной корреляции.

Проверять стоит не только каналы, но и связки. Например, если модель показывает слабый вклад верхней воронки, тест с паузой в этом канале покажет, упадёт ли общий спрос или ничего не изменится.

Отдельно стоит смотреть на экономику клиента, а не только на выручку: как считать и куда подставлять в рекламе этот показатель, разобрано в материале про LTV: как посчитать и куда подставлять в рекламе. Канал с высокой выручкой и низкой окупаемостью клиента заслуживает внимания не меньше, чем убыточный.

От чего зависит точность модели

Точность MMM определяется качеством данных, длиной истории и числом учтённых факторов. Чем стабильнее бизнес-процессы и чем меньше менялась методика учёта, тем надёжнее оценка. Резкие смены стратегии, смена систем аналитики и крупные разовые события ухудшают результат.

На практике чаще всего мешают три вещи. Разные определения конверсии в кабинетах и в учёте. Пропуски в расходах или выручке за отдельные периоды. И отсутствие данных о промо и ценах, из-за чего их эффект ошибочно приписывается рекламе.

Когда модель готова, полезно сверить её выводы с тем, что вы знаете о бизнесе из опыта. Если модель говорит, что канал, который вы никогда не включали, приносит продажи, это повод проверить данные, а не менять бюджет.

Следующий шаг

Выберите один канал, по которому у вас есть длинная история расходов и выручки, и посмотрите, совпадает ли его вклад по данным кабинета с тем, что показывает простая сводка по неделям. Расхождение — это и есть точка, где нужна отдельная модель, а не отчёт площадки. Посмотреть, как устроены отчёты с CPA, CTR, CPC и CPM в одном контуре, можно на странице отчёты по каналам с ключевыми метриками.