<b>MMM ломается не на модели, а на плохих входных данных и неверных ожиданиях</b>

<b>MMM ломается не на модели, а на плохих входных данных и неверных ожиданиях</b>

MMM считает вклад каналов по истории продаж и медиасплиту: на выходе вы получаете не «истину», а оценку эффекта при заданных допущениях. Чтобы модель была полезной, нужны: продажи или выручка по времени, расходы по каналам, цены/промо, сезонность, внешние факторы и достаточная длина ряда. Без этого модель начнёт объяснять шум.

Проверьте 4 вещи до запуска:
— есть ли минимум 1-2 полных цикла сезонности;
— не менялась ли резко дистрибуция или ассортимент;
— не перепутаны ли лаги: медиа сегодня, продажи завтра;
— есть ли коллинеарность, когда каналы растут и падают вместе 📉

Формально MMM решает задачу: Sales_t = baseline + Σ f(Media_t-lag) + Seasonality + Price + Promo + Error. Если baseline и промо не заданы, модель отдаст им часть эффекта медиа. Поэтому результат всегда надо читать как диапазон, а не как точную цифру.

Если бюджет маленький и данных мало, MMM не отменяется, но перестаёт быть «автопилотом»: лучше упростить число каналов, зафиксировать промо и отдельно валидировать выводы через incrementality.