MMM vs. инкрементальность: почему performance-отделы ошибаются, когда требуют «одну правду» из моделей

MMM vs. инкрементальность: почему performance-отделы ошибаются, когда требуют «одну правду» из моделей

В 2026 году last-click умер не из-за морали, а потому что бизнес перестал верить в причинность. Но новая ловушка оказалась удобной: performance-команды просят от MMM (моделей маркетингового микса) «единственно верное» число инкремента, как будто мы научились превращать рекламу в эксперимент по щелчку. Я с этим спорю: MMM и инкрементальность — не одно и то же, даже если методологически они часто идут рядом.

Моя позиция такая: **MMM отвечает на вопрос “какая доля выручки статистически объясняется маркетингом в вашем контуре”**, а **инкрементальность — “что изменилось бы без маркетинга”**. В реальности мы почти всегда смешиваем их в одном отчёте, потому что так проще защищать бюджет.

Где ломается практика. Обычно ломается в одном месте — в калибровке доли «органики» и в предположении о стабильности маркетинг-микса и конкурентной динамики. Когда бренд меняет оффер/цену, или когда конкуренты активнее давят на поиске (особенно в era Topical Authority и AI-overviews), MMM продолжает считать “marketing-параметры” как главный драйвер вариаций. А инкремент оценивается уже из тех же вариаций — и получается эффект двойного счёта: модель объясняет то, что на самом деле объясняется рынком.

Из практики (без привязки к конкретному клиенту): мы наблюдали типичный случай, когда MMM “доказывал” рост эффективности при увеличении охвата, хотя uplift был частично торговым календарём и изменениями цены. Признак был один: улучшение пришло не в тех окнах, где мы ожидали поведенческий отклик по сайту (воронка “просмотр → событие → покупка/лид”), а в агрегатных метриках выручки. То есть модель хорошо описала время колебаний выручки, но не зафиксировала причинность на уровне микро-конверсий.

Как я предлагаю строить диалог между performance и MMM, чтобы не терять деньги на «магическое число»:
— Разделять в отчёте “объясняемость” (fit) и “инкремент” (incremental). Fit можно принимать как полезную инженерную оценку, но инкрементность требует отдельной верификации.
— Делать валидацию через инкрементальные куски данных: гео-границы, временные окна с резкими изменениями бюджета, паузы креативов/аудиторий, маржинальные сегменты (особенно там, где есть различимые поведенческие следы).
— Если business сейчас уходит от классической лидогенерации MQL/SQL к RevOps и общей ответственности за выручку, то фокус инкремента должен быть на “что даёт дополнительную выручку на горизонте”, а не на “сколько конверсий подписалось под кампанию”.

Ключевая мысль: **модели — это инструмент для согласования гипотез, а не источник одной истины**. Если вы требуете “одно число инкремента” без тестов на причинность, вы встраиваете в бюджет не доказательство, а красивую аппроксимацию.

Если хотите, в следующем посте предложу простую матрицу: какие сигналы считать достаточными, чтобы MMM-модель считалась “валидируемой” для решения по бюджету — и какие сигналы гарантированно приведут к самообману.

— @AttributionRoom