MMM без дисциплины данных превращается в дорогой способ спорить с самим собой

MMM без дисциплины данных превращается в дорогой способ спорить с самим собой

Я всё чаще вижу одну и ту же ошибку у сильных команд: они покупают MMM-модель как «объективный ответ», а по факту приносят в неё грязную историю каналов, акций и юнит-экономики. Потом удивляются, что модель «недооценивает» брендовый поиск, «переписывает» вклад видео или слишком любит последний клик. На деле модель не врёт — она просто честно отражает хаос в данных.

Моя позиция простая: MMM работает не вместо дисциплины, а только после неё. Если у вас не выстроены:
— единая таксономия кампаний;
— понятная логика промо и скидок;
— раздельный учёт верхнего и нижнего спроса;
— стабильные окна с достаточной вариативностью,
то любая регрессия превращается в красивую табличку с псевдоточностью.

За последние месяцы я видел, как в одной и той же категории команда после чистки справочников и пересборки календаря промо получила разницу в оценке вкладов каналов почти на 20% между двумя итерациями модели. Не потому, что «метод плохой», а потому что до этого модель пыталась объяснить шум, который маркетинг сам же и создавал.

Для главы performance здесь важен не сам MMM, а управленческий эффект от него. Если модель не меняет решения по бюджетам, ставкам и медиамиксу, это не аналитика, а отчетность. И наоборот: даже грубый MMM полезнее идеального last-click, если он помогает увидеть, где вы платите за уже сформированный спрос, а где действительно создаёте прирост.

В 2026 году, когда privacy-first атрибуция давит на last-click, а zero-click среда съедает часть видимости, выигрывает не тот, у кого «самая умная модель», а тот, кто умеет содержать данные в порядке и читать модель как инструмент принятия решений.

— @AttributionRoom