MMM ломается не на математике, а на плохих входных данных

MMM ломается не на математике, а на плохих входных данных

MMM считает вклад каналов в продажи/лиды на уровне времени: берёт ряд по неделям, связывает его с медиавесом, ценой, сезонностью, промо и внешними факторами. На выходе вы получаете не «истину», а модель, которая объясняет вариацию и помогает распределять бюджет.

Что нужно, чтобы она не превратилась в красивую картинку:
— достаточно длинный ряд: чем больше периодов, тем устойчивее оценка;
— изменения в бюджете: если spend почти не меняется, модель не увидит эффект;
— отдельные ряды по каналам, промо и price, иначе всё сольётся в один шум;
— согласованная метрика результата: продажи, выручка, заявки, но одна и та же логика расчёта.

Базовая схема простая: Y_t = baseline + f(media_t) + seasonality_t + promo_t + controls_t. Дальше медиа обычно пропускают через adstock и saturation: сначала эффект накапливается, потом слабеет. Если не учесть лаг и убывающую отдачу, MMM будет занижать верхнюю воронку и завышать нижнюю.

Главные поломки: коллинеарность каналов, слишком короткая история, нет разнесения цены и промо, а ещё попытка использовать MMM для тактики внутри маленького бюджета. Тогда модель может сказать «канал важен», но не отличит, где причина, а где совпадение.

MMM нужен не для спора «какой канал лучший», а чтобы ответить, что будет, если сдвинуть бюджет на 10–20%. Если входы грязные — сначала чистим ряды, потом считаем бренд.