С чего начать MMM в компании, где performance уже «упёрся» в last-click

С чего начать MMM в компании, где performance уже «упёрся» в last-click

Если у вас в отчётах всё сходится до копейки, но вы не можете ответить на простой вопрос «что именно делает бренд и что именно — перфоманс», значит пора запускать MMM (маркетинг-микс-моделирование) с инкрементальностью (оценкой добавочного эффекта), а не продолжать оптимизацию под last-click.

1) Зафиксируйте бизнес-цель в терминах выручки
— Возьмите целевую метрику: маржинальная выручка или вклад в валовую прибыль (лучше, чем «лиды»).
— Определите период и частоту: минимум 12 месяцев, агрегация по неделям. Если сезонность сильная — 24 месяца.

2) Соберите «витрину данных» для MMM за 3–5 дней
— Еженедельно по каналам: расходы (media spend) и, если есть, креативные/частотные прокси.
— Контрольные факторы: промо-активности (скидки, распродажи), наличие продукта/логистика, цены, дистрибуция (если B2B — охват отраслей/сегментов, если e-com — ограничения по складам).
— Внешние: сезонность (сделать календарные признаки), инфляция/курсы/погода — только если реально влияло в прошлом (иначе добавите шума).

3) Привяжите конверсию к уровню, который моделируете
MMM моделирует связь «расходы → результат». Значит вам нужно выбрать результат на той же стадии, которую вы хотите объяснить:
— B2B RevOps: выручка от SQL/закрытий, при невозможности — MQL→SQL→выручка с калибровкой через исторические коэффициенты.
— E-com: выручка или маржа по когортам, а не «переходы».
Важно: если воронка менялась (переход на новую CRM, изменение условий сделки) — зафиксируйте это как структурный разрыв и отметьте период.

4) Сделайте первичный дизайн атрибуции, чтобы потом не перепридумывать
— Сформируйте список каналов, которые точно учитываем отдельно в модели (ТВ/видео, search/контекст, соцсети, партнёрки и т.д.).
— Отдельно выделите «бренд-присутствие», даже если у вас нет бренд-кампаний как сущности: обычно это комбинация органики/брендового search (по запросам с названием бренда) и TV/видео.
— Проверьте, что в данных есть «хвост» после остановки бюджета: без пост-эффекта инкрементальность будет слабее.

5) Настройте оценку инкремента, а не только ROAS
На этом этапе вы должны не «объяснить прошлое», а проверить добавочный эффект:
— Разбейте данные на train/test по времени (например, последние 2–3 месяца test).
— Сохраните прогноз и сравните с фактом: какая доля выручки объяснена моделью в пределах доверительного интервала.
— Проведите sanity-check: если рост выручки в test пришёлся на период без расхода каналов — модель должна это показать через рост контрольных факторов или через ошибку (которую вы потом исправляете).

6) Упакуйте работу в короткий эксперимент на 4 недели
MMM без операционных действий превращается в отчёт.
— Выберите 1–2 канала с наибольшим вкладом и высокой управляемостью (обычно видеодисплей/ТВ/региональные кампании/частично search-пулы).
— Сделайте тест-окно: плавное изменение бюджета (не обнуление), чтобы увидеть реакцию в периоде с лагами.
— После теста обновите модель и зафиксируйте: какой канал дал прирост выручки относительно контрафакта (оценки «что было бы без изменений»).

7) Определите, как вы встроите MMM в регулярный процесс performance
— На ежемесячном цикле: MMM даёт план «верхних» ограничений (allocation) и диапазоны эффекта по каналам.
— Performance-оптимизация остаётся внизу: таргетинг, офферы, bidding — но в рамках бюджета, обоснованного MMM.
— KPI руководителю: не ROAS по последнему клику, а предсказанная инкрементальная маржинальность.

Если хотите, напишите: индустрия (e-com/B2B), доступность расхода по неделям, есть ли промо-история и что считаете результатом (лиды/SQL/выручка/маржа). Под это предложу минимальную структуру витрины и матрицу канал→результат.

— @AttributionRoom