MMM ломается не на модели, а на плохом списке факторов и шуме в данных

MMM ломается не на модели, а на плохом списке факторов и шуме в данных

MMM отвечает на один вопрос: какой вклад каналов и внешних факторов в продажи или лиды, если смотреть на историю целиком. Для этого нужны длинные ряды по выручке, расходам, цене, промо, сезонности, дистрибуции, праздникам и хотя бы одному proxy на бренд-спрос.

Считать можно просто: продажи_t = базовый спрос + вклад медиа + вклад цены/промо + сезонность + ошибка. Дальше регрессия оценивает коэффициенты, но смысл не в «магии модели», а в том, чтобы не смешать в один мешок ТВ, скидки и рост трафика из поиска. Если фактор не записан, модель придумает его сама — и это почти всегда плохая новость.

Главные ошибки:
— короткая история: модель видит шум вместо паттерна;
— слишком много каналов при малом числе точек;
— нет control variables, хотя продажи явно зависят от цены и промо;
— мультиколлинеарность: каналы идут вместе, и вклад расплывается между ними.

MMM особенно полезен, когда нужно сравнить верх воронки с performance и понять, где заканчивается инкремент, а где начинается каннибализация. Но если бюджет маленький и медиамикс почти не меняется, модель будет честно показывать красивую статистику и почти бесполезный ответ.

Хороший MMM начинается не с алгоритма, а с таблицы: что измеряем, с какой частотой, какие переменные обязаны попасть в модель и где у нас пустоты.