MMM ломается не на регрессии, а на грязных данных и неверных ожиданиях

MMM ломается не на регрессии, а на грязных данных и неверных ожиданиях

MMM — это модель, которая оценивает вклад каналов в продажи по временным рядам. Ей нужны: продажи/выручка, расходы по каналам, цены, промо, сезонность, праздники и внешние факторы. Без этого модель начинает «дофантазировать» эффект там, где его нет.

Базовая схема проста: Sales_t = base_t + Σ f(channel_t-lag) + promo_t + season_t + error_t. Ключевой момент — не сами расходы, а форма отклика: насыщение, лаги, убывающая отдача. Если вы подаете в модель только spend, она часто переоценивает платные каналы и недооценивает бренд.

Проверка качества не сводится к R². Смотрите на стабильность коэффициентов, holdout-тест, знак и масштаб эффектов, чувствительность к периоду и к набору факторов. Если при удалении одного месяца доля канала меняется вдвое, это не инсайт, а слабая идентификация 📉

MMM полезен, когда у вас достаточно истории и есть колебания по каналам. Он хуже работает на коротком ряду, в медиамиксе без вариативности и когда бренд-эффект смешан с промо. Считайте MMM не как «истину о маркетинге», а как проверяемую гипотезу о том, кто двигает продажи.