MMM ломается не на регрессии, а на плохих данных и слабой постановке вопроса

MMM ломается не на регрессии, а на плохих данных и слабой постановке вопроса

MMM измеряет вклад каналов в продажи или выручку на исторических рядах. Нужны минимум: зависимая метрика, спенд по каналам, календарь, промо, цена, сезонность и внешние факторы. Без этого модель начинает объяснять шум как эффект бренда.

Базовая логика проста: y = f(реклама, цена, промо, сезонность, тренд). Дальше оцениваем вклад каждого фактора и считаем incremental revenue: базовый прогноз без канала против факта с каналом. Разница и есть оценка эффекта.

Где чаще всего ошибаются:
— слишком мало наблюдений: модель учит случайность;
— каналы сильно коррелируют: вклад делится не туда;
— нет лагов и насыщения: верх воронки переоценивают;
— не учтены промо и цена: MMM приписывает им бренд.

Проверка качества должна быть скучной: holdout по времени, стабильность коэффициентов, разумные знаки, сравнение с экспертизой бизнеса. Если модель красиво сходится, но даёт абсурдный ROI, это не инсайт, а переобучение.

MMM полезен, когда нужен ответ на вопрос «что дало рост» на уровне всего маркетинга. Если данных мало или спенд нерегулярен, честнее считать инкрементальность точечными тестами, а не продавать точность, которой нет.