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

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

MMM измеряет вклад каналов в продажи или выручку на уровне недель или месяцев. Он нужен, когда у вас несколько каналов, длинный цикл сделки и нет честного user-level трекинга между всеми точками контакта. Но сама модель не “находит истину”: она объясняет историю, которую вы ей дали.

Нужны минимум: временной ряд результата, расходы по каналам, календарные факторы, промо, цены, сезонность и внешние события. Перед запуском проверьте:
— одинаковую гранулярность;
— полный период без дыр;
— лаги и насыщение;
— нет ли сильной коллинеарности между каналами.
Если ТВ, PR и брендовый поиск ходят вместе, модель начнёт делить вклад по смыслу, а не по данным.

Базовая логика проста:
Sales_t = base_t + Σ f_i(spend_i,t-l) + error_t
Где f_i обычно учитывает убывающую отдачу и запаздывание эффекта. Если не задать saturation и adstock, MMM почти всегда переоценит «свежие» каналы и недооценит брендовые.

Самая частая ошибка — ждать от MMM точного ROI до сотых. Это инструмент для сравнения сценариев и проверки порядка величин, а не калькулятор истины. Сильнее всего модель работает там, где есть длинная история и стабильная медиамикс-логика.

Если данных мало, начните не с “идеального MMM”, а с простой модели и честных ограничений: сначала отделите базовый спрос, потом добавляйте каналы по одному.