Media Mix Optimization: байесовские модели с ограничениями

Media Mix Optimization: Байесовские модели с ограничениями бюджета

В современной маркетинговой аналитике традиционное эконометрическое моделирование (Marketing Mix Modeling, MMM) исторически служило основным инструментом для оценки эффективности исторических затрат. Однако в условиях быстро меняющегося рынка просто понимать, как отработали прошлые кампании, уже недостаточно. Бизнесу необходимо знать, как распределять будущие бюджеты для максимизации целевых показателей (ROI, CPA, LTV, объем продаж) с учетом жестких реалий и бизнес-ограничений.

Именно здесь на смену ретроспективному анализу приходит Media Mix Optimization (MMO) — прескриптивная (предписывающая) аналитика, ядром которой сегодня становятся байесовские иерархические модели (Bayesian Hierarchical Models) с математическими ограничениями оптимизации. Алгоритмы машинного обучения и развитые методы сэмплирования Монте-Карло по схеме марковских цепей (MCMC) позволили превратить академические концепции в прикладные инструменты медиа-планирования.

В этой энциклопедической статье мы детально разберем, как осуществить переход от описательного MMM к прескриптивному MMO, глубоко погрузимся в математику байесовских сетей и выясним, почему алгоритмическая оптимизация без строгих математических ограничений (constraints) приводит к абсурдным маркетинговым решениям (например, вливанию 100% бюджета в брендовый контекст).

---

1. От ретроспективы к предписанию: Эволюция от MMM к MMO

Эволюцию маркетинговой аналитики можно разделить на три стадии зрелости: дескриптивную, предиктивную и прескриптивную.

1.1 Дескриптивная аналитика (Традиционный MMM)

Классический MMM строится на базе множественной линейной регрессии (OLS - Ordinary Least Squares) с базовыми трансформациями данных, такими как Adstock (остаточный эффект рекламы) и Diminishing Returns (убывающая отдача). Основная задача — ответить на вопрос: “Что произошло?” и “Какова была окупаемость инвестиций в прошлом?”

• Суть: Аналитик собирает данные за 2-3 года по затратам на ТВ, радио, диджитал-каналы, учитывает сезонность, цены конкурентов и макроэкономику. На выходе получается уравнение, где каждому каналу присваивается коэффициент (вклад в продажи).
• Проблема: Статичность оценок и отсутствие учета емкости. Если исторически Branded Search (поиск по бренду) приносил ROI 1500%, классическая линейная модель (если кривые насыщения подобраны плохо) скажет, что он работает лучше всего. Модель не осознает, что емкость этого канала жестко ограничена спросом, который генерируется медийной рекламой на верхних уровнях воронки (TV, OLV).

1.2 Предиктивная аналитика (Bayesian MMM)

Отвечает на вопрос: “Что произойдет, если мы сделаем X?”

• Суть: Переход к байесовскому выводу. В отличие от фFrequentist подхода, где параметр — это конкретное число, в байесовском подходе параметр (например, ROI канала) — это распределение вероятностей. Байесовский подход позволяет использовать априорные знания (priors). Например, если мы знаем по результатам инкрементального A/B-теста (Geo-Lift), что истинная инкрементальность ТВ-рекламы составляет около 10%, мы подаем эту информацию модели до начала обучения. Модель объединяет эти priors с историческими данными (likelihood) для получения обновленных апостериорных оценок (posteriors).
• Проблема: Предиктивная модель может блестяще рассчитать прогноз продаж при заданном медиаплане, но она сама не ищет этот идеальный план. Маркетолог вынужден использовать калькулятор сценариев (What-If), вручную двигая ползунки бюджетов, пытаясь нащупать оптимум.

1.3 Прескриптивная аналитика (Media Mix Optimization)

Отвечает на вопрос: “Как конкретно нам нужно распределить имеющийся бюджет, чтобы максимизировать прибыль/продажи с учетом всех ограничений бизнеса?”

• Суть: MMO — это сложная математическая надстройка над Bayesian MMM. Она принимает в качестве исходных данных обученную байесовскую модель (ее апостериорные кривые насыщения — Saturation Curves) и запускает поверх нее алгоритм нелинейной оптимизации (например, SLSQP — Sequential Least Squares Programming). Оптимизатор сканирует многомерное пространство возможных медиапланов и ищет точку глобального максимума функции отклика с учетом заданных бизнес-ограничений (потолков по каналам, требований к балансу воронки).

Характеристика	Традиционный MMM (Дескриптивный)	Bayesian MMO (Прескриптивный)
Главный вопрос	Как работали наши каналы в прошлом?	Как оптимально распределить бюджет в будущем?
Выходные данные	Коэффициенты ROI, CPA, вклад каналов (Contribution)	Математически оптимальный медиаплан (сплит)
Отношение к риску	Точечные оценки (часто иллюзорно точные)	Доверительные интервалы (HDI), учет вероятностей
Учет синергии	Часто игнорируется или линейно аппроксимируется	Сложные нелинейные связи и кросс-канальные эффекты
Математический аппарат	МНК-регрессия (OLS)	Марковские цепи (MCMC), градиентная оптимизация

---

2. Глубокий анализ: Байесовские алгоритмы в маркетинге

В основе прескриптивной аналитики лежит теорема Байеса, описывающая обновление наших знаний на основе новой информации.

Формула: $$ P(\theta|D) = \frac{P(D|\theta) \times P(\theta)}{P(D)} $$

Где:

• $P(\theta|D)$ — Апостериорная вероятность (Posterior): Наше убеждение в истинности параметров модели $\theta$ (например, эффективности ТВ или Директа) после наблюдения данных $D$.
• $P(D|\theta)$ — Правдоподобие (Likelihood): Насколько вероятны полученные данные о продажах при заданных параметрах.
• $P(\theta)$ — Априорная вероятность (Prior): Наше знание до наблюдения данных (те самые A/B тесты).
• $P(D)$ — Свидетельство (Evidence): Константа нормализации.

2.1 MCMC и преодоление размерности

Решить это уравнение аналитически для сложных нелинейных маркетинговых моделей невозможно. Поэтому используются алгоритмы Markov Chain Monte Carlo (MCMC) (например, No-U-Turn Sampler, NUTS). Алгоритм блуждает по многомерному пространству возможных параметров (ROI, коэффициенты насыщения, decay rates для adstock), задерживаясь там, где комбинация параметров лучше всего описывает реальные продажи и не противоречит priors. Результат работы модели — не одна кривая убывающей отдачи, а тысячи вероятных кривых (Trace/Posterior samples).

2.2 Моделирование убывающей отдачи (Diminishing Returns)

В оптимизации медиамикса кривые насыщения — это фундамент. Без них алгоритм просто вложит весь бюджет в канал с самым высоким линейным ROI. В байесовских MMM-библиотеках (LightweightMMM от Google, PyMC-Marketing) применяются нелинейные функции:

• Hill Function (Функция Хилла): Позволяет моделировать S-образные кривые. На начальном этапе канал “разгоняется” (увеличивается отдача на каждый доллар), затем достигает плато.
• Michaelis-Menten: Популярна в фармакокинетике, отлично описывает плавное затухание эффективности рекламы без S-образной формы.
• Weibull PDF: Часто применяется для моделирования сложного эффекта Adstock в комбинации с насыщением.

Для MMO кривая убывающей отдачи означает, что маржинальный ROI (предельная рентабельность) каждого следующего вложенного рубля падает по мере роста бюджета.

2.3 Проблема “Жадного Оптимизатора”

Если мы передадим полученные нелинейные кривые функции насыщения в модуль оптимизации без дополнительных ограничений и поставим задачу Maximize(Sales), алгоритм поведет себя математически безупречно, но приведет бизнес к катастрофе.

Сценарий провала:

1. Оптимизатор видит, что Branded Search (Контекстная реклама по брендовым запросам) имеет исторический средний ROI 3000% и высокую точку насыщения (кажется, что можно влить еще миллионы без потери ROI).
2. Оптимизатор видит, что Video Ads (Медийная реклама) имеет средний ROI 80%.
3. Вердикт алгоритма: Перераспределить 100% доступного бюджета в Branded Search, урезать медийное видео, PR и спонсорство до нуля.

Где ошибка? Модель (даже байесовская, если она плохо специфицирована) не всегда понимает каузальную воронку. Branded Search не генерирует новый спрос, он лишь “собирает урожай”. Если отключить верхние этажи воронки (ТВ, Видео), поток брендовых запросов иссякнет через несколько недель, и емкость Branded Search схлопнется. Оптимизатор видит кривую, построенную на исторических данных, где ТВ уже работало параллельно с Поиском.

2.4 Внедрение математических ограничений (Constraints)

Чтобы спасти ситуацию и заставить алгоритм (например, scipy.optimize.minimize с методом SLSQP) выдавать реалистичные медиапланы, необходимо наложить жесткую систему ограничений на функцию.

Фундаментальные типы ограничений в MMO:

• 1. Ограничения на долю бюджета (Lower and Upper Bounds): Устанавливаются минимальные и максимальные границы изменения бюджета по каждому каналу относительно исторического статуса-кво.

  • Пример математики: $0.7 \times Budget_{hist}^{(i)} \le Budget_{opt}^{(i)} \le 1.5 \times Budget_{hist}^{(i)}$ (Изменение бюджета канала $i$ допускается в пределах от -30% до +50%).
  • Логика: Защита от экстремальных экстраполяций. Модель достоверно знает, как ведет себя канал только в окрестностях исторических трат. Выходить за пределы +50% означает гадать на кофейной гуще.

• 2. Ограничение на общий бюджет (Equality Constraint): Сумма инвестируемых бюджетов должна строго равняться выделенному фонду $B_{total}$.

  • Пример математики: $\sum_{i=1}^{N} Budget_{opt}^{(i)} = B_{total}$

• 3. Ограничения по воронке / Стратегические (Inequality Constraints): Сохранение каузального баланса между брендингом и performance-маркетингом.

  • Пример математики: $\frac{\sum Budget_{brand}}{\sum Budget_{perf}} \ge 0.4$ (Доля Brand-каналов должна составлять не менее 40% от бюджета Performance-каналов).

• 4. Ограничения инвентаря (Inventory Caps): Учет рыночных реалий. Даже если алгоритм нашел невероятно рентабельный сегмент (например, узкий ретаргетинг на брошенные корзины), мы физически не сможем потратить там миллиард. Накладывается жесткий Cap.

---

3. Процесс оптимизации: Как алгоритм ищет оптимум

Процесс поиска идеального медиаплана внутри MMO представляет собой решение задачи выпуклого (или невыпуклого) программирования.

1. Целевая функция (Objective Function): Формируется функция ожидаемых продаж или маржи: $E[Sales(x_1, x_2, …, x_n)]$. Здесь $x_i$ — бюджеты. Функция использует медианные или усредненные кривые насыщения из байесовского сэмплера. 2. Точка старта (Initial Guess): Обычно алгоритм начинает поиск из текущего исторического сплита бюджетов. 3. Вычисление градиентов и переливка: Алгоритм L-BFGS-B или SLSQP вычисляет частные производные по каждому каналу — то есть предельный ROI на текущей точке бюджета (Marginal ROI).

• Если $\frac{\partial Sales}{\partial x_{TV}} < \frac{\partial Sales}{\partial x_{Social}}$, алгоритм “переливает” часть бюджета из ТВ в Соцсети. 4. Столкновение с ограничениями: Когда канал Соцсетей доходит до установленного Upper Bound (например, +50%), градиент может все еще указывать на рост, но ограничение возвращает алгоритму жесткий барьер. Переливка в этот канал блокируется, и оптимизатор ищет следующий канал по эффективности. 5. Сходимость к точке равновесия: Процесс завершается, когда маржинальный ROI всех активных каналов (не упершихся в границы) выравнивается.

Согласно микроэкономической теории предельной полезности, это и есть точка максимизации общей отдачи.

---

4. Архитектура непрерывного цикла Bayesian MMO

Современный подход к MMO — это не разовая операция, а непрерывный цикл (Continuous Optimization), где результаты алгоритма проверяются в реальных условиях, а полученные данные снова идут на обучение.

Ниже приведена SVG диаграмма, описывающая этот непрерывный цикл.

<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 900 600" width="100%" height="600">
  <!-- Background -->
  <rect width="100%" height="100%" fill="#1a202c" rx="12"/>

  <style>
    .node-text { font-family: 'Segoe UI', sans-serif; font-size: 15px; font-weight: 600; fill: #ffffff; text-anchor: middle; }
    .header { font-family: 'Segoe UI', sans-serif; font-size: 24px; font-weight: 700; fill: #63b3ed; }
    .desc { font-family: 'Segoe UI', sans-serif; font-size: 13px; fill: #a0aec0; text-anchor: middle;}
    .path-main { stroke: #63b3ed; stroke-width: 3; fill: none; marker-end: url(#arrow-blue); }
    .path-feedback { stroke: #fc8181; stroke-width: 3; stroke-dasharray: 8,6; fill: none; marker-end: url(#arrow-red); }
    .box-data { fill: #2d3748; stroke: #4a5568; stroke-width: 2; rx: 10; }
    .box-prior { fill: #2c5282; stroke: #4299e1; stroke-width: 2; rx: 10; }
    .box-core { fill: #2b6cb0; stroke: #63b3ed; stroke-width: 3; rx: 10; }
    .box-constraint { fill: #744210; stroke: #d69e2e; stroke-width: 2; rx: 10; }
    .box-opt { fill: #9b2c2c; stroke: #fc8181; stroke-width: 3; rx: 10; }
    .box-exec { fill: #276749; stroke: #68d391; stroke-width: 2; rx: 10; }
  </style>

  <defs>
    <marker id="arrow-blue" viewBox="0 0 10 10" refX="9" refY="5" markerWidth="6" markerHeight="6" orient="auto">
      <path d="M 0 0 L 10 5 L 0 10 z" fill="#63b3ed" />
    </marker>
    <marker id="arrow-red" viewBox="0 0 10 10" refX="9" refY="5" markerWidth="6" markerHeight="6" orient="auto">
      <path d="M 0 0 L 10 5 L 0 10 z" fill="#fc8181" />
    </marker>
  </defs>

  <text x="450" y="50" class="header" text-anchor="middle">Bayesian Media Mix Optimization (MMO) Loop</text>

  <!-- Left Column: Inputs -->
  <rect x="50" y="120" width="180" height="70" class="box-data" />
  <text x="140" y="152" class="node-text">1. Historical Data</text>
  <text x="140" y="172" class="desc">Spend, Sales, Seasonality</text>

  <rect x="50" y="240" width="180" height="70" class="box-prior" />
  <text x="140" y="272" class="node-text">Geo-Lift / A-B Tests</text>
  <text x="140" y="292" class="desc">Inform Bayesian Priors</text>

  <!-- Middle Column: Modeling -->
  <rect x="330" y="180" width="240" height="100" class="box-core" />
  <text x="450" y="215" class="node-text">2. Bayesian MMM Engine</text>
  <text x="450" y="235" class="desc">Markov Chain Monte Carlo (MCMC)</text>
  <text x="450" y="255" class="desc">Saturation Curves Extraction</text>

  <rect x="330" y="340" width="240" height="70" class="box-constraint" />
  <text x="450" y="372" class="node-text">Business Constraints</text>
  <text x="450" y="392" class="desc">Budget Bounds &amp; Funnel Ratio</text>

  <!-- Right Column: Optimization & Execution -->
  <rect x="650" y="180" width="200" height="100" class="box-opt" />
  <text x="750" y="215" class="node-text">3. Non-Linear Optimizer</text>
  <text x="750" y="235" class="desc">SLSQP / L-BFGS-B</text>
  <text x="750" y="255" class="desc">Maximize E[Sales]</text>

  <rect x="650" y="340" width="200" height="70" class="box-exec" />
  <text x="750" y="372" class="node-text">4. Media Plan Execution</text>
  <text x="750" y="392" class="desc">Run Campaign, Gather New Data</text>

  <!-- Connections -->
  <path d="M 230 155 C 280 155, 280 230, 330 230" class="path-main" />
  <path d="M 230 275 C 280 275, 280 230, 330 230" class="path-main" />

  <!-- From MMM to Optimizer -->
  <path d="M 570 230 L 635 230" class="path-main" />
  <text x="600" y="215" class="desc" fill="#63b3ed">Posteriors</text>

  <!-- From Constraints to Optimizer -->
  <path d="M 570 375 C 610 375, 610 250, 650 250" class="path-main" />

  <!-- From Optimizer to Exec -->
  <path d="M 750 280 L 750 325" class="path-main" />

  <!-- Feedback Loop -->
  <path d="M 750 410 C 750 520, 140 520, 140 310" class="path-feedback" />
  <text x="445" y="500" class="desc" fill="#fc8181" style="font-weight: bold; font-size: 14px;">Feedback Loop: Execution results become new Bayesian Priors</text>
</svg>

---

5. Высший пилотаж: Robust Optimization и учет риска

Байесовская модель выдает не просто точную кривую, а веер (облако) кривых с доверительными интервалами (HDI - Highest Density Interval).

В базовом подходе к MMO алгоритм-оптимизатор усредняет эти кривые и оптимизирует план по медиане. Это называется Deterministic Optimization. Проблема в том, что среднее значение скрывает дисперсию (риск). У канала А может быть узкий доверительный интервал (мы уверены в его ROI), а у канала Б — очень широкий (ROI в среднем высокий, но может оказаться и нулевым).

Для решения этой проблемы внедряется Robust Optimization (Робастная оптимизация):

• Вместо максимизации средних ожидаемых продаж, алгоритм максимизирует нижнюю границу доверительного интервала продаж (например, 10-й перцентиль апостериорного распределения).
• Смысл: Маркетолог говорит алгоритму: “Составь мне такой медиаплан, который в самом худшем (пессимистичном) сценарии принесет мне максимум денег”.
• Это заставляет алгоритм перекладывать бюджеты в более предсказуемые каналы (уменьшая риск потерь), инвестируя в рискованные каналы только в том случае, если потенциальный апсайд колоссален.

6. Резюме и чек-лист внедрения

Media Mix Optimization — это вершина пирамиды маркетинговой аналитики. Этот процесс превращает аналитика из ретроспективного наблюдателя в штурмана бизнеса. Использование байесовских сетей позволяет строго математически учитывать неопределенность и интегрировать результаты инкрементальных экспериментов (priors), делая модель более устойчивой к информационному шуму и мультиколлинеарности данных.

Однако без внедрения строгих бизнес-ограничений (Constraints) любая математическая модель неизбежно скатывается к экстремальным решениям, разрушая хрупкую архитектуру маркетинговой воронки бренда. Искусство MMO заключается в тонком балансировании между математической бескомпромиссностью алгоритмов нелинейной оптимизации (SLSQP, градиентный спуск) и суровыми реалиями медийного рынка.

Чек-лист для запуска Bayesian MMO в компании:

1. Данные: Убедиться, что исторический период охватывает минимум 2-3 полных бизнес-цикла (чтобы кривые насыщения успели сформироваться).
2. Калибровка: Интегрировать результаты как минимум двух калибровочных A/B тестов (Geo-Lift, Causal Impact) в качестве Bayesian Priors.
3. Стек: Выбрать надежную библиотеку с открытым кодом (Robyn от Meta, Meridian/LightweightMMM от Google, PyMC-Marketing).
4. Границы (Bounds): Прописать жесткие ограничения на бюджетные перепады (обычно ±20% для стабильных каналов, ±50% для растущих) совместно с медиа-байерами.
5. Баланс воронки: Задать нелинейные ограничения, предотвращающие “высушивание” охватных каналов в угоду Performance.
6. Сценарное моделирование: Провести What-If Analysis перед утверждением финального плана (сокращение бюджета, рост цен на инвентарь).

Только при соблюдении этих правил Media Mix Optimization начнет генерировать не просто красивые графики, а реальные инкрементальные продажи для бизнеса.