Marketing Mix Modeling (MMM) и Multi-Touch Attribution (MTA): сравнение

Marketing Mix Modeling (MMM) против Multi-Touch Attribution (MTA): что выбрать для аналитики

Marketing Mix Modeling (MMM) и Multi-Touch Attribution (MTA) — две главные семейства методологий, применяемых для измерения эффективности маркетинга. MMM анализирует агрегированные данные на уровне всей компании за длинный период (обычно 2–3 года), используя эконометрику. MTA анализирует индивидуальный путь клиента через цифровые точки контакта в реальном времени. Каждая методология отвечает на разные вопросы и имеет разные ограничения. Современная зрелая аналитика комбинирует обе — с приходом ограничений на пользовательское отслеживание (iOS 14, GDPR) MMM переживает второй ренессанс.

1. Зачем нужны эти методологии

Классический вопрос Джона Вэнамейкера — «половина моих рекламных денег уходит впустую, проблема в том, что я не знаю какая половина» — описывает проблему атрибуции в её чистом виде. Маркетолог потратил деньги на разные каналы; продажи произошли. Какой канал какую долю продаж обеспечил?

Без ответа на этот вопрос невозможно рационально перераспределять бюджет. Любая оценка ROI по каналу зависит от того, какая модель атрибуции использована.

В разное время доминировали разные подходы. До интернета — MMM (возникновение в 1960-х в P&G). С распространением цифрового маркетинга — MTA. С 2020-х — снова MMM, под давлением ограничений на отслеживание.

2. Marketing Mix Modeling

Принцип. MMM использует эконометрические регрессии (часто множественную линейную регрессию или её расширения) на агрегированных данных за длинный период. Зависимая переменная — продажи (или другая бизнес-метрика). Независимые — расходы на каждый канал, плюс контрольные переменные: сезонность, цена, конкуренция, внешние события.

Что измеряет. Долгосрочный вклад каждого канала в продажи; диминишинг возврат (decay curves); кросс-канальные взаимодействия; влияние внешних факторов; оптимальный медиа-микс.

Преимущества.

— Не требует пользовательского отслеживания. MMM работает на агрегированных данных и не нуждается в cookies или device IDs. — Учитывает оффлайн-каналы. ТВ, радио, наружка, печать — каналы, которые MTA в принципе плохо измеряет, MMM учитывает наравне с цифровыми. — Учитывает long-term effects. Brand-эффекты, отложенные конверсии, halo-эффекты (когда реклама одного продукта помогает другому). — Robust к нарушениям отслеживания. Регуляторные ограничения и блокировщики не влияют на MMM.

Ограничения.

— Низкое разрешение. MMM даёт оценку на уровне канала или кампании, не на уровне индивидуального пользователя. — Требует длинных данных. Минимум 2 года данных, лучше 3+, для устойчивых оценок. — Не работает в реальном времени. MMM-обновления обычно квартальные. — Чувствителен к коллинеарности. Если каналы запускаются вместе, регрессия не может разделить их вклад. — Сложен в построении. Требует эконометрической экспертизы и аккуратной работы с данными.

3. Multi-Touch Attribution

Принцип. MTA отслеживает индивидуальный путь пользователя через цифровые точки контакта (показ рекламы, клик, посещение сайта, регистрация, покупка) и распределяет «кредит» за конверсию между всеми точками контакта по выбранной модели.

Основные модели атрибуции.

— Last-click — 100% кредит последнему клику. Самая простая, очень неточная. — First-click — 100% первому. Лучше для оценки awareness, но игнорирует конверсию. — Linear — равный кредит всем точкам контакта. Слабо различает. — Time-decay — кредит убывает к началу пути. — U-shaped (position-based) — большой кредит первому и последнему, остаток равномерно остальным. — Algorithmic / data-driven — кредит распределяется на основе модели машинного обучения, обычно Shapley values или Markov chains.

Преимущества.

— Высокое разрешение. Кредит на уровне отдельной точки контакта. — Real-time или близко к нему. MTA работает с потоками событий и может обновляться ежедневно. — Связан с операционным управлением. Менеджер кампании может видеть, какие конкретно ключевые слова, креативы, каналы работают.

Ограничения.

— Зависит от пользовательского отслеживания. iOS 14.5 (Apple App Tracking Transparency), Chrome без third-party cookies, GDPR — всё это разрушает основу MTA. — Не учитывает оффлайн. ТВ, радио, наружка не отслеживаются на уровне индивидуального пользователя. — Не учитывает влияние brand-каналов. Long-term влияние крупной бренд-кампании MTA в принципе не видит. — «Last-click bias». Большинство стандартных моделей переоценивают каналы, расположенные ближе к конверсии (search, retargeting), и недооценивают верхние каналы. — Cross-device проблема. Если пользователь начал на телефоне, продолжил на десктопе, MTA часто не объединяет их в одно лицо.

4. Когда какая методология уместна

Задача	Лучше MMM	Лучше MTA
Долгосрочный медиа-микс	✓
Бюджетирование на год	✓
Оптимизация конкретной кампании		✓
ТВ + диджитал вместе	✓
Только performance-каналы		✓
Быстрые решения в реальном времени		✓
Бренд-эффекты	✓
Малый исторический объём данных		✓
Оффлайн / B2B со сложной воронкой	✓
После iOS 14.5 / GDPR	✓

В большинстве зрелых компаний нужны оба, и они отвечают на разные слои вопросов.

5. Unified / Hybrid Approaches

Современная практика — комбинировать MMM и MTA в единую систему (unified marketing measurement). Несколько подходов.

Triangulation. MMM и MTA дают независимые оценки, которые сравниваются. Расхождения сигнализируют о проблемах в одной из моделей. Аналитик ищет причину расхождения.

Calibration. Используются результаты A/B-экспериментов или geo-экспериментов как «истина», к которой калибруются и MMM, и MTA. Рандомизированные эксперименты — единственный по-настоящему причинный метод; остальные — корреляционные.

Bayesian MMM с MTA-приоритетами. В последние годы получают распространение байесовские MMM (Robyn от Meta, LightweightMMM от Google), которые позволяют включать данные MTA и эксперименты в качестве приоритетной информации.

6. Causal vs correlational

Ключевая методологическая проблема обеих семей — причинность. Оба метода в чистом виде дают корреляционные оценки. Каналы, на которые тратится больше денег, часто запускаются в моменты высокого спроса; реклама на бренд показывается тем, кто и так склонен купить. Без эксперимента отделить причину от следствия трудно.

Поэтому современная аналитика всё больше включает causal inference: A/B-тесты, geo-experiments (запуск в одних регионах, не запуск в других), holdout tests (отключение канала на части аудитории). Эти эксперименты сами по себе не заменяют MMM или MTA, но дают точки калибровки, к которым модели подгоняются.

См. также: Тестирование и оптимизация.

7. Ренессанс MMM в 2020-х

К концу 2010-х многие компании перешли преимущественно на MTA. С 2020-х маятник развернулся:

— iOS 14.5 (2021) ввёл App Tracking Transparency, разрушив значительную часть MTA в мобильных приложениях. — Google объявил поэтапную отмену third-party cookies в Chrome. — Регуляции GDPR и CCPA ограничили возможности отслеживания. — Cross-device complexity только нарастала.

В этих условиях MMM, не зависящий от пользовательского отслеживания, оказался устойчивее. Major-компании и платформы (Meta, Google) выпустили open-source инструменты MMM (Robyn, Meridian, LightweightMMM), упростив внедрение.

Это не означает «возврата» к 2000-м. Современный MMM использует машинное обучение, байесовские методы, геоэксперименты для калибровки, и его точность значительно выше классических 1990-х подходов.

8. Связь с другими концепциями

— Атрибуция — общая категория, частными случаями которой являются MTA-модели; — Тестирование и оптимизация — эксперименты как «золотой стандарт», к которому калибруются модели; — Когортный анализ — комплементарный инструмент, дающий долгосрочное измерение качества когорт по каналам; — Unit-экономика — конечная цель измерения CAC по каналам с учётом LTV; — Теория ограничений — после атрибуции возникает вопрос, какой канал расширять как ограничение.

9. Частые ошибки

Первая — выбирать одну методологию из двух как «правильную». MMM и MTA отвечают на разные вопросы; их противопоставление — методологическая ошибка.

Вторая — last-click attribution как стандарт. Это самая простая и одна из самых неточных моделей. Она систематически переоценивает каналы внизу воронки.

Третья — игнорировать эксперименты. Без A/B и geo-тестов и MMM, и MTA остаются корреляционными. Расхождения с реальностью могут быть значительными.

Четвёртая — оптимизировать по MTA, игнорируя долгосрочные бренд-эффекты. Команды, режущие верхневоронковые каналы по MTA-метрикам, через 12–18 месяцев получают рост CAC, который MTA уже не объясняет.

Пятая — слепое доверие к out-of-the-box MMM-инструментам. Без понимания эконометрических допущений и калибровки результаты могут быть систематически смещены.

10. Связанные концепты

Атрибуция, базовые метрики маркетинга, unit-экономика, тестирование и оптимизация, когортный анализ, медиа-стратегия, аналитика и эксперименты, теория ограничений.

Источники

Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz. Market Response Models: Econometric and Time Series Analysis (2nd ed., 2003).
Avinash Kaushik. Web Analytics 2.0 (2009) — классические главы про атрибуцию.
Meta Open Source. Robyn: Open Source Marketing Mix Modeling.
Google. Meridian: Bayesian Marketing Mix Modeling (2024).
Carl F. Mela, Sridhar Moorthy, Phil Pfeifer. Marketing Engineering (3rd ed., 2017).

Навигация:

Раздел: Аналитика -> Базовые метрики
Категории: #analytics, #Экспертный