Лента статей для оптимикса https://statzilla.ru ru Mon, 01 Jun 2026 10:44:17 +0300 Почему эконометрика в маркетинге наконец стала доступна среднему бизнесу? https://statzilla.ru/tpost/baooh84t91-pochemu-ekonometrika-v-marketinge-nakone https://statzilla.ru/tpost/baooh84t91-pochemu-ekonometrika-v-marketinge-nakone?amp=true Mon, 20 Apr 2026 13:45:00 +0300 Раньше эконометрика была привилегией гигантов с бюджетами как у P&G. Сейчас - уже совсем нет. Рассказываем, что изменилось и почему вам на это пора посмотреть.

Почему эконометрика в маркетинге наконец стала доступна среднему бизнесу?

О чём вообще речь?

Эконометрика в маркетинге — это способ математически рассчитать, какой вклад в продажи внёс каждый ваш рекламный канал. Контекст, ТВ, радио, наружка, блогеры — всё, что угодно.

В отличие от привычной аналитики по «последнему клику» (когда вся слава достается каналу, на котором кликнули непосредственно перед покупкой), эконометрика:

видит отложенный эффект (увидел рекламу сегодня, купил через неделю);
измеряет синергию каналов (ТВ + контекст вместе работают лучше, чем по отдельности);
отсекает внешний шум (сезонность, акции конкурентов, праздники).

Раньше это было сложно и безумно дорого. Сейчас — нет.

Коротко о нас:

Мы - команда аналитического агентства Statzilla, занимаемся анализом данных полного цикла: от дизайна исследования и сбора данных до их анализа и создания глубоко интегрированных аналитических продуктов. Мы на рынке с 2015 года, за это время успели поработать с гигантами вроде Google и Сбер.

Один из разработанных нами продуктов - сервис Optimix: платформа для оптимального распределения маркетингового бюджета с помощью математического моделирования.

Как было: эконометрика для избранных

Ещё лет 5–7 назад единственный путь выглядел так:

Нанять консалтинг за 3–10 млн рублей.
Ждать полгода, пока аналитики поколдуют.
Получить красивый PDF с выводами о том, что было в прошлом году.

Что с этим отчётом можно было сделать? Почитать, восхититься и... положить на полку. Потому что:

он не предполагал самостоятельных экспериментов («а что, если перебросить бюджет?»);
обновление модели стоило ещё денег и времени;
он был рассчитан на бюджеты в сотни миллионов, а не на 1–10 млн в месяц.

Этот инструмент был заточен под корпорации с бюджетами в сотни миллионов. Средний бизнес даже не смотрел в ту сторону.

Что изменилось?

Фактор 1. Технологии стали доступнее

То, что раньше требовало суперкомпьютеров и команды узких специалистов, теперь работает в облаке. Алгоритмы машинного обучения стали доступными.

Появились SaaS-платформы, которые автоматизируют 90% работы. Вам не нужны data-аналитики в штате. Маркетолог подгружает данные — система выдает результат.

Фактор 2. Рынок созрел

Раньше средний бизнес использовал 2–3 канала. Сейчас — 5–7 и больше. Контекст, таргет, ТВ, радио, наружка, блогеры, email и т.д. Без модели разобраться, что именно работает, невозможно.

Эконометрика перестала быть «модной хотелкой» и постепенно переходит в разряд необходимых инструментов.

Три мифа, которые пора забыть

Миф 1. «Это дорого»
Годовая подписка на SaaS-платформу сопоставима с месяцем работы не самого эффективного канала. При этом она окупается за 2–4 месяца за счёт перераспределения бюджета.

Миф 2. «Нужны data-аналитики»
Нет. Современные платформы автоматизируют модель. Маркетолог справляется сам.

Миф 3. «Нужны годы накопленных исторических данных»
Не нужно годами копить данные, для построения модели необходимы данные всего лишь за последний год.

Как понять, что пора попробовать?

Простой чек-лист:

Маркетинговый бюджет от 1 млн рублей в месяц.
Вы используете 3+ каналов, включая офлайн (ТВ, радио, наружка) или сложные для отслеживания (PR, блогеры).
Есть история продаж и маркетинговых расходов за 12+ месяцев.

Напишите нам

Не знаете, с чего начать? Просто напишите нам на почту. Мы с вами свяжемся, зададим пару вопросов и скажем, есть ли смысл двигаться дальше.

Если у вас данных меньше, чем за 12 месяцев, но вам тоже хочется попробовать - также смело пишите нам, подумаем, что можно сделать в конкретно вашем случае.

А если данных нет совсем — тоже не страшно. Мы расскажем, в каком формате и как начать собирать данные, чтобы через год вы уже могли строить полноценные модели :)

]]> Математика на службе маркетолога. Часть 1 https://statzilla.ru/tpost/6c69n9hxk1-matematika-na-sluzhbe-marketologa-chast https://statzilla.ru/tpost/6c69n9hxk1-matematika-na-sluzhbe-marketologa-chast?amp=true Fri, 08 May 2026 13:45:00 +0300 Simon Einstein Как распределить бюджет по рекламным каналам, чтобы максимизировать прибыль

Математика на службе маркетолога. Часть 1

Исходная ситуация компании-клиента и описание контекста

Итак, наш клиент - региональная сеть медицинских многопрофильных клиник. На рынке существует уже около 5 лет.

В целом бизнес идет довольно успешно, но по мере роста наш клиент столкнулся с типичными для любой компании проблемами.

Трудно оценить “неоцифрованную” часть рекламных кампаний: оффлайн, а также медиа-кампаний по ТВ, радио. Как это часто бывает, 80% трафика не оцифровано. Клиника использовала такие инструменты продвижения как реклама на ТВ, радио, наружная реклама на билбордах, эффективность которых было очень трудно оценить (или практически невозможно) при наличии только стандартных инструментов маркетолога. А, главное, их эффективность невозможно было сравнить между собой и с онлайн каналами.
Маркетинговый бюджет перестал давать предсказуемую отдачу. За счет того, что за цикл принятия решения о посещении клиники пациент совершает несколько касаний с брендом в различных источниках, маркетолог не знал, какие рекламные каналы на самом деле приносят новых клиентов.
Планирование в Excel превратилось в «черный ящик»: сложные формулы, недели на подготовку отчета, невозможность быстро проверить гипотезу. Разрозненные данные в нескольких источниках также не способствовали быстрому принятию маркетинговых решений - данные сначала необходимо было собрать в одном месте.
Интуитивное распределение маркетингового бюджета по каналам. Решения принимались по принципу «в прошлом квартале на контекстную рекламу давали 30%, значит, и сейчас дадим».

Запрос нашего клиента состоял в том, чтобы максимально уйти от интуиции и гаданий на магическом шаре к обоснованным решениям, которые принимаются на основе исторических данных и точных математических прогнозах.

Методология

В основе проекта лежало внедрение платформы Optimix, способной строить сложные эконометрические модели с учетом:

Полного цикла пациента: временные лаги между первым контактом с брендом и обращением в клинику.
Синергии каналов: влияния имиджевых активностей (верх воронки) на эффективность перформанс-инструментов (низ воронки).
Внешних факторов: активности ключевых конкурентов, сезонности спроса, общей экономической и медийной повестки.
Кривой насыщения рекламных каналов: точки, после которой каждый дополнительный рубль инвестиций приносит все меньше отдачи — чтобы не переплачивать там, где эффективность уже упала.

Этапы реализации проекта

Этап 1: Комплексный сбор и интеграция данных. В модель были загружены исторические данные за 12 месяцев по рекламным кампаниям клиники, обращениям из CRM, а также внешние рыночные индикаторы.
Этап 2: Калибровка и верификация модели. Система «научилась» корректно оценивать вклад разных активностей с учетом специфики медицинских услуг.
Этап 3: Сценарное планирование и оптимизация. До утверждения ежеквартального бюджета маркетинговая команда тестировала в системе 3 стратегических сценария, выбирая вариант с максимальной прогнозируемой отдачей.

Как работает платформа Optimix

Платформа Optimix автоматизирует сбор данных из всех маркетинговых, CRM и внешних источников за счет интеграций, позволяет строить многомерную эконометрическую модель и дает интуитивно понятные инструменты для анализа и планирования маркетинга.

Рассмотрим чуть детальнее, как это устроено.

1.Панель подготовки к запуску рекламной кампании

Это панель для подготовки предстоящей рекламной кампании.

Маркетолог создает каркас рекламной кампании: ориентировочный бюджет, период и сроки проведения, добавляет список рекламных каналов, которые потенциально будет использоваться в РК, подключает внешние источники данных (например Я.Директ, ВК.еклама, или площадки оффлайн рекламы).

На этом же этапе определяются целевые метрики (KPI), на которые рекламная кампания призвана повлиять. В нашем случае это количество первичных обращений пациентов (непосредственно поток новых пациентов) и брендовый поисковой трафик на сайт клиники (показатель узнаваемости и «нагрева» аудитории).

Эти метрики связаны, но не идентичны: можно получить много брендовых запросов, но часть из них не дойдет до записи. А можно наоборот - максимизировать количество новых обращений, но на брендовые запросы оказывать меньше влияния. Поэтому мы решили сравнить, как разные цели оптимизации влияют на результат.

2. Инструмент сценарного планирования и прогноза

Когда конфигурация рекламной кампании готова, следующим шагом переходим к планированию бюджета и разработке сценариев.

На этой панели маркетолог может тестировать различные сценарии медиапланирования - включать/отключать каналы, перераспределять бюджеты, менять сроки размещения. Это позволит моментально ответить на вопрос: «Что будет, если мы перебросим 1 млн. руб. с контекстной рекламы на рекламу на ТВ?». При этом бюджет не будет спущен “в воздух”, а результат будет спрогнозирован с точностью 95%.

Одна из фишек Optimix - это встроенный AI-планировщик, который подсказывает, как оптимизировать бюджет на рекламу.

AI-планировщик Optimix умеет выполнять две основные функции под разные задачи:

Первая: у вас есть фиксированный бюджет (например, 12 млн руб.), и система находит оптимальное распределение этих денег по каналам под выбранную цель: максимум первичных обращений или брендовых запросов при заданном бюджете.
Вторая: у вас нет жестко зафиксированного бюджета, тогда AI-планировщик сам рассчитывает уровень инвестиций, после которого отдача начинает резко падать (точка насыщения), и показывает оптимальный бюджет, при котором вы получите максимум результата без лишних трат.

На скриншоте показываем интерфейс AI-планировщика.Посмотрим на него внимательнее.

Чтобы максимизировать целевую метрику (в данном случае — брендовые поисковые запросы), система показывает, что оптимальный бюджет находится на уровне ~15 млн руб. Это превышает изначально заложенные 12 млн.

У нас есть два варианта - либо мы идем на увеличение бюджета, либо остаемся в рамках изначального бюджета и распределяем то, что есть — система покажет прогнозируемую эффективность для любого бюджета. Это позволяет легко сравнивать сценарии и не гадать.

Примечание: Почему система не предлагает просто залить больше денег в успешный канал? Потому что маркетинг подчиняется закону убывающей отдачи. Первые 100 тыс рублей в канале могут принести одного пациента. Следующие 100 тыс рублей — уже 0,7 пациента. А десятые 100 тыс руб — только 0,1.

“Под капотом” Optimix строит кривую насыщения для каждого канала и находит точку, где каждый дополнительный рубль перестает окупаться. Именно поэтому оптимальный бюджет — не максимально возможный, а тот, после которого отдача резко падает.

После того как мы определили общую сумму маркетингового бюджета (в нашем случае мы остановились на 15 млн руб), AI-планировщик автоматически распределяет его между группами каналов — так, чтобы достичь максимума по выбранной целевой метрике. Внутри группы каналов бюджет распределяется на основе экспертной оценки специалиста, по умолчанию система распределяет бюджет в равных пропорциях.

В интерфейсе системы это выглядит следующим образом:

При этом у маркетолога сохраняется возможность вносить изменения вручную при необходимости.

Прежде чем утвердить итоговый медиаплан, мы рассмотрели три варианта распределения бюджета.

Что показало сравнение?

Сценарий 1 (оптимизация под первичные обращения) направил большую часть бюджета в каналы нижней воронки — контекстную рекламу и онлайн медиа каналы. Прогноз по обращениям был максимальным, но брендовые запросы росли не так сильно.
Сценарий 2 (оптимизация под брендовые запросы) сделал ставку на ТВ и онлайн медиа каналы. Брендовых запросов стало больше, и в первичные обращения это тоже конвертировалось неплохо — но несколько хуже, чем в первом сценарии.
Сценарий 3 (ручной) — это то, как клиент интуитивно распределял бюджет раньше: 60% наружка, 20% ТВ, 12% онлайн перфоманс, 8% онлайн медиа каналы. В итоге канал наружной рекламы оказался сильно перенасыщен и не приносил нужного эффекта ни по одному из целевых показателей, по всем параметрам этот сценарий проигрывал.

Что выбрали в итоге?

Сравнив три сценария, мы остановились на втором — оптимизации под брендовый трафик на сайт, т.к нам было важно не потерять результаты по поисковому трафику, которые у клиента уже были при его привычном способе распределения бюджета. В этом сценарии поисковый трафик даже увеличивается: по прогнозу клиент получает 55 тыс поисковых запросов вместо 43 тыс при ручном планировании, ROI также увеличивается. Сценарий с ручным планированием оказался самым слабым по всем целевым метрикам.

Таким образом, AI-планировщик подтвердил: при бюджете 15 млн руб. со ставкой на ТВ и медиа каналах в онлайне, маркетинговые инвестиции дают большую отдачу на вложенный рубль, чем при ручном интуитивном планировании + увеличивается поисковый брендовый трафик.

Optimix в данном проекте выступил не просто инструментом аналитики, а платформой для принятия решений, которая помогла нашим заказчикам перевести маркетинг клиники на более высокий уровень управленческой зрелости.

Красиво спланировали — а дальше что?

В этой статье мы намеренно сфокусировались на методологии, этапах внедрения и сценарном планировании.

Но пока за кадром остались другие очень важные вещи — как устроен анализ «план/факт», что такое метрика uplift и как ее использовать на практике, как получить сводную отчетность, чтобы видеть единую картину по всем каналам. Об этом всем планируем продолжать рассказывать дальше в следующих статьях.

Следите за обновлениями!

]]> Как МММ-модель помогла перераспределить 15 млн бюджета: кейс сети клиник https://statzilla.ru/tpost/548bool9e1-kak-mmm-model-pomogla-pereraspredelit-15 https://statzilla.ru/tpost/548bool9e1-kak-mmm-model-pomogla-pereraspredelit-15?amp=true Mon, 01 Jun 2026 09:45:00 +0300 Gregory Willson Как понять реальную эффективность каждого рекламного канала и научиться стратегически перераспределять бюджеты, чтобы получить максимум прибыли

Как МММ-модель помогла перераспределить 15 млн бюджета: кейс сети клиник

С чем пришел клиент?

Клиент — сеть медицинских многопрофильных клиник, на рынке - 5 лет. Рекламный бюджет около 15 млн рублей в квартал.

До обращения к нам маркетологи полагались на модель атрибуций (обычную практику на рынке). Однако атрибуция не всегда объясняет все колебания. Например, иногда бюджет увеличивали, а обращения росли не так сильно, как ожидалось. А иногда — наоборот, бюджет оставался прежним, а обращения шли вверх.

Компания захотела разобраться, что на самом деле влияет на метрики. Возникла гипотеза, что, возможно, деньги уходят куда-то впустую, ибо не весь рост продаж создается только рекламой.

Задача: понять реальную эффективность каждого рекламного канала и научиться стратегически перераспределять бюджеты, чтобы увеличить количество первичных обращений без дополнительных затрат.

Как мы подошли к решению задачи?

Стандартным и наиболее обоснованным подходом в данной ситуации является построение эконометрической Marketing Mix Model (MMM). Этот метод позволяет декомпозировать продажи на составляющие, исключить влияние фоновых факторов и количественно оценить вклад каждого рекламного канала.

Значительная часть ресурсов при разработке таких моделей (до половины) традиционно уходит на корректный сбор данных — как рекламных, поступающих из разных каналов, так и внешних факторов. В компании маркетинговая информация велась разрозненно: у стейкхолдеров, в агентстве, в различных форматах по каждому запуску отдельно. В связи с этим было принято решение о переходе на платформу Optimix как единый центр медиапланирования, прогнозирования, учета и аналитики.

Хотя разовый сбор данных и построение модели возможны в Excel или с помощью кода на Python, компания стремилась не к получению единоразовой консультации, а к созданию системы стратегического планирования и управления бюджетами с поддержкой всех данных в актуальном состоянии.

После консолидации на платформе всех необходимых сведений — рекламных бюджетов, первичных обращений, внутренних показателей (оценки врачей, специализации, цены консультации, активности конкурентов и др.) — оставалось лишь задействовать функционал автоматического построения MMM-модели.

Важно: атрибуция — хороший инструмент для оперативной оптимизации (креативы, микроконверсии). Но для стратегического распределения бюджетов и учета оффлайн-эффектов её возможностей недостаточно. Optimix с возможностью построения МММ-моделей не отменяет атрибуцию, а дополняет её.

Optimix выдал готовую модель. И вот что мы увидели.

Что показала модель: продажи складываются из трёх компонентов

Модель разложила продажи клиента на три компонента:

Количество первичных обращений =

Базовый уровень обращений + Вклад рекламных каналов

+ Вклад нерекламных факторов

Компонент 1. Базовые продажи
Модель показала: даже если отключить всю рекламу, клиент получит 1125 первичных обращений в неделю. Откуда они? Это, например, те люди, которые уже давно знают бренд, приходят по рекомендациям своих знакомых и т.д.

Это нормально для бизнеса со сформированной репутацией. Значит, не все обращения в отчетах созданы текущей рекламой — часть из них «наследство».

Также модель рассчитала сезонность: например, больше всего первичных обращений происходит в осенне-зимний период, а летом традиционный спад. Это происходит независимо от того, есть реклама или нет.

Компонент 2. Нерекламные факторы — скрытый двигатель продаж
Модель выдала список коэффициентов, которые влияют на продажи (кроме рекламных бюджетов).

Фактор	Коэффициент	Влияние
Количество приемных часов	0,025	Есть слабое влияние
Количество специализаций врачей	18,5	Значительно влияет
Средняя стоимость консультации	-0,32	Среднее влияние: чем выше цена, тем меньше обращений
Средняя оценка врачей на медицинских агрегаторах	210	Большое влияние

Как читать коэффициенты?

Посмотрим на примере параметра “Средняя оценка врачей на медицинских агрегаторах”: при увеличении среднего рейтинга врачей клиники на 0,1, количество первичных обращений вырастает на 21 шт.

Маркетологи увидели в цифрах, где именно лежит немаркетинговый рычаг роста.

Компонент 3. Uplift — эффект, который реклама реально добавляет
Мы ввели клиента в понятие uplift — это разница между тем, что случилось с рекламой, и тем, что случилось бы и без неё.

Формула простая:

Uplift = Обращения с рекламой − Обращения без рекламы

Обращения без рекламы — это базовый уровень плюс эффект от пользовательских коэффициентов.

Мы пересчитали эффективность последней большой кампании клиента:

Показатель	Значение
Первичные обращения во время кампании	2400
Базовый уровень обращений	1125
Вклад нерекламных параметров	300
Uplift	2400 - 1125 - 300 = 975

Получаем, что из 2400 первичных обращений только 975 — реальная заслуга рекламы. Остальные 1425 случились бы сами собой: благодаря бренду, выросшим оценкам врачей и сезону.

Таким образом, фактический ROI уменьшился в 2,5 раза!

Важно уточнить, что «базовые» первичные обращения не возникают сами по себе. Здесь следует выделить две составляющие.

Первая — это само существование бизнеса. Клиника индексируется в поисковых системах, отображается на картах, привлекает прохожих. Этот органический канал самостоятельно генерирует значительную часть потока пациентов.

Вторая составляющая — накопительный эффект рекламы, связанный с узнаваемостью. Реклама воздействует на аудиторию накопительно, формируя отложенный спрос на длительном горизонте, который в некоторых бизнес-вертикалях может достигать нескольких лет. Данный эффект обычно измеряется и моделируется отдельно, и его учёт увеличивает совокупный вклад рекламы.

Таким образом, показатель в 975 первичных обращений следует интерпретировать лишь как сиюминутный результат рекламного воздействия. Реальный же эффект ощутимо выше. Мы будем рассказывать об этом в следующих статьях

Как это изменило распределение бюджета?

Опираясь на собственный опыт и данные по атрибуции, маркетологи интуитивно распределяли ранее бюджет следующим образом:

Группа каналов	Доля бюджета
Performance	12%
Media Online	7%
Наружная реклама	61%
ТВ	20%

Скрин из сервиса: распределение бюджета ручным способом, прогнозный % насыщения каналов

Клиент уже вкладывал значительные средства в охватные каналы (наружка + ТВ = 12,2 млн из 15 млн квартальных). Но он не был уверен, что эти деньги работают эффективно, поскольку атрибуция не умеет правильно оценивать оффлайн каналы.

Модель Optimix рассчитала uplift “под капотом” по каждому каналу и предложила новое оптимальное распределение бюджета:

Группа каналов	Доля бюджета
Performance	45%
Media Online	35%
Наружная реклама	13%
ТВ	7%

Скрин из сервиса: распределение бюджета при помощи модели Optimix, прогнозный % насыщения каналов

Почему модель так кардинально перераспределила бюджет?

Каналы наружной рекламы и реклама на ТВ оказались уже перегреты. Модель показала, что при текущем уровне интенсивности эти каналы работают на пределе насыщения. Дальнейшие вложения дают все меньший прирост новых клиентов. Клиент просто «сжигал» деньги, поддерживая высокую частоту охвата там, где эффект уже был исчерпан.

Модель переложила бюджет в каналы с наибольшим предельным uplift — туда, где каждый дополнительный рубль приносит максимальное количество реально новых клиентов.

Главный вывод для клиента

Мы показали клиенту: без МММ-модели невозможно разделить продажи на базовый уровень, нерекламные коэффициенты и uplift.

Без этого разделения:

Бюджет может распределяться неоптимально — деньги уходят в каналы с низкой предельной эффективностью
Не видеть, что улучшения сервиса (или другие нерекламные факторы) могут быть быть эффективнее рекламы

С МММ-моделью в Optimix клиент получил прозрачную картину. Теперь его бюджет распределяется так, чтобы приносить реальный прирост новых клиентов.

________________________________________________________________________________

P.S. Хотите так же разобрать вашу ситуацию? Optimix — платформа для управления маркетингом. Вы загружаете данные, планируете бюджеты, а встроенная МММ-модель находит базовый уровень продаж, нерекламные драйверы роста и рассчитывает uplift. И на основе этого перераспределяет бюджет так, чтобы он работал максимально эффективно.

]]> Моделирование медиамикса (МММ) для маркетологов https://statzilla.ru/tpost/3koe08f7o1-modelirovanie-mediamiksa-mmm-dlya-market https://statzilla.ru/tpost/3koe08f7o1-modelirovanie-mediamiksa-mmm-dlya-market?amp=true Wed, 01 Apr 2026 13:54:00 +0300 Что такое маркетинговое эконометрическое моделирование и зачем оно нужно?

Моделирование медиамикса (МММ) для маркетологов

Три отчета — три ответа

Представьте стандартную задачу маркетолога - подготовить отчет по проведенной маркетинговой кампании.

Вы анализируете рекламу в Яндекс.Директ: платный поиск принес 50% выручки. Заходите в рекламный кабинет VK, там другая цифра — соцсеть дала 25%. К вам приходит коллега из бренд-команды с отчетом по ТВ-кампании и добавляет к общей картине еще 40%.

Итого: 115% выручки.

Очевидно, что есть нестыковки, но где?.. Знакомо?

Проблема не в том, что платформы и/или коллеги врут. Проблема в том, что каждый оценивает свою собственную работу. У каждого своя методика атрибуции, свое окно конверсии, свои правила учета. И ни одна не видит полной картины.

Именно здесь на сцену выходит моделирование медиамикса (MMM).

MMM — это не магия (и не пирамида), это математика

Маркетинговое эконометрическое моделирование (Marketing Mix Modeling, MMM) — это статистический метод, который оценивает реальный вклад каждого рекламного канала в ваш бизнес-результат (продажи, лиды, первичные обращения).

Звучит сложно. На деле базовая идея проста.

Берутся три вещи:

Историю своих трат по рекламным каналам (поиск, соцсети, ТВ, наружка, email — любые, даже оффлайн).
Историю результата (это могут быть данные по выручке, количеству заявок, число клиентов и т.д - все, что можно считать целевой метрикой).
Внешние и внутренние другие нерекламные факторы (сезонность, промо-акции, активность конкурентов, количество торговых точек и другое).

Строите модель, которая отвечает на вопрос: «Что именно повлияло на результат и насколько сильно?»

Чем MMM отличается от атрибуции?

Атрибуция отвечает на вопрос: «С какими касаниями взаимодействовал пользователь перед покупкой?». Это описание пути клиента. Полезно для принятия тактических решений: какой креатив лучше, какое ключевое слово эффективнее.

MMM отвечает на другой вопрос: «А был бы этот результат без нашей рекламы?». Модель анализирует причинно-следственную связь. Полезно для стратегии: куда направить миллионы в следующем квартале, а где бюджет просто сгорает.

Пример из жизни.
Вы запустили ТВ-рекламу и параллельно крутите поиск. Человек увидел ролик, через неделю вспомнил бренд, нашел в поиске и перешел по ссылке из поиска.
Атрибуция отдаст "заслугу" поиску — он был последним. MMM увидит, что без ТВ поиск работал бы в два раза хуже.

Почему MMM снова стал популярным?

В 2010–2020 годах многие думали, что MMM устарел. Зачем он, если есть пиксели отслеживания, cookies и сквозная аналитика?

Сегодня ситуация изменилась:

Cookies умирают. Крупные компании ограничивают трекинг и не очень хотят делиться данными. А даже если делятся, то их никак невозможно проверить на корректность.
Оффлайн каналы рекламы не исчезли. ТВ, радио, наружка, подкасты — они работают, но стандартная аналитика их не видит.

MMM не требует пользовательских данных. Ему нужны только агрегированные цифры — траты по каналам в разрезе недель и итоговые результаты.

Как устроена типичная MMM-модель?

Упрощенно формула выглядит так:

Продажи = эффект канала А + эффект канала Б + эффект канала В + сезонность + промо + базовый спрос + ошибка модели

Но есть два важных эффекта, без которых MMM — просто модель регрессии:

1.Память рекламы (Adstock)

Реклама действует не мгновенно и не исчезает после показа. Вы увидели ролик в понедельник, а позвонили в пятницу. А кто-то — через две недели.

Adstock — это коэффициент, который показывает, как долго «живет» эффект от рекламного рубля. Без учета adstock вы систематически недооцениваете каналы с длинной памятью.

2.Убывающая отдача рекламы

Первый миллион в канале работает не так, как десятый.

Представьте, что вы продаете лимонад. Первые 1000 человек на пляже — новая аудитория, каждый рубль приносит много. Десятая тысяча — это те, кто уже проходил мимо десять раз. Они либо купили, либо не собираются.

В маркетинге то же самое. У каждого канала есть точка насыщения — уровень инвестиций, после которого отдача на дополнительный рубль резко падает.

MMM находит эту точку. И говорит: «Дальше лить деньги сюда смысла нет, лучше перенаправьте деньги в другой канал».

Что вы получаете на выходе?

Главный результат MMM — декомпозиция результата, в результате которого видно:

Базовый спрос — сколько продаж случилось бы без рекламы вообще (повторные покупки, органика, сарафанное радио).
Вклад каждого канала — поиска, соцсетей, ТВ, наружки и т.д.
Вклад сезонности — декабрьские и майские праздники, летние отпуска и др.
Вклад нерекламных факторов - количество торговых точек, уровень зарплат в стране, количество продаваемых позиций

Например: из 100 млн выручки 40 млн — это база, 20 млн принес поиск, 15 млн — соцсети, 10 млн — ТВ, 10 млн — сезонный всплеск, а 5 млн — разовая промо-акция.

С таким пониманием вы не урежете ТВ, «потому что его не видно в сквозной аналитике». И не удвоите поиск, если он уже достиг насыщения.

С чего начать, если вы никогда не делали MMM?

Хорошая новость: вам не нужны годы данных и команда докторов наук со степенью в аналитике.

Минимальный стартовый набор:

52 недели данных.
3–5 каналов, по которым есть история трат.
Данные хотя бы по одному бизнес-результату (выручка, лиды, заявки).
Платформа Optimix.

Даже простая модель на годовом графике покажет, какой канал явно перегрет, а у какого есть потенциал для роста.

MMM — это не замена, а надстройка

Мы не призываем выкинуть вашу сквозную аналитику.

Она нужна для тактики: A/B-тесты, оптимизация креативов, ставки по ключевым словам.

MMM нужен для стратегии: квартальное перераспределение миллионов, защита бюджета перед финансовым директором, прогноз на следующий год.

В идеале они работают в связке. Атрибуция показывает как, MMM — что реально сработало и куда идти дальше.

Если вы хотя бы раз ловили себя на мысли «не понимаю, куда уходят деньги» или «отчеты платформ противоречат друг другу» — MMM даст ответы.

Мы в Optimix строим такие модели автоматически, без необходимости нанимать команду эконометриков. Платформа сама собирает данные, подбирает параметры adstock и насыщения и показывает, где лежат неочевидные резервы вашего бюджета.

Хотите увидеть, как MMM работает на ваших данных?

Запросите демо — покажем, какие каналы у вас перегреты, а куда стоит переложить бюджет уже в следующем квартале.

]]>