Marketing Mix Modeling: Meridian, Robyn i próg danych

Marketing Mix Modeling: co szacuje ta metoda

Marketing Mix Modeling (MMM) to regresja na zagregowanych szeregach czasowych. Zmienną docelową jest zwykle tygodniowa sprzedaż, a zmiennymi objaśniającymi wydatki na media lub wyświetlenia w podziale na kanały oraz zmienne kontrolne, takie jak cena, promocje, sezonowość i święta. Na tej podstawie model szacuje, jaka część sprzedaży przypada na który kanał. Według przewodnika Robyn MMM nie potrzebuje do tego danych na poziomie użytkownika, bo pracuje na wartościach zagregowanych.

Dwa założenia zamieniają regresję w model reklamowy. Adstock odzwierciedla to, że reklama działa z opóźnieniem, a jej efekt wygasa przez kolejne tygodnie. Nasycenie odzwierciedla to, że każde dodatkowe euro w tym samym kanale przynosi mniej dodatkowej sprzedaży. Oba efekty są elementami Robyn i Google Meridian, którego wprowadzenie wprost wymienia opóźnione działanie reklamy i nasycenie jako założenia modelu. Z krzywej nasycenia wynika później rekomendacja budżetowa.

O jakości decydują zmienne kontrolne. Jeśli w modelu brakuje sezonowości, promocji cenowych lub popytu organicznego, przypisuje on ich efekt kanałom, które przypadkiem działały w tym samym czasie. Dlatego to samo wprowadzenie wskazuje wolumen wyszukiwań w Google jako zmienną kontrolną, która odfiltrowuje organiczne zainteresowanie marką.

Szerszy kontekst przedstawia artykuł filarowy Social Media Analytics, KPIs & Measurement. Powiązane decyzje omawiają szczegółowo Modele atrybucji: dlaczego multi-touch zawodzi, a dark social wygrywa, Testy inkrementalności: testy geo-lift zamiast ROAS z platform oraz Co liczy się jako wyświetlenie? Metryki wideo na YouTube, TikToku, Instagramie, LinkedInie.

Pojęcia: MMM, Media Mix Modeling, Meridian i Robyn

Media Mix Modeling jest zwykle używane jako synonim Marketing Mix Modeling, a skrót MMM oznacza oba pojęcia. Google Meridian i Meta Robyn to dwie implementacje tej metody typu open source. Meridian stosuje estymację bayesowską i może dodatkowo korzystać z danych na poziomie regionów. Robyn wykorzystuje regresję grzbietową i automatycznie wyszukuje swoje hiperparametry za pomocą Nevergrad.

Wybór narzędzia nie jest przy tym neutralny. Google dalej rozwija Meridian. Z kolei według AdExchanger Meta wycofuje się z Robyn. Artykuł opiera się na anonimowych źródłach w firmach pomiarowych i agencjach, z których dwa mówią o rozwiązanym zespole Robyn. Nie zawiera stanowiska firmy Meta. Jeśli dziś decydujesz się na Robyn, zaplanuj więc samodzielne utrzymanie modelowania w przyszłości.

Ustalenia, które zmieniają decyzję

Google Meridian, Amount of data needed, 2025, globalnie: Dokumentacja Meridian przyjmuje 12 kanałów mediowych, 6 zmiennych kontrolnych i 8 węzłów dla efektów czasowych, łącznie 26 parametrów, przy czym dla uproszczenia nie wlicza parametrów adstock i nasycenia każdego kanału: „With two years of weekly data (104 data points), you have four data points per parameter. This sample size is too low to estimate the model reliably.” Dopiero gdy przykład łączy kanały w trzy grupy, zmniejsza liczbę węzłów do dwóch i usuwa jedną zmienną kontrolną, zostaje 10 parametrów. Przy trzech latach danych tygodniowych (156 punktów danych) „you might be able to glean some directional information from the MMM.”

Próg zależy więc od liczby parametrów, a nie tylko od długości okresu danych. Przy 26 parametrach nawet trzy lata dałyby tylko sześć punktów danych na parametr. W rzeczywistym modelu dochodzą parametry adstock i nasycenia dla każdego kanału, więc liczba kanałów waży jeszcze więcej. Jeśli chcesz analizować dwanaście kanałów osobno, potrzebujesz więcej informacji. Jako pierwsze wyjście dokumentacja wskazuje zmniejszenie zakresu modelu. Alternatywnie proponuje uzupełnienie danych na poziomie regionów i model geograficzny zamiast ograniczania zakresu lub zbierania większej ilości danych.

Meta Robyn, Analyst's Guide to MMM, 2024, globalnie: Meta Robyn (2020, MIT, regresja grzbietowa, R/Python): „an MMM will need a minimum of two years of historical weekly data”; przy danych wyłącznie miesięcznych 4–5 lat.

Przewodnik Robyn podaje dodatkowo regułę praktyczną: jedna zmienna objaśniająca na dziesięć obserwacji. Dwa lata danych tygodniowych (104 tygodnie) udźwigną zatem około dziesięciu zmiennych, licząc łącznie kanały mediowe, zmienne sezonowe i kontekstowe. Obie dokumentacje dochodzą do tego samego rzędu wielkości, ale Meridian jest bardziej rygorystyczny: nawet około 15 punktów danych na parametr wystarcza tam tylko na wskazówkę kierunkową.

Funnel.io, Best MMM software; Improvado, MMM Providers; Recast, MMM software, 2025, globalnie: Koszty: usługi zarządzane około 50 000–200 000+ USD; SaaS w modelu self-service około 24 000–60 000 USD/rok; budowa we własnym zakresie według kalkulatora Recast około 125 000 USD plus 22 000 USD/rok na utrzymanie.

Oba przedziały dotyczą usługodawców i oprogramowania, a wartość podana przez Recast dotyczy budowy we własnym zakresie. Meridian i Robyn same w sobie są open source i można z nich korzystać bez opłat licencyjnych. Jeśli je wdrażasz, płacisz za przygotowanie danych, modelowanie i bieżące utrzymanie, czyli przede wszystkim za czas pracy.

Sellforte, Ad spend needed for MMM, 2025, globalnie: Sellforte: „If your annual media spend is below $5 million, traditional Marketing Mix Modeling (MMM) vendors might tell you that their service isn't the right fit for you.”

Granica pięciu milionów nie jest stanowiskiem samego Sellforte. Sellforte przedstawia ją jako ocenę tradycyjnych dostawców MMM, a według własnych danych obsługuje klientów, których roczne wydatki na media wynoszą od poniżej miliona do ponad 100 milionów dolarów amerykańskich. Sellforte samo jest dostawcą MMM, więc ta wypowiedź jest też argumentem sprzedażowym. Dlatego źródło nie nadaje się ani na dowód, ani na kontrdowód stałego progu budżetowego.

Logika decyzji: czy dane i budżet wystarczą?

Budowę modelu poprzedzają dwie weryfikacje. Pierwsza dotyczy ilości danych: policz tygodnie i parametry, czyli kanały mediowe, zmienne kontrolne i efekty czasowe. Aby uzyskać wskazówkę kierunkową, dokumentacja Meridian zmniejsza swój przykład do około dziesięciu parametrów z trzema kanałami mediowymi i przyjmuje trzy lata danych tygodniowych zamiast dwóch. Alternatywnie zaleca dane na poziomie regionów i model geograficzny. Obliczenia znajdziesz wyżej, w ustaleniu dotyczącym Meridian.

Druga weryfikacja dotyczy budżetu. Granicę pięciu milionów dolarów amerykańskich rocznych wydatków na media Sellforte opisuje jako regułę praktyczną tradycyjnych dostawców MMM: poniżej niej mogą oni odmówić realizacji projektu. Samo Sellforte uważa MMM za wykonalne także przy mniejszych budżetach. Dzięki narzędziom open source Meridian i Robyn odpada minimalna skala wymagana przez usługodawców, ale koszty pozostają. Według kalkulatora Recast budowa i utrzymanie własnego modelu kosztują około 125 000 USD plus 22 000 USD rocznie, przy założeniu pracy dwóch specjalistów data science przez sześć miesięcy z amerykańskimi wynagrodzeniami. Recast sam sprzedaje oprogramowanie MMM, więc ta kalkulacja nie jest neutralna. Zestaw te koszty ze swoimi rocznymi wydatkami na media.

Macierz podsumowuje, po czym przed pierwszym uruchomieniem modelu i po nim poznasz, czy model daje wiarygodne wyniki.

Wdrożenie w czterech krokach

Przygotowanie danych: Zbuduj tygodniowe szeregi dla zmiennej docelowej, dla każdego kanału i dla zmiennych kontrolnych. Przewodnik Robyn zaleca dane tygodniowe, a jako dane wejściowe modelu miary kontaktu, takie jak wyświetlenia lub GRP. Odradza kliknięcia w kanałach cyfrowych, ponieważ nie obejmują one konwersji view-through. Wydatki będą dodatkowo potrzebne do obliczenia ROI. Sezonowość, święta, ceny, promocje i aktywność konkurencji trafiają do modelu jako kontekst.

Dopasowanie modelu: Łącz małe kanały, aż liczba parametrów będzie pasować do ilości danych. Robyn rozkłada trend, sezonowość i święta za pomocą narzędzia prognostycznego Prophet. W Meridian węzły określają, jak szczegółowo modelowane są efekty czasowe, a każdy węzeł kosztuje jeden parametr.

Kalibracja: Zakotwicz model w eksperymentach. W Meridian wyniki testów trafiają do modelu jako rozkłady a priori dla ROI poszczególnych kanałów, a dokumentacja nazywa właśnie ten krok kalibracją. Robyn włącza odchylenie między modelem a testem jako trzeci cel do wyszukiwania hiperparametrów. Nadają się do tego testy conversion lift oferowane przez platformy oraz testy geo-lift.

Sprawdzenie wyniku i podział budżetu: Zanim przesuniesz budżet, porównaj wkłady kanałów i ROI z eksperymentami i wiedzą o biznesie. Oba narzędzia wyprowadzają z wyników modelu podział budżetu: Robyn za pomocą wbudowanego Budget Allocatora, Meridian za pomocą optymalizacji budżetu.

Typowe błędy

• Za dużo kanałów przy zbyt małej ilości danych: Dwanaście osobnych kanałów przy dwóch latach danych tygodniowych daje w przykładzie Meridian cztery punkty danych na parametr. Model zwraca wtedy liczby, ale niewiarygodne.
• Brak zmiennych kontrolnych: Bez sezonowości, promocji cenowych i popytu organicznego model przypisuje ich efekt kanałom, które działały w tym samym czasie.
• Tylko wydatki jako dane wejściowe: Przewodnik Robyn zaleca wyświetlenia lub GRP jako dane wejściowe modelu i odradza kliknięcia. Wydatki pozostają potrzebne do obliczenia ROI.
• Brak kalibracji: Model bez porównania z eksperymentem może przedstawić korelację jako efekt. Obie dokumentacje zalecają eksperymenty jako punkt odniesienia.
• Jedno uruchomienie modelu jako prawda: Robyn generuje wiele modeli kandydujących i waży trafność prognozy (NRMSE) względem wiarygodności dekompozycji (DECOMP.RSSD). Jeśli bez weryfikacji przyjmiesz model z najlepszym dopasowaniem, możesz przejąć nierealistyczny podział między kanały.

Jak czytać i wykorzystywać wyniki

MMM dostarcza szacunki obarczone niepewnością. Meridian jako model bayesowski zwraca rozkład parametrów, czyli przedziały zamiast wartości punktowych. Dlatego raportuj wkłady kanałów i ROI z przedziałem oraz z okresem, na którym opiera się model.

Korelacja pozostaje podstawowym problemem. Jeśli dwa kanały zawsze rosną jednocześnie, model ledwie potrafi rozdzielić ich wkłady. Robyn korzysta z regresji grzbietowej, która ściąga wszystkie współczynniki w stronę zera i w ten sposób stabilizuje oszacowania przy silnie skorelowanych kanałach. To nie dowodzi efektu. Dowód dają eksperymenty. Dlatego przewodnik Robyn wyraźnie zaleca kalibrowanie modelu wynikami eksperymentów.

Po uruchomieniu modelu przesuwaj budżet stopniowo. Największą realokację sprawdź testem lift, zanim w pełni przyjmiesz proponowany podział. Wynik testu przy kolejnym uruchomieniu modelu znów trafia do niego jako kalibracja.

Dla firm w Europie poziom danych to kwestia praktyczna. Osobne szeregi tygodniowe dla poszczególnych krajów lub regionów można w Meridian wykorzystać jako jednostki geograficzne. Według wprowadzenia do Meridian dane na poziomie regionów zawierają więcej informacji statystycznej niż jeden szereg krajowy.

Pierwszy krok przed wyborem narzędzia

Najpierw policz tygodnie i parametry. Jeśli dane nie wystarczają dla kanałów, które chcesz rozdzielić, połącz je albo zacznij od testu geo-lift. Test odpowiada na pytanie dla jednego kanału, a później daje punkt odniesienia do kalibracji.

Tracking, atrybucja, logika KPI i dashboardy łączą się w mierzalny system sterowania w ramach marketingu opartego na danych Blck Alpaca.