Маркетологи все чаще сталкиваются с ситуацией: отчёты сквозной аналитики показывают одни цифры, а реальные продажи — другие. Маркетинговый бюджет израсходован, но понять, какой канал дал реальную отдачу, а какой работал «впустую», становится всё сложнее (например, в этой статье недавно мы разбирали кейс селлера на маркетплейсе, который ошибался в оценке эффективности каналов в 3 раза).
Проблема не в том, что аналитика плохо работает. Просто традиционные инструменты (модели атрибуции и сквозная аналитика) изначально создавались для онлайн-рекламы, где пользователя можно отследить от первого клика до покупки. Но сегодня это работает уже не так эффективно по различным внешним причинам (не будем на них подробно останавливаться в этой статье).
В текущих реалиях маркетологи начинают присматривать альтернативы. Одна из них — моделирование маркетингового микса (MMM). Но и у него есть свои ограничения, а главное — в классическом виде он остается разовым исследованием, а не инструментом регулярного управления.
В этой статье разбираем, что именно не видят атрибуция и MMM по отдельности, и как объединить их в одном месте, чтобы управлять бюджетом осознанно и без лишних ручных расчётов.
Сквозная аналитика и атрибуция стали стандартом для диджитал-маркетолога. Они отвечают на вопрос «какой креатив или таргетинг сработал лучше в моменте?», работая с кликами, просмотрами и поведением пользователя в онлайне.
Но у сквозной аналитики и моделей атрибуции есть системные ограничения: они не учитывают офлайн-каналы, отложенный эффект рекламы и то, как пользователи переходят из одного канала в другой перед покупкой.
В результате маркетолог рискует ошибочно урезать бюджет на офлайн-активности или имиджевые форматы — просто потому, что сквозная аналитика их не видит.
Моделирование маркетингового микса (MMM) пришло из эконометрики и закрывает слепые зоны атрибуции. Ему не нужны пользовательские идентификаторы — только агрегированные данные (бюджеты по каналам, продажи, сезонность, активность конкурентов и др).
Он видит:
Но у MMM — свои ограничения:
Итог: атрибуция не видит стратегию, MMM не видит тактику. Они дополняют друг друга, но по отдельности каждый работает неполно.
Проблема большинства MMM-подходов (включая open-source-решения вроде Google Meridian) — они остаются разовыми отчетами или штучными проектами. Маркетолог получает файл с выводами «за год», но не может сам строить сценарные прогнозы и управлять бюджетом на их основе.
Российский рынок из-за ухода вендоров и специфики локальных каналов (VK, Telegram, Яндекс, оффлайн каналы) пошёл по другому пути: здесь появляются b2b-сервисы — единые центры управления маркетингом, где MMM — не отдельный пакет, а встроенное ядро для планирования.
Пример такого подхода — платформа Optimix. В ней MMM-моделирование — основа для принятия решений: система автоматически собирает данные из рекламных кабинетов и офлайн-источников, строит эконометрическую модель и на её основе с помощью AI-планировщика предлагает оптимальное распределение бюджета между рекламными каналами. Подробнее о том, как устроена платформа читайте в статье по ссылке.
Зрелые маркетинговые команды перестают спорить «атрибуция против MMM» и делают так:
Такой подход устраняет главную проблему — разрозненность данных и инструментов. Всё ведётся в одном окне, без дашбордов в Excel, Google Data Studio и консультантов по MMM.
На практике это особенно заметно в сложных многоканальных сценариях. Например, мы разбирали кейс селлера на маркетплейсе, который ошибался в 3 раза на предмет эффективности рекламного канала. После внедрения Optimix он скорректировал распределение бюджета и кратно улучшил ROI без увеличения общих маркетинговых затрат.
MMM не заменит атрибуцию — у них разные задачи. Но без MMM атрибуция остаётся неполной: она не видит половину маркетинговых усилий. А без оперативной среды управления даже хорошая MMM-модель превращается в пыльный отчёт.
Поэтому правильный вопрос — не «MMM или атрибуция?», а «как свести их в одном месте и управлять бюджетом регулярно, а не раз в год?»
Сервисы вроде Optimix — попытка дать решение, которое доступно не только корпорациям со штатом дата-сайнс специалистов, а также всем остальным участникам рынка, у которых есть в этом потребность.