MMM возвращается. Почему classic marketing mix model снова в моде в 2026

История одного CMO, который весь 2025 год пытался привязать каждый рубль к конверсии

И ничего из этого не работало.

*Meta Ads Manager* показывал **5.2× ROAS**. *Triple Whale* — **3.8×**. *GA4 last-click* — **2.1×**. *Modeled conversions* в Google Ads показывали **4.4×**. *Blended MER* — посчитанный руками из P&L через total revenue / total ad spend — давал **2.6×**, и это был единственный показатель, который сходился с банковским счётом. Между самой оптимистичной платформой и самой пессимистичной — разница в **2.5×**. Бюджет на 2025-й планировался по средней этих цифр, и это был неправильный способ принимать решения.

Через четыре месяца его аналитик собрал базовый *MMM* на *Google Meridian* — open-source, бесплатно, восемь недель работы. *MMM* сказал две вещи, которые ни одна платформа не сказала. Первое: **35% Meta-бюджета каннибализировалось retargeting-ом** — то есть Meta атрибутировала покупки, которые произошли бы и без неё. Второе: **Google brand search получал 100% credit за покупки, которые на самом деле инициировали Reels** — потому что путь был "Reels → пауза → ручной поиск брендового запроса → клик по Google Ads → покупка", и *last-click attribution* отдавал всё Google.

Это история не про инструмент. Это про то, что *multi-touch attribution* в 2026 году архитектурно не способен на правду. И почему classic *MMM* — методология, которой почти 60 лет — вернулась в центр стека серьёзных операторов.

Короткая история attribution 2015–2025

С 2015 по 2020 год *last-click attribution* был стандартом. *Google Analytics* выдавал conversion credit последнему касанию, маркетологи знали, что это вранье, но другого языка не было. *MMM* в эту эпоху считался "old school" — методология 1960-х из FMCG-индустрии, дорогая (€150–300K за консалтинг), медленная (шесть месяцев), требующая годы данных и PhD в эконометрике.

В 2018–2021 годах поднялась волна *multi-touch attribution* (MTA). Платформы вроде *Visual IQ* (потом *Nielsen*), *AppsFlyer*, *Branch*, *Adjust* и встроенные attribution-модели *Google Ads / Facebook* обещали отслеживание каждого пользователя через каждое касание, *data-driven attribution credit* распределение, real-time дешборды. Логика была убедительная: если мы можем deterministically трекать user-level path, зачем нам statistical модели channel-level?

В апреле 2021-го Apple выпустила *App Tracking Transparency* (ATT). Opt-in rate стабилизировался к 2024 году на уровне **30–35%** globally (Adjust Q2 2025). Meta-pixel начал терять более половины конверсий в e-com аккаунтах. *Modeled ROAS* в Meta стал занижен на **20–40%** относительно реальности. Privacy Sandbox от Google умер в конце 2025-го — third-party cookies остались в Chrome, но как managed-decline feature, не как enterprise-grade инфраструктура. *Consent mode* и cookie blocking забрали ещё **25–35%** attribution accuracy в Google Ads.

К 2024 году стало очевидно: *MTA* строился на допущении deterministic user-tracking, которое больше не существует. В январе 2025-го Google выпустил *Meridian* как open-source MMM-фреймворк. Meta параллельно поддерживала *Robyn*. Февраль 2026-го — Meridian *Scenario Planner* пошёл в open beta. То, что раньше занимало шесть месяцев и €200K consulting-engagement, теперь делается за **четыре-восемь недель** на одного компетентного аналитика. **46.9% маркетологов** в США увеличивают MMM-бюджет в ближайший год (eMarketer 2026). **27.6%** называют MMM single most reliable measurement methodology — это первое место в опросе, выше MTA и platform-reported attribution.

*MMM* не "вернулся". Структурные условия его триумфа просто стали неотвратимыми.

Что такое MMM по-человечески, без математики

Представьте, что у вас ресторан в Бухаресте, и вы хотите понять, какую долю выручки делает наружная реклама на бульваре. Прямого способа спросить каждого посетителя нет — половина не помнит, как узнали о вас, треть скажет "от друга", и только мизерная доля упомянёт билборд. Что делает любой здравый оператор? Он смотрит на выручку до билборда, во время и после, сравнивает с трендом конкурентов, учитывает погоду, праздники, локальные события — и через эти переменные оценивает incremental вклад билборда. Это и есть *MMM* в его базовой форме: *time-series regression*, в которую заходят все известные факторы влияния на продажи, и которая на выходе даёт декомпозицию вклада каждого канала.

Технически *MMM* — это *multivariate Bayesian regression model*, которая моделирует продажи как функцию: (a) marketing спенда по каналам с учётом *adstock* (отложенный эффект рекламы во времени) и *saturation curve* (диминишинг при больших бюджетах), (b) base sales (то, что продавалось бы без рекламы вообще), (c) внешних факторов — сезонность, цена продукта, конкурентная активность, макро-условия, погода, промо. На выходе модель отдаёт *contribution* каждого канала в инкрементальных продажах, *response curves* (сколько дополнительной выручки даст +€1K в Meta или Google), и *optimal allocation* при заданном общем бюджете.

Ключевое отличие от *MTA*: *MTA* работает на уровне пользователя — "John посмотрел Meta-ad, потом кликнул Google brand, потом купил". *MMM* работает на уровне канала и недели — "в неделю №14 Meta-спенд был €18K, общие продажи €240K, базовая модель ожидала €195K, дельта €45K статистически приписывается Meta + Google + email с весами X/Y/Z". *MMM* не знает имя пользователя, не нуждается в cookies, не зависит от iOS 18 политик. Он работает с теми же данными, которые у вас есть в P&L.

Окно данных — критично. *MMM* нуждается в **минимум 52 недели** наблюдений, желательно **104–156** для нормальной модели. Меньше — не статистика, а шум. Cadence данных — еженедельная (не дневная, не месячная). Каналы должны быть достаточно "толстыми" — если в Meta идёт €50K/мес, а в TikTok €1.5K, модель не сможет статистически отделить TikTok-вклад от noise. *MMM* — это инструмент для бизнесов, у которых хотя бы 3–5 каналов с meaningful spend и 12+ месяцев истории.

Когда MMM работает, и когда нет

Жёсткий короткий ответ: *MMM* не для seed-стадии. И не для половины clients, которые приходят за ним.

Минимальный порог для proper MMM — **€100K/месяц общего ad spend** (или эквивалент в локальной валюте) распределённого по **минимум трём каналам**, и **12+ месяцев непрерывной истории** спенда + продаж по неделям. Ниже этого порога модель технически собрать можно, но *confidence intervals* будут такие широкие, что инсайты не выдержат критики. Я видел десятки попыток MMM на €30K/мес бизнесах — все они закончились моделями, у которых *95% credible interval* для Meta contribution был "от 8% до 71%". Это не attribution, это художественная литература.

**Зона, где MMM работает идеально.** Бренды с годовой выручкой **€1–5M+**, активные **3+ года**, с диверсифицированным каналом-миксом (Meta, Google, TikTok, email, organic, влиятельная offline-составляющая), которые перешли точку, где attribution-разногласия между платформами создают P&L-риск в **€100K+ в год**. Для такого бизнеса MMM окупается за один квартал — одно правильное reallocation решение между Meta и Google сохраняет больше, чем стоит вся имплементация.

**Зона, где MMM не работает.** Бизнесы с одним каналом (90%+ спенда в Meta — модели нечего декомпозировать). Seed-стартапы (нет 12-месячной истории). Magaziны со средним AOV €15 и месячным спендом €8K (статистика слишком тонкая). Молдавские *single-city* HoReCa-проекты (географических единиц мало, time-series слабая, событийные шоки доминируют над marketing-сигналом). Для всех этих кейсов *incrementality testing* и *time-series holdouts* дают **80% ответа за 10% стоимости и времени**.

**Зона, где MMM работает, но требует осторожности.** Mid-market бренды **€500K–1M годовой выручки** с двумя-тремя каналами и 14–18 месяцев истории. Технически модель собирается, но *confidence intervals* широкие, и MMM нужно валидировать через geo-lift или incrementality. Это не "MMM как backbone", это "MMM как один из трёх свидетелей" — об этом ниже.

ERA-фрейминг для founder conversation: *MMM* — это страховка от channel-saturation curve, инструмент для бизнесов, которые уже выживают, а не для тех, кто ищет product-market fit. Если вы тратите €15K/мес на маркетинг — забудьте про MMM, считайте *contribution margin per order* и работайте над *activation rate*. Если €150K/мес — *MMM* должен стать частью квартального ритуала.

Meridian vs Robyn vs LightweightMMM — что выбирать в 2026

Open-source MMM-вселенная сложилась к 2026 году вокруг трёх инструментов. Все три бесплатные, все три production-grade, все три требуют data scientist для запуска.

**Google Meridian** (релиз январь 2025) — *de-facto standard* для новых программ. Главные преимущества: явное моделирование *reach & frequency* для video и YouTube (важно для брендов с большой YouTube/TikTok-составляющей), лучшая обработка *diminishing returns* через гибкие *Hill curves*, no-code *Scenario Planner* в open beta с февраля 2026-го — фаундер может сам гонять "что будет, если перенесу €30K из Meta в Google". Meridian активно разрабатывается, в roadmap квартальные релизы. Слабость: молодой, документация местами сырая, community меньше, чем у Robyn.

**Meta Robyn** — родоначальник open-source MMM, релиз 2021-го. В 2026-м находится в *maintenance mode* — Meta не убивает проект, но активная разработка переехала. Преимущества: огромная community, мощная *automated hyperparameter tuning* через *Nevergrad*, отличная документация. Слабость: hyperparameter optimization очень compute-heavy (одна модель — 4–8 часов на хорошей машине), хуже работает с многоканальным video-mix, чем Meridian.

**LightweightMMM** (Google, до Meridian) — упрощённый Bayesian MMM на JAX. В 2026-м официально превзойдён Meridian, но всё ещё используется для маленьких datasets и быстрых прототипов. Запуск занимает минуты, не часы. Подходит для diagnostic-фазы — собрать черновую модель на год данных за выходные, понять, есть ли вообще статистический сигнал.

**Что выбирать в 2026.** Если вы запускаете MMM сегодня — *Meridian*. Если у вас уже работает *Robyn* — не трогайте, никаких преимуществ в миграции нет до конца 2026-го. *LightweightMMM* — только для discovery-фазы или для €500K–1M клиентов, где proper Meridian-имплементация overkill.

Коммерческие альтернативы — *OpenMMM* (от Mass.ai), *Pyro-MMM* в стеке Numerai, vendor-managed решения вроде *Recast*, *Mutinex*, *Cassandra* (последняя — Triple Whale Compass layer, unifies MTA + MMM + incrementality). Vendor-managed стоят $3–15K/месяц, дают managed-service и UI для не-аналитиков. Для €1–5M бизнесов open-source + один data scientist на retainer (€2–4K/мес) выигрывает по экономике. Для €5M+ — vendor стек начинает себя оправдывать через speed-to-insight.

MMM + geo-lift + incrementality testing — современный triad

Серьёзная ошибка 2025 года — рассматривать *MMM* как silver bullet. *MMM* — это статистическая модель на correlational data. Это значит, что он даёт *directional truth* (Meta инкрементально работает или нет), но плохо различает близкие сценарии (стоит ли реаллокатить €20K из Meta в Google). Для tactical-уровня решений нужна causal проверка.

Современный triad, который ERA рекомендует для €1–5M+ брендов:

**(1) MMM как strategic backbone.** Перекалибровка квартально. Даёт ответы на вопросы уровня "какой channel mix максимизирует blended MER на ближайший квартал", "сколько мы можем добавить в YouTube до точки diminishing returns", "что произойдёт с base sales, если убрать brand-spend на 6 недель".

**(2) Geo-lift testing для валидации.** Кратко: выбираете 5–10 matched geographies (города, postcode-зоны, DMA), отключаете или удваиваете спенд канала в test markets, оставляете contol в неизменности, измеряете delta продаж против *synthetic control*. **36.2% маркетологов** инвестируют больше в incrementality testing в 2026 (eMarketer). Это золотой стандарт *causal measurement* — pre-period parallel trends + post-period delta = true incremental revenue. Когда MMM говорит "Meta даёт 28% incremental contribution", geo-lift проверяет это число прямым экспериментом. Если они сходятся в пределах **±15%** — модель валидна. Если расходятся в 2× — что-то сломано, и MMM нужно ребилдить.

**(3) Channel-level incrementality testing.** Самые большие два канала проверяются через *holdout testing* раз в квартал. Для Meta: stop spend на 14 дней в одной аудитории / одном гео, измерить delta vs forecast. Для Google: pause brand-search на неделю и посмотреть, что произойдёт с organic-search и direct. Это даёт incremental ROAS — что значительно отличается от platform-reported ROAS, который атрибутирует покупки, которые произошли бы и без рекламы.

Для бизнесов **меньше €1M** geo-lift технически невозможен — слишком мало гео-единиц. Substitute — *time-series holdout testing*: выключить канал на 14 дней, сравнить с прогнозом базовой модели. Для single-city брендов в Молдове это единственный причинный метод, который работает.

Логика triad-а: *MMM* даёт **направление**, *geo-lift* даёт **валидацию модели**, *incrementality testing* даёт **подтверждение на канале**. Без всех трёх инструментов attribution-стек уязвим. Только MMM — модель без причинности. Только incrementality — точечная проверка без системного взгляда. Только geo-lift — без понимания baseline. Серьёзные операторы 2026 года используют все три и calibrate-ят их друг через друга.

Чек-лист "готов ли мой бизнес к MMM"

Семь yes/no вопросов. Шесть+ из семи "yes" — стройте *MMM* в ближайший квартал. Четыре-пять — рано, делайте *incrementality testing* и returns в эту тему через 6–12 месяцев. Меньше четырёх — забудьте про MMM, фокусируйтесь на *contribution margin* и *activation*.

У вас **минимум €100K/месяц** общего marketing-спенда (или €1.2M в год)?

У вас **минимум 12 месяцев** непрерывной истории спенда и продаж по неделям?

У вас **минимум три канала** с meaningful spend (€10K+/мес каждый)?

У вас есть **clean weekly data**: marketing спенд по каналам, продажи, ключевые external variables (промо, цена, праздники)?

У вас есть доступ к **data scientist** (in-house или retainer) на 4–8 недель имплементации + квартальные recalibrations?

Ваши **attribution-разногласия** между Meta, Google, GA4 и blended MER превышают **30%** для крупных каналов?

У вас есть **second source of truth** (geo-lift возможен, или incrementality testing уже работает) для валидации MMM?

Если ответили "yes" на 6–7 — *Meridian* в ближайший квартал, retainer на data scientist, validate через geo-lift в Q+1.

Closing

*MMM* не магия. Это статистическая модель, которая делает явными те допущения, которые в *MTA* остаются скрытыми. Главная её ценность в 2026-м — не точность (она ниже, чем хотелось бы), а honesty. *MMM* говорит "мы оцениваем Meta contribution в 22% с 95% credible interval 14–31%" — и эта честная неопределённость лучше, чем "Meta ROAS 5.2×" в платформенном дешборде, который структурно занижен на 20–40% и игнорирует cannibalization.

Если ваш бизнес перешёл планку **€1M годовой выручки** и **€100K/мес marketing-спенда**, *MMM* — это вопрос времени, не вопрос "стоит ли". Если меньше — *incrementality testing* и *blended MER* дают вам 80% ответа за 10% усилий.

ERA берёт MMM-имплементацию для €1–5M клиентов в Молдове, Румынии, ОАЭ и Украине через 8-недельную программу: data collection и audit (недели 1–2), Meridian model build (недели 3–6), geo-lift validation (недели 7–8), затем квартальные recalibrations на retainer. Это часть полного *Fractional CMO* стека, не отдельный консалтинг.

Если хотите понять, готов ли ваш бизнес — напишите.