Marketing mix modeling dla mniejszej firmy: pomiar, gdy atrybucja się sypie

📅 24 lipca 2026 ⏱️ 10 min czytania

Michał Winciorek

Performance Marketing Strategist · LinkedIn ↗

Atrybucja po kliknięciu pilnuje jednego: która reklama dostała ostatni klik przed zakupem. Odpowiedź robi się coraz mniej pewna, bo kurczy się sygnał, na którym stoi. Marketing mix modeling liczy co innego: ile sprzedaży dał cały budżet, kanał po kanale, bez zaglądania w ścieżkę pojedynczego użytkownika.

Do niedawna MMM był narzędziem korporacji z działem analityki i budżetem na konsultantów. Dziś model liczy się na darmowych bibliotekach open-source i na tanim czasie obliczeniowym w chmurze, a próg wejścia zszedł do poziomu firmy mid-market. Zostaje pytanie o dane: czy historia biznesu jest na tyle uporządkowana, żeby model miał z czego liczyć.

Dlaczego atrybucja kliknięć przecieka?

Sygnał, na którym stoi atrybucja po kliknięciu, słabnie od lat. Safari i Firefox od dawna blokują pliki cookie third-party domyślnie. iOS od czasu App Tracking Transparency pyta użytkownika o zgodę na śledzenie między aplikacjami, a większość wybiera odmowę. Europejskie banery zgód wycinają część pomiaru, zanim ten w ogóle ruszy, bo bez zgody na analitykę zdarzenie nie wychodzi ze strony.

Przy okazji jeden mit. Ciasteczka third-party nie zniknęły. Google w 2024 wycofał się z planu ich zablokowania w Chrome i zostawił je jako wybór użytkownika, a Chrome trzyma około dwóch trzecich rynku przeglądarek. Sygnał kliknięciowy po prostu się kurczy i robi coraz bardziej dziurawy. Skutek dla pomiaru wychodzi ten sam: ścieżka pojedynczego użytkownika bywa niekompletna, a modele atrybucji dostają na wejściu mniej danych, niż zakładają.

Do decyzji taktycznych, dzień po dniu, wewnątrz kanału, atrybucja nadal się broni. Przy pytaniu o podział całego budżetu między kanały coraz częściej brakuje jej danych na uczciwą odpowiedź. Tu wchodzi podejście, które nie potrzebuje śledzić nikogo z osobna.

Co marketing mix modeling właściwie liczy?

MMM liczy od góry. Bierze historię biznesu tydzień po tygodniu i szuka statystycznej zależności między tym, ile i gdzie firma wydawała, a tym, ile sprzedała. Model rozkłada sprzedaż na wkład poszczególnych kanałów (Google, Meta, e-mail, telewizja, reklama zewnętrzna) i na czynniki spoza mediów, które też ruszają wynik: sezonowość, cenę, promocje, dostępność produktu, pogodę, ogólną koniunkturę.

Zamiast pytać „skąd przyszedł ten konkretny klient”, MMM pyta „o ile spadłaby sprzedaż, gdyby tego kanału nie było”. Z tego wychodzą trzy rzeczy, których atrybucja nie daje wprost:

• Wkład kanału w sprzedaż policzony na poziomie całego budżetu, także dla kanałów bez klikalnego linku i bez pikseli, jak radio, prasa czy billboard.
• Krzywe nasycenia. Model pokazuje, gdzie kolejna złotówka w danym kanale przestaje się zwracać, bo każdy kanał ma malejące przyrosty.
• Efekt przeniesiony w czasie (adstock). Reklama widziana w tym tygodniu pracuje na sprzedaż także w kolejnych, a MMM to modeluje, zamiast przypisywać cały efekt do dnia kliknięcia.

Cały rachunek stoi na zagregowanych szeregach czasowych. Danych osobowych w nim nie ma, więc zgody, ATT i ograniczenia cookie nie mają czego zablokować.

Dlaczego MMM zjechał z korporacji do mniejszych firm?

Metoda ma kilkadziesiąt lat i była domeną dużych reklamodawców, bo wymagała drogiego software'u i analityka, który go obsłuży. Dwie rzeczy to zmieniły. Po pierwsze, moc obliczeniowa staniała i model, który kiedyś mielił się na serwerze przez noc, dziś policzy się na laptopie albo w chmurze niskim kosztem. Po drugie, weszły darmowe biblioteki open-source, które biorą na siebie większość ciężkiej roboty:

• Meridian od Google, następca wcześniejszego LightweightMMM, oparty na podejściu bayesowskim. Darmowy, otwarty kod.
• Robyn od Meta, zbudowany na regresji z regularyzacją i doborze parametrów algorytmem ewolucyjnym. Też otwarty i darmowy.

Obie biblioteki są publicznie dostępne i obie wymagają przygotowanych danych oraz osoby, która rozumie, co robi. Żadna nie policzy modelu sama. Koszt licencji spadł jednak do zera, a to przesunęło MMM z półki „tylko dla dużych” na „w zasięgu firmy z sensownym budżetem mediowym i porządkiem w danych”.

Kiedy MMM ma sens przy mniejszym budżecie?

Dziury w atrybucji same z siebie nie są jeszcze powodem, żeby budować model. MMM ma sens przy kilku warunkach naraz:

• Co najmniej kilka kanałów. Model rozdziela między nie wkład w sprzedaż. Gdy cały budżet idzie w jedną Metę, nie ma czego rozdzielać i szybciej odpowie eksperyment.
• Zmienność wydatków w czasie. Model uczy się z tego, że budżety rosły, spadały i przesuwały się między kanałami. Płaski wydatek co miesiąc nie daje mu z czego wnioskować.
• Dość długa historia. Realny próg to około dwóch lat danych tygodniowych, minimum rok. Poniżej tego model łapie za mało obserwacji, żeby oddzielić kanał od sezonu.
• Budżet, przy którym pomyłka boli. Przy kilku tysiącach złotych miesięcznie zbudowanie i utrzymanie modelu kosztuje więcej, niż on oszczędzi.

Bez tych warunków MMM też coś policzy, ale z niepewnością na tyle szeroką, że decyzja na jego podstawie będzie zgadywanką w przebraniu liczby.

Jakich danych wymaga

Na wejściu MMM potrzebuje kilku szeregów czasowych w tej samej rozdzielczości, najczęściej tygodniowej, ułożonych obok siebie za cały okres historii:

• Wynik biznesowy tydzień po tygodniu: przychód, liczba zamówień albo liczba leadów. To zmienna, którą model tłumaczy.
• Wydatki na każdy kanał osobno, w tej samej siatce tygodni. Jeśli masz wyświetlenia, GRP albo zasięg, dołóż je, bo są dokładniejsze niż sam koszt.
• Czynniki spoza mediów: cena, promocje i wyprzedaże, dostępność produktu, sezonowość, duże zdarzenia jak Black Friday, opcjonalnie dane pogodowe albo makroekonomiczne.

Jakość tego wejścia decyduje o wszystkim. Model karmiony śmieciami oddaje śmieci z przedziałem ufności, a to gorsze od braku modelu, bo wygląda wiarygodnie. Zanim policzysz cokolwiek, uporządkuj źródła i sprawdź, czy tydzień znaczy to samo w każdym z nich (w panelu reklamowym i w systemie sprzedażowym potrafi zaczynać się w inny dzień). Fundament pod taki pomiar to własne dane, o czym piszę w tekście o first-party data po erze ciasteczek.

Ograniczenia, o których sprzedawcy MMM nie mówią

MMM opisuje korelację między wydatkiem a sprzedażą, a korelacja nie jest dowodem przyczyny. Model, który widzi, że wydatki na markę zawsze rosną w grudniu razem ze sprzedażą, może przypisać kanałowi zasługę, którą realnie zrobił sezon. Stąd kilka twardych granic:

• Potrzeba historii. Świeży biznes albo świeży kanał bez przeszłości nie ma z czego zbudować modelu.
• Współliniowość kanałów. Kanały odpalane zawsze razem model trudno rozdziela, bo nie widział ich osobno. Wynik dla takiej pary bywa niestabilny.
• Wrażliwość na szum. Mało obserwacji i zaszumione dane dają szerokie przedziały ufności. Punktowa liczba ROI z MMM potrafi się przesunąć o kilkadziesiąt procent po dołożeniu paru tygodni danych.
• Brak poziomu użytkownika. MMM nie powie, którą kreację wyłączyć jutro ani kogo dodać do remarketingu. Pracuje na agregatach, w horyzoncie tygodni.
• Nie lubi nagłych zmian. Rebranding, wejście na nowy rynek albo skokowa zmiana strategii łamią założenie, że przeszłość tłumaczy przyszłość.

Uczciwy MMM podaje wynik z przedziałem niepewności i traktuje go jako kierunek na kwartał. Kto sprzedaje MMM jako „prawdę o ROI” co do grosza, sprzedaje złudzenie precyzji.

Triangulacja: MMM, atrybucja i eksperymenty

Każda z trzech metod pomiaru ma dziurę w innym miejscu. Atrybucja daje szczegółowość i szybkość, ale przecieka i nie widzi kanałów offline. MMM obejmuje cały budżet i nie zależy od zgód, w zamian opisuje korelację i wymaga historii. Eksperyment mierzy realną przyczynę, za to jeden kanał naraz i za cenę wstrzymanego budżetu. Dojrzały pomiar stawia je obok siebie, tak żeby jedna łatała słabość drugiej.

Wymiar	Atrybucja kliknięć	Marketing mix modeling	Eksperymenty (incrementality)
Na co odpowiada	Któremu kliknięciu przypisać konwersję	Ile sprzedaży dał każdy kanał na poziomie budżetu	Ile sprzedaży przybyło dzięki konkretnemu kanałowi
Poziom danych	Pojedynczy użytkownik	Zagregowane szeregi czasowe	Grupa testowa vs grupa kontrolna
Wrażliwość na zgody i cookie	Wysoka	Żadna	Żadna
Potrzebna historia	Bieżące dane	1–2 lata tygodniowo	Czas trwania testu
Dowód przyczynowości	Brak	Słaby (korelacja)	Mocny
Horyzont decyzji	Dzień po dniu, taktyka	Kwartał, alokacja budżetu	Pojedyncza decyzja o kanale

W praktyce układa się to tak. MMM ustawia podział budżetu między kanałami na kwartał. Atrybucja prowadzi optymalizację wewnątrz kanału na co dzień. Eksperyment rozstrzyga spory, których dwie pozostałe metody nie zamkną, i kalibruje MMM, bo daje mu punkt oparcia w realnej przyczynie. Gdy MMM twierdzi, że dany kanał zwraca trzykrotnie, a holdout albo geo-lift pokazuje przyrost o połowę mniejszy, wierz eksperymentowi i tym wynikiem koryguj model. Jak zaprojektować taki test, rozkładam w tekście o incrementality, holdoutach i geo-lift.

Od czego zacząć

Zanim odpalisz Meridian albo Robyn, przejdź prostą kolejność, która oszczędza miesiące liczenia modelu na złych danych:

1. Policz, czy to się opłaca. Kilka kanałów, dwuletnia historia, budżet, przy którym błędna alokacja realnie boli. Brakuje któregoś warunku? Zacznij od eksperymentu.
2. Zbierz dane w jednej siatce. Tygodniowe szeregi wyniku, wydatków per kanał i czynników spoza mediów za cały okres. Zwykle najdłuższy etap i najważniejszy.
3. Zbuduj pierwszy model jako punkt odniesienia. Pierwszy wynik traktuj jak hipotezę do sprawdzenia. Patrz na przedziały ufności, zanim uwierzysz w pojedynczą liczbę.
4. Skalibruj eksperymentem. Odpal holdout albo geo-lift na kanale, o który masz najwięcej wątpliwości, i użyj wyniku do korekty modelu.
5. Odświeżaj cyklicznie. Przeliczaj model co kwartał, w miarę jak przybywa danych i zmienia się miks. Jednorazowy raport zestarzeje się razem z budżetem.

MMM pracuje najlepiej jako trzecia noga pomiaru obok atrybucji i eksperymentów. W oderwaniu od nich daje mniej. Firma, która patrzy na marketing przez rachunek wyników, prędzej czy później zapyta o cały budżet, a odpowiedź o ostatnim kliknięciu jej nie wystarczy.

Atrybucja wskazuje kliknięcie. Eksperyment pokazuje, co realnie zadziałało. MMM liczy, ile dał cały budżet. Decyzję budżetową podejmujesz na wszystkich trzech naraz.

Najczęstsze pytania

Czym różni się marketing mix modeling od atrybucji?

Atrybucja działa od dołu i śledzi ścieżkę pojedynczego użytkownika, żeby przypisać konwersję do konkretnego kliknięcia. Wymaga danych na poziomie osoby, więc słabnie pod presją zgód, iOS ATT i ograniczeń plików cookie. MMM działa od góry i modeluje zależność między wydatkami a sprzedażą na zagregowanych szeregach czasowych, bez śledzenia kogokolwiek. Dlatego przechodzi sucho przez zgody i widzi też kanały bez klikalnego linku, jak radio czy billboard. Atrybucja lepiej sprawdza się w decyzjach taktycznych dzień po dniu, MMM w strategicznym podziale całego budżetu między kanały. Najlepszy pomiar używa obu naraz, plus eksperymentów jako punktu prawdy.

Ile danych trzeba mieć, żeby zbudować MMM?

Realny próg to około dwóch lat danych tygodniowych, absolutne minimum to rok. Poniżej tego model łapie za mało obserwacji, żeby oddzielić wkład kanału od sezonowości i innych czynników. Potrzebujesz spójnych szeregów czasowych: wynik biznesowy (przychód, zamówienia albo leady) tydzień po tygodniu, wydatki na każdy kanał osobno w tej samej siatce oraz czynniki spoza mediów jak cena, promocje i sezonowość. Ważna jest też zmienność wydatków w czasie, bo model uczy się z tego, że budżety rosły, spadały i przesuwały się między kanałami. Stały, płaski budżet co miesiąc daje modelowi za mało sygnału.

Czy MMM jest realne dla mniejszej firmy, nie tylko dla korporacji?

Tak, próg wejścia mocno spadł. Darmowe biblioteki open-source jak Meridian od Google i Robyn od Meta robią większość obliczeń, a tania moc w chmurze pozwala policzyć model bez drogiego software'u. MMM ma sens dla firmy mid-market, która ma kilka kanałów, co najmniej rok czy dwa historii i budżet mediowy, przy którym błędna alokacja realnie kosztuje. Nie ma sensu przy jednym kanale, płaskim budżecie albo wydatku rzędu kilku tysięcy złotych miesięcznie, bo wtedy koszt zbudowania i utrzymania modelu przewyższa to, co on oszczędzi. W takiej sytuacji lepiej zacząć od pojedynczego eksperymentu.