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 odpowiada na jedno pytanie: która reklama dostała ostatni klik przed zakupem. To pytanie robi się coraz trudniejsze do policzenia, bo kurczy się sygnał, na którym stoi. Marketing mix modeling odpowiada na pytanie, którego atrybucja nie obejmuje: ile sprzedaży wygenerował 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 liczy się go na darmowych bibliotekach open-source i tanim czasie obliczeniowym w chmurze, więc próg wejścia spadł do poziomu firmy mid-market. MMM odpowiada na wąski zestaw pytań: ile sprzedaży generuje cały budżet, kiedy metoda ma sens przy mniejszym budżecie, jakich danych wymaga, gdzie leżą jej granice i jak połączyć ją z atrybucją oraz eksperymentami w jeden spójny pomiar.

Dlaczego atrybucja kliknięć przecieka

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

Jeden mit trzeba tu obalić. 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 nie umarł, on się kurczy i robi coraz bardziej dziurawy. Skutek dla pomiaru jest taki sam: ścieżka pojedynczego użytkownika bywa niekompletna, a modele atrybucji dostają na wejściu mniej danych, niż zakładają.

Atrybucja nadal jest przydatna do decyzji taktycznych, dzień po dniu, wewnątrz kanału. Do pytania o podział całego budżetu między kanały coraz częściej brakuje jej danych, żeby dać uczciwą odpowiedź. Tu wchodzi podejście, które nie potrzebuje śledzić nikogo z osobna.

Co marketing mix modeling właściwie liczy

MMM to podejście top-down. Bierze historię biznesu tydzień po tygodniu i szuka statystycznej zależności między tym, ile i gdzie wydawałeś, a tym, ile sprzedałeś. Model rozkłada sprzedaż na wkład poszczególnych kanałów (Google, Meta, e-mail, telewizja, out-of-home) 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, nie na danych osobowych. Dlatego MMM przechodzi sucho przez zgody, ATT i ograniczenia cookie. Nie ma tam użytkownika do zablokowania.

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 liczył się na serwerze przez noc, dziś chodzi na laptopie albo w tanim notatniku w chmurze. Po drugie, weszły darmowe biblioteki open-source, które robią 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 realnymi, publicznie dostępnymi projektami. Żadna nie liczy modelu za Ciebie sama z siebie, obie wymagają przygotowanych danych i osoby, która rozumie, co robi. Ale koszt licencji spadł 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

MMM nie jest dla każdego, kto ma za mało danych z atrybucji. Ma sens, gdy spełnisz kilka warunków naraz:

• Kilka kanałów, nie jeden. Model rozdziela wkład między kanały. Jeśli cały budżet idzie w jedną Metę, nie ma czego rozdzielać i lepiej sięgnąć po eksperyment.
• Zmienność wydatków w czasie. Model uczy się z tego, że budżety rosły, spadały i przesuwały się między kanałami. Stały, 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, w którym stawka jest realna. Przy kilku tysiącach złotych miesięcznie koszt zbudowania i utrzymania modelu przewyższa to, co on oszczędzi. Sens pojawia się tam, gdzie zła alokacja budżetu kosztuje realne pieniądze.

Jeśli te warunki nie są spełnione, MMM da wynik, ale niepewny na tyle, że decyzja na jego podstawie będzie zgadywanką w przebraniu liczby.

Jakich danych wymaga

Wejście do MMM to zestaw szeregów czasowych o tej samej granulacji, 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 dostaje na wejściu śmieci, oddaje na wyjściu śmieci z przedziałem ufności, co jest gorsze od braku modelu, bo wygląda wiarygodnie. Zanim policzysz cokolwiek, uporządkuj źródła i pilnuj, żeby każdy tydzień znaczył to samo po każdej stronie. Fundament pod taki pomiar to własne, pierwszej strony 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 zmienność. Mało obserwacji i szumne dane dają szerokie przedziały ufności. Punktowa liczba ROI z MMM potrafi zmienić się o kilkadziesiąt procent po dołożeniu paru tygodni danych.
• Brak poziomu użytkownika. MMM nie powie Ci, którą kreację wyłączyć jutro ani kogo dodać do remarketingu. Pracuje na agregatach i na horyzoncie tygodni, nie godzin.
• 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, nie jako wyrok co do grosza. Kto sprzedaje MMM jako „prawdę o ROI”, sprzedaje złudzenie precyzji.

Triangulacja: MMM, atrybucja i eksperymenty

Żadna z trzech metod pomiaru nie jest kompletna sama. Atrybucja daje szczegółowość i szybkość, ale przecieka i nie widzi kanałów offline. MMM widzi cały budżet i przechodzi przez zgody, ale opisuje korelację i potrzebuje historii. Eksperyment mierzy realną przyczynę, ale tylko dla jednego kanału naraz i kosztuje wstrzymany budżet. Dojrzały pomiar stawia je obok siebie, tak żeby jedna łatała słabość drugiej.

Wymiar	Atrybucja kliknięć	Marketing mix modeling	Eksperymenty (incrementality)
Na co odpowiada	Który touchpoint dostał kredyt za 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

Praktyczny układ wygląda tak. MMM ustawia strategiczny podział budżetu między kanałami na kwartał. Atrybucja prowadzi optymalizację wewnątrz kanału na co dzień. Eksperyment rozstrzyga spory, których dwie pozostałe metody nie potrafią, i kalibruje MMM: daje mu punkt oparcia w realnej przyczynie. Gdy MMM twierdzi, że dany kanał zwraca trzykrotnie, a holdout albo geo-lift pokazuje, że realny przyrost jest o połowę mniejszy, wierzysz eksperymentowi i tym wynikiem korygujesz 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. Jeśli któregoś warunku brak, zacznij od eksperymentu, nie od MMM.
2. Zbierz dane w jednej siatce. Tygodniowe szeregi wyniku, wydatków per kanał i czynników spoza mediów za cały okres. To zwykle najdłuższy etap i najważniejszy.
3. Zbuduj pierwszy model jako punkt odniesienia. Pierwszy wynik to hipoteza do sprawdzenia, nie gotowa prawda. Patrz na przedziały ufności, nie na same punkty.
4. Skalibruj eksperymentem. Odpal holdout albo geo-lift na kanale, o który masz najwięcej wątpliwości, i użyj wyniku do korekty modelu.
5. Odświeżaj cyklicznie. MMM to nie jednorazowy raport. Przeliczaj go co kwartał, w miarę jak przybywa danych i zmienia się miks.

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, potrzebuje odpowiedzi na pytanie o cały budżet, a nie tylko o ostatni klik.

Atrybucja mówi, który touchpoint dostał kredyt. Eksperyment mówi, co realnie zadziałało. MMM mówi, 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.