В эпоху после cookies last-click attribution исчезает как привидение. К 2026 году маркетинговые команды уже не спрашивают "какой канал привел конверсию", а ищут ответ на вопрос "без какого канала конверсия не пришла бы". Это переосмысление называется incrementality. Но одного измерения incrementality недостаточно — вы не увидите долгосрочное влияние на бренд. Здесь вступает Marketing Mix Modeling (MMM). Здоровый attribution stack 2026 года состоит из двух слоев: MMM и incrementality-тестов. Robyn от Meta, Meta Lift, geo-экспериментальная инфраструктура Google — все три отвечают на разные вопросы. В этом материале вы узнаете, когда использовать каждый инструмент, как они работают вместе и какие ловушки подстерегают при настройке.

MMM: карта долгосрочного воздействия

Marketing Mix Modeling — это регрессионный метод, который объединяет исторические данные о расходах, медийной экспозиции и продажах, чтобы вычислить вклад каждого канала в выручку. Фреймворк Robyn от Meta вышел в 2022 году, но к 2025–2026 году стал production-ready. Robyn моделирует adstock (угасание эффекта рекламы со временем) и saturation curve (снижение отдачи при растущих расходах), оптимизируя распределение бюджета между каналами.

Сила MMM — он захватывает эффект бренда. Спонсорство подкаста может не привести конверсий на этой неделе, но через 6 недель повысит органический поиск. Last-click это не увидит, а MMM увидит. Слабость: нет гранулярности. MMM скажет вам "потратьте еще 50 000 рублей в месяц на Meta", но не скажет "на какую кампанию и какой крив". Кроме того, MMM смотрит в прошлое — не может проводить оптимизацию в реальном времени.

Для корректной настройки Robyn нужны минимум 2 года еженедельных данных (104 строки). Датасет должен содержать: расходы по каналам (Google Ads, Meta, TikTok, подкасты, ТВ отдельно), общие продажи (выручка или количество), изменения цен, праздники и сезонность. Robyn использует Nevergrad для гиперпараметрической настройки — запускает 100 000+ моделей и находит лучший fit. На выходе: mROAS (маржинальный ROAS) для каждого канала и точка насыщения. Пример: mROAS Meta 3.2, но при превышении spend 100 000 рублей падает до 1.8. Этот компромисс направляет распределение бюджета перформанс-маркетинга в production.

Incrementality Testing: причинность на коротком горизонте

MMM показывает корреляцию, incrementality доказывает причинность. Инкрементальный тест задает простой вопрос: что я потеряю, если выключу эту кампанию? Самый распространенный метод — geo-based holdout. Вы берете 50 регионов: 25 в treatment (кампания включена), 25 в control (кампания отключена) и измеряете разницу в продажах. GeoX от Google автоматизирует это — выбираете кампанию, делаете geo split, и через 2–4 недели получаете lift report.

Conversion Lift от Meta проводит holdout на уровне пользователя. Вы открываете "lift study" для кампании в Meta Ads Manager, Meta направляет 10% трафика в control (не видят рекламу), 90% в treatment. По окончании тест Meta сообщает: conversion rate в treatment 2.3%, в control 1.9% — lift 21%. Это означает, что истинный инкрементальный вклад кампании 21%, остальные 79% — это органические конверсии, ремаркетинг, поиск.

Слабость incrementality-теста: дорого и медленно. Geo-тест минимум 2 недели, user-level тест 4–6 недель. Во время теста вы не тратите бюджет на control группу — потенциальные потери есть. Плюс вы не можете тестировать каждую кампанию, только стратегические каналы (новый format, новая платформа, upper-funnel). Но без incrementality вы не можете валидировать результаты MMM — MMM может сказать "ROAS Meta 4.2", а lift test "нет, настоящий lift 18%, ROAS 1.6". Вместе они дают истину.

Стратегия holdout и размер выборки

Успех geo-теста начинается с расчета sample size. Google GeoX рекомендует минимум 40 geo (города/регионы) — 20 в treatment, 20 в control. Меньше geo — статистическая мощность падает, нет значимости. Для Meta Lift минимум: 50+ конверсий в день. Меньше — доверительный интервал очень широкий, lift может быть от 10% до 40%, решение принять нельзя.

При планировании длительности учитывайте seasonality. Если трафик в пятницу–воскресенье на 30% выше, чем в понедельник–четверг, настраивайте тест на полные недели (2 или 4). Есть и эффект spillover: пользователь из treatment geo может поехать в другой город и совершить конверсию. Это создает noise в control группе, lift получается ниже реального. Чтобы это компенсировать: четко определяйте geo границы (метро-область, не целый регион) или выбирайте тестовые категории с низкой мобильностью (локальные услуги, быстрая еда).

MMM + Incrementality работают вместе

Думайте о них как о взаимно подтверждающих слоях. MMM дает долгосрочное распределение бюджета, incrementality-тесты это валидируют. Процесс:

  1. Запустите MMM — постройте модель Robyn на 2 года данных, рассчитайте mROAS по каналам.
  2. Перераспределите бюджет по результатам MMM — если MMM говорит "удвойте spend подкастов", удвойте.
  3. Откройте incrementality-тест для критического канала — тестируйте подкасты 4 недели с geo-split.
  4. Сравните lift с MMM — MMM сказал "podcast ROAS 5.2", lift показал "истинный lift 25%, ROAS 3.1" → откалибруйте MMM.
  5. Закройте цикл — передайте новые lift-данные в Robyn как prior, рефайните модель.

Этот цикл повторяется каждые 3 месяца. MMM пересчитывается ежеквартально (добавляется 13 новых недель), incrementality-тесты ротируют по 1–2 каналам в месяц. Итог: макроуровень с правильным бюджет-миксом плюс микроуровень с причинной доказательностью.

Пример: e-commerce бренд. По MMM Google Search ROAS 8.2 — самый прибыльный канал. Но когда они открывают Meta Lift, видят: 60% трафика Search — это бренд-запросы, эти пользователи пришли бы на сайт без рекламы. Истинный инкрементальный lift 15%, ROAS 2.4. Уменьшив бюджет Search и переведя его в upper-funnel (YouTube, подкасты), через 2 квартала при пересчете MMM видят: органический brand search вырос на 18% — это отложенный эффект подкастов в модели.

Какой инструмент когда использовать

Используйте Robyn (MMM):

  • Входите на новый рынок, не знаете в какие каналы инвестировать.
  • Тратите на 5+ каналов, хотите перераспределить бюджет.
  • Хотите измерить долгосрочный эффект бренд-кампаний (ТВ, подкасты, инфлюэнсеры).
  • Есть минимум 2 года еженедельных данных о продажах и расходах.

Используйте Meta Lift:

  • Тестируете новый creative format на Meta (Reels, Advantage+ catalog).
  • Запустили upper-funnel кампанию, нужна причинная доказательность вклада в конверсии.
  • 50+ конверсий в день, готовы ждать 4–6 недель.
  • Control group потери в бюджете приемлемы.

Используйте Google GeoX (geo experiment):

  • Тестируете split brand vs. non-brand в Google Ads.
  • Едите на нескольких платформах (Google + Meta + TikTok одновременно), хотите кросс-канальную инкрементальность.
  • В России (или вашей стране) достаточно трафика для geo-split по городам (Москва, СПб, Екатеринбург, Новосибирск тестируются отдельно).

Если бюджет ограничен и выбираете один инструмент: начните с incrementality-теста (Meta Lift или GeoX). Потому что он дает действенные insights сразу — "закройте эту кампанию, сэкономьте 30%". MMM более стратегичен, но требует интерпретации для action. Идеал: оба работают вместе.

Ловушки setup и калибровка

Ловушки MMM:

  • Недостаточно данных: Не запускайте Robyn менее чем на 52 неделях — модель переобучается.
  • Пропущенные переменные: Если не добавите в модель промо-скидки, расходы конкурентов, то эффект канала будет завышен.
  • Неправильный adstock: Не используйте одинаковый adstock decay для всех каналов. ТВ имеет 8-недельный decay, Meta 2 недели — передайте это в Robyn как prior.
  • Игнорирование saturation: Robyn по умолчанию логарифмическая кривая, но некоторые каналы (brand search) линейные. Смотрите на fit и корректируйте тип кривой.

Ловушки incrementality:

  • Слишком короткий тест: 1-недельный lift тест не даст статистической мощности. Минимум 2 недели (geo), 4 недели (user-level).
  • Contamination: Если treatment и control в одном городе (два района Москвы), будет spillover. Geo границы должны быть четкие.
  • Noise от seasonality: Тест в неделю Black Friday покажет lift в 2x выше реального. Выбирайте обычные недели.
  • Неправильное attribution window: Meta Lift по умолчанию 7-day click, 1-day view. Если цикл продаж длинный (B2B, дорогие товары), откройте 28-day window.

Для калибровки: сравните предсказанный MMM ROAS с реальным ROAS из lift-теста. Если разница >20%, пересмотрите prior'ы в MMM (adstock, saturation). В Robyn можете сузить поиск, задав hyperparameter_bounds для adstock decay 0.4, 0.6 вместо 0.3, 0.8. Эта итерация занимает 2–3 квартала, но в итоге MMM и incrementality синхронизируются.

Куда идет движение в 2026 году

К концу 2026 40% incrementality-тестов переходят на Bayesian методы. Классический frequentist A/B тест ждет "p < 0.05", а Bayesian допускает ранний стоп — если на день 10 posterior probability >95%, можете остановить тест. Meta уже открыла Bayesian Conversion Lift в beta. Google GeoX пока нет, но ждется в 2027.

На фронте MMM Robyn получает интеграцию с causal inference (Pearl notation, DAG). Сейчас Robyn корреляционный — если два канала растут вместе (оба готовятся к Black Friday), ему сложно разделить эффект. Causal MMM (гибрид Econometric + Causal Impact) это решает. Production-ready ожидается в 2027.

Последнее: incrementality + MMM stack теперь не только для paid media. Retention и lifecycle marketing начали использовать этот подход. Email-кампаний инкрементальность измеряют через Braze + GeoX. Push notifications тестируют с user-level holdout. Attribution теперь охватывает не только acquisition, но full customer journey. К 2026 году команды без этого stack инвестируют вслепую — те, у кого он есть, оптимизируют каждый рубль инженерной дисциплиной.