Постатвибуция после эпохи cookies переопределила смысл слова "attribution". В 2026 году вы больше не отслеживаете, какой пользователь видел какую рекламу — вместо этого нужно изолировать, какой канал реально генерирует прирост продаж. Marketing Mix Modeling (MMM) и тесты инкрементальности — два основных инструмента этой новой парадигмы. Но они отвечают на один вопрос в разных временных горизонтах и с разной степенью уверенности. Выбор между Robyn от Meta, Conversion Lift и geo-экспериментами зависит от timing кампаний, гибкости бюджета и уровня data maturity вашей организации.
MMM: Читаем прошлое, предсказываем будущее
Marketing Mix Modeling — это семейство методов регрессии. На вход подаются 2–3 года исторических данных о расходах, impressions, макроэкономических факторах и продажах; на выходе получается изолированный вклад каждого канала в общий объём продаж. Open-source framework вроде Robyn добавляет к этому байесовскую оптимизацию, автоматически калибруя гиперпараметры модели (адсток, кривые насыщения).
На выходе Robyn выдаёт набор "response curves" — для каждого канала кривая маржинального ROAS при увеличении расходов. Например: если добавить 100 тыс. ₽ на Meta, ожидаемый ROAS 3.2×; если на Google Search — 4.1×. Именно такие сравнения нужны для стратегических решений по распределению бюджета. В версии Robyn v4.1 (2026) автоматически разбираются сезонность по Prophet, holiday-эффекты парсятся без ручных dummy-переменных; manual calendar events давно deprecated.
Слабое место MMM — lag между вопросом и ответом: модель требует минимум 100–120 недель данных (2+ года). Если вы только открыли новый канал (например, TikTok), первые 12 недель его данных будут чрезмерно шумными — модель не сможет назначить ему надёжный коэффициент. Тут на помощь приходит краткосрочный тест инкрементальности.
Meta Conversion Lift: быстро, узко, дорого
Meta Conversion Lift (раньше Lift Studies) работает по схеме рандомизированного контролируемого эксперимента: пользователей разбивают на test-группу (видит рекламу) и control-группу (видит PSA), вычисляют разницу в конверсиях. Результат готов за 2–4 недели — это даёт вам speed, который недоступен в MMM.
Но у Lift есть твёрдые требования: минимум 200 тыс. reach и готовность потратить 5–10% от обычного бюджета кампании на control-группу "впустую" (им показывают PSA, но конверсии не считаются). На практике это 50–100 тыс. ₽ impression waste — Meta эти деньги не возвращает, это cost of testing.
В 2026 году Meta интегрировала Conversion Lift с server-side событиями: event'ы Purchase, отправляемые через CAPI, теперь напрямую используются в расчётах lift'а. Даже на iOS 17+ результаты надёжны, потому что test/control assignment привязан к server-side ID'ам. Единственное ограничение: Lift измеряет только саму Meta — cross-channel halo-эффект (например, рост organic Google Search благодаря YouTube) вы не увидите.
Geo-эксперименты: ловим cross-channel halo
Geo-based инкрементальность работает на уровне города/региона: вы увеличиваете расходы на Meta на 30% в Москве и Санкт-Петербурге, оставляя Казань и Екатеринбург в baseline. Через 4–6 недель смотрите на delta в общих продажах — этот метод ловит spillover между каналами.
Google GeoX автоматизирует процесс: использует synthetic control method, для каждого test-региона создаёт "контрфактическую" кривую продаж, опираясь на weighted average похожих по демографии и сезонности регионов. Разница между реальными продажами после treatment'а и этой синтетической кривой — это ваш incrementality.
Плюсы geo-теста: охватывает все online и offline каналы. Минусы: риск географического spillover (реклама в Москве влияет на Тверь) и различия в размере рынков. Работает, если у вас 10–12 географических кластеров; для меньших операций power недостаточна.
В 2026 году GeoX нативно интегрирован в Google Cloud BigQuery — вы берёте GA4 + данные о транзакциях из BigQuery и напрямую подаёте их в pipeline теста. Deployment 2 недели, сам тест 4–6 недель, total cycle 6–8 недель.
Какой инструмент, когда и почему
Используйте это дерево решений:
| Сценарий | Инструмент | Обоснование |
|---|---|---|
| У вас есть 2+ года данных, нужно стратегическое распределение бюджета | Robyn (MMM) | Длинные response curves, detection saturation |
| Тестируете новый creative format (Reels vs. Feed) | Meta Conversion Lift | Скорость 2–4 недели, format-специфичен |
| Подозреваете cross-channel synergy (YouTube + Search) | Geo-эксперимент | Ловит spillover между каналами |
| Начинаете с нуля | Сначала Lift, потом MMM | Первые 6 месяцев tactically optimize via Lift, затем MMM для стратегии |
Для Robyn минимум: Python/R environment, 120+ недель данных (расходы + sales), машина с 2–4 cores для Prophet. Output обновляется еженедельно, полный rebuild модели раз в месяц.
Для Meta Lift: активная кампания в Business Manager, 200k+ weekly reach, conversion event'ы идут через CAPI. Approval занимает 3–5 business days.
Для GeoX: 10+ географических кластеров, BigQuery setup, GA4 + transaction data. Google запустил инструмент в beta в Q4 2025, в 2026 он в полной production.
Практические ошибки Robyn
Первая проблема при запуске Robyn — hyperparameter tuning. Framework по дефолту пробует 100 тыс. комбинаций моделей; на 8-core машине это 6–8 часов. Если refresh раз в неделю — OK, если хотите daily updates — нужен распределённый Spark cluster.
Вторая ошибка: окно adstock-эффекта. Robyn использует 13-недельное окно по умолчанию — эффект от одной недели расходов распределяется на 13 недель. Для fast fashion (lifecycle продукта 4–6 недель) это nonsense. Нужно override этот параметр под вашу category, иначе модель переоценивает долгохвостные каналы типа TV.
Третья ошибка: сезонность. Prophet делает Fourier decomposition, но в России (как и в Турции) нужно вручную добавить floating holidays — Рамадан, Курбан-байрам, Black Friday. Robyn v4.1 поддерживает импорт holidays из iCal, можете подтянуть прямо из Google Calendar.
Какая confidence для какого решения
MMM выдаёт вероятностный output: для каждого канала — mean coefficient и 95% confidence interval. Пример: Meta ROAS = 3.2 ± 0.7 означает, что истинное значение с 95% вероятностью между 2.5 и 3.9. Если interval широкий (скажем, ±1.2), коэффициент нестабилен — нужно больше данных.
Lift test'а confidence фиксирована: Meta использует 90% порог. Если результат "not statistically significant" — либо sample слишком мал, либо реального lift'а нет. При 200k reach можно catch ~10% lift, для 5% нужны 500k+.
Geo experiment'а confidence зависит от качества fit synthetic control'а: если MAPE (mean absolute percentage error) pre-treatment периода <5% — надёжно, если >10% — нужно переделать geo clusters.
Встраиваем дерево решений в workflow
Успешные performance marketing teams в 2026 году запускают MMM + incrementality в одном pipeline: Robyn работает в первую неделю каждого месяца, обновляя quarterly бюджет allocation. Lift-тесты идут при запуске новых creative/format, решение принимается за 2–4 недели. Geo-эксперименты 2–3 раза в год для валидации крупных сдвигов в channel mix (например, перед 50% увеличением бюджета TikTok).
Для этого setup'а нужны три независимых data flow'а: (1) daily транзакции и расходы идут в BigQuery, (2) Robyn еженедельно их consume'ит, (3) результаты Lift и GeoX ручной upload'ом идут в BI. Всё собирается в одном Looker dashboard для CMO: "в прошлом месяце Meta ROAS был 3.4 (MMM), новый Reels format дал 12% lift (Lift), TikTok geo-тест провалился (GeoX)" — consolidated view для всех stakeholders.