MMM qayta tirildi: Meridian va Robyn nima beradi

2025 yil 29 yanvarda Google oʻzining ochiq kodli marketing mix modeli Meridianni hamma uchun ochdi. Kod GitHub omboriga joylandi, yigirmadan ortiq oʻlchash hamkori esa Meridian boʻyicha oʻqitilib, sertifikatlandi. Meta ning Robyn paketi esa MIT litsenziyasi bilan ochiq. Ikkala vosita bir gʻoyaga tayanadi: kanallar taʼsirini alohida odamni kuzatib emas, umumiy raqamlar orqali baholash.

MMM nima va nega yana kerak boʻldi

MMM reklama bilan savdo orasidagi bogʻlanishni umumiy raqamlardan topadi, Robyn hujjati esa uni statistik tahlil, aniqrogʻi regressiyaga asoslangan usul deb taʼriflaydi. Foydalanuvchi darajasidagi emas, jamlangan maʼlumotdan foydalangani uchun u onlayn signallarga kam bogʻliq, model esa bitta asosiy koʻrsatkichni, koʻpincha savdoni, tushuntirishga urinadi.

Modelga uch guruh omil beriladi:

• media: iloji boricha klik emas, koʻrishlar soni yoki qamrov balli kabi koʻrsatkichlar.
• reklamadan tashqari omillar: aksiyalar, mavsum va bayramlar.
• makroiqtisodiy omillar, yaʼni mamlakat iqtisodiyotining umumiy holati.

Natija ikki ish uchun kerak: byudjetni kanallar oʻrtasida taqsimlash va kelgusi kampaniyalar taʼsirini bashorat qilish, bu esa oxirgi klik hisobotlaridan boshqa savol, chunki oxirgi klik hisoboti faqat kuzatilgan aloqalarni sanaydi. MMM esa butun davr boʻyicha “reklama oʻzgarganda savdo qanday oʻzgargan” degan savolga javob qidiradi. Foydalanuvchi kuzatuvi cheklangan paytda aynan shu sababli MMMga qiziqish qaytmoqda, bu tahririyat xulosasi.

Gipotetik misol. Doʻkon egasi bir oy radio reklamasini kuchaytirdi va savdo oshdi. Radio tinglovchisini kuzatib boʻlmaydi, lekin MMM radioga ketgan xarajat bilan savdo hafta sayin qanday birga oʻzgarganini koʻradi.

Meridian: nimani soʻraydi va nimani beradi

Meridian uchta savolga javob izlaydi: oldingi davrda nima boʻlgani, har kanal qanchalik samarali ekani va kelgusi byudjetni qanday taqsimlash kerakligi.

Hujjat savollarni shunday qoʻyadi:

1. Kanallar boʻyicha oʻtgan davrda daromad qaytimi va hissa qanday boʻlgan?
2. Har bir kanalning javob egri chizigʻi qanday, yaʼni xarajat oshganda natija qancha oshadi?
3. Kelgusi byudjetni qanday taqsimlash kerak?

Model Bayes yondashuvida qurilgan va hujjat uni “marketingning haqiqiy sababiy taʼsirini baholash uchun” moʻljallangan deb yozadi. Bu yondashuv bitta son emas, mumkin boʻlgan qiymatlar taqsimotini, yaʼni posteriorni beradi, asosiy natija ham shu. Oldindan bilgan narsangizni prior orqali modelga qoʻshish mumkin.

Kirishga uchta narsa kerak: maqsad koʻrsatkich, har kanal boʻyicha media maʼlumot va ixtiyoriy nazorat omillari. Hududlar boʻyicha ajratilgan maʼlumot, yaʼni geo-daraja ham qoʻllab-quvvatlanadi, chunki u modelga koʻproq statistik maʼlumot beradi va media taʼsiri baholarini yaxshilaydi.

Google eʼlonida yana bir tafsilot bor: model koʻrsatuvlar bilan birga qamrov va chastotani ham hisobga oladi. Eʼlonda shunday deyilgan: “ten impressions could mean ten people reached, or one person reached ten times”. Yaʼni oʻn koʻrsatuv oʻn kishiga ham, bitta kishiga oʻn marta ham yetgan boʻlishi mumkin.

Meridian tajriba natijalarini prior sifatida qabul qiladi va bu kanal yoki tajriba turiga bogʻliq emas. GeoX vositasi hududiy tajribalarni oʻtkazish va natijasini modelga prior qilib berish uchun moʻljallangan. Qidiruv soʻrovlari hajmi kabi organik talab maʼlumotini ham qoʻshish mumkin. Organik talab degani reklamasiz paydo boʻlgan qiziqish, va sotuvga yaqin bosqichni oʻlchaganda uni reklama hissasidan ajratib olishga yordam beradi.

Robyn: nima uchun boshqacha

Robyn ham MMM, lekin Meta jamoasidan chiqqan va boshqacha hisob usuliga tayanadi.

Paketni Meta Marketing Science jamoasi yaratgan, README esa uni “tajribaviy, AI/ML asosidagi, ochiq manbali” MMM paketi deb ataydi. Ichida toʻrtta asosiy qism bor:

• ridge regressiya, yaʼni omillar bir-biriga oʻxshash boʻlganda natijani barqaror ushlab turadigan regressiya turi.
• model sozlamalarini tanlash uchun koʻp maqsadli evolyutsion algoritm.
• trend va mavsumni alohida ajratib beradigan usul.
• byudjetni taqsimlash uchun gradient optimallashtirish.

Paket adstock va toʻyinish egri chiziqlarini oʻrganishga ham yordam beradi. Adstock reklamaning keyingi kunlardagi taʼsiri, toʻyinish esa xarajat oshgani sari natija sekinroq oʻsishi.

Asosiy dasturlash tili R. Python orqali beta API bor, lekin u baribir R paketini oʻrnatishni talab qiladi. README Robynni koʻp omilli va batafsil maʼlumotli reklamachilar uchun, ayniqsa raqamli va toʻgʻridan-toʻgʻri javob reklamasi uchun moʻljallangan deb tasvirlaydi.

Jadvaldan shu koʻrinadi: ikkala vosita ham natijani tajriba bilan tekshirishga imkon beradi, asosiy farq esa hisoblash usulida va maʼlumot darajasiga qoʻyiladigan talabda.

Qancha maʼlumot kerak

Qisqa javob: kamida ikki yillik haftalik maʼlumot, yaʼni taxminan 104 hafta.

Robyn qoʻllanmasi aniq gapiradi: MMM uchun kamida ikki yillik haftalik maʼlumot kerak, maʼlumot oylik boʻlsa esa 4–5 yil tavsiya qilinadi. Haftalik daraja eng yaxshi variant deb koʻrsatilgan. Hududiy kesimda DMA, yaʼni AQShdagi bozor hududi, yoki shtat darajasi afzal, milliy maʼlumot esa zaxira yoʻl. Rejalashtirilgan emas, haqiqiy xarajat va koʻrishlar olinishi kerak.

Meridian hujjati boshqacha yondashadi: u tayyor raqam emas, nisbat beradi. Hujjat oʻzini “taxminiy va yoʻnaltiruvchi” deb atagan holda, ikki yillik haftalik maʼlumotni, yaʼni 104 nuqtani, koʻp parametrli milliy model uchun kam deb hisoblaydi. Uch yil, yaʼni 156 nuqta, yaxshiroq maqsad.

Hujjatdagi misolda model 12 media kanal, 6 nazorat omili va 8 tugundan iborat. Tugun degani trend va mavsumni tasvirlash uchun qoʻyiladigan tayanch nuqta, jami 26 parametr chiqadi va ikki yillik haftalik maʼlumotda har biriga taxminan 4 nuqta toʻgʻri keladi. Hujjat buni juda kam deb baholaydi.

Chiqish yoʻli bor. Hujjatga koʻra, quyidagilar yordam beradi:

• kanallarni birlashtirish yoki xarajati kam kanallarni olib tashlash.
• tugunlar sonini kamaytirish.
• ortiqcha nazorat omillarini olib tashlash, ammo muhim aralashtiruvchi omillarni qoldirish.
• yana bir yillik maʼlumot qoʻshish.

Hujjat kampaniya darajasida modellashni tavsiya qilmaydi, chunki MMM kanal darajasida yaxshi ishlaydi. Boshlanish va tugash sanalari aniq kampaniyalar esa adstock xotirasini, yaʼni reklamaning keyingi kunlardagi taʼsirini, yoʻqotishi mumkin.

Gipotetik hisob. Onlayn doʻkon ikki yillik haftalik maʼlumotga ega, yaʼni 104 nuqta, va 8 kanal, 4 nazorat omili hamda 8 tugun bilan model qurmoqchi. Bu 20 parametr, har biriga taxminan 5 nuqta. Hisob Meridian hujjatidagi misolga oʻxshaydi, lekin qoʻllanma yagona minimal nisbat bermaydi. Aniq javobni modelni ishga tushirib, ishonchli oraliqlarga qarab bilish mumkin.

Nimani oʻlchay olmaydi

MMM oʻlchanmagan omilni koʻrmaydi. Bu uning asosiy cheklovi, chunki reklama taʼsiri bilan boshqa omillar taʼsirini ajratish uchun modelga ular kirgan boʻlishi kerak.

Meridian hujjati sababiy xulosa uchun ikkita shart nomlaydi, sababiy xulosa degani esa “reklama savdoni oshirdi” deyish huquqi, oddiy yonma-yon oʻzgarish emas.

• Izchillik: kuzatilgan natija xuddi shu media qarorlarida boʻlishi mumkin boʻlgan natijaga teng.
• Shartli almashinuvchanlik: media qarorlari nazorat omillarini hisobga olgandan keyin natijaga bogʻliq emas.

Ikkinchi shart faqat barcha aralashtiruvchi omillar oʻlchanib, nazoratga kiritilgan boʻlsa bajariladi. Oddiy qilib aytganda, reklama qarorlari sizga maʼlum omillar tufayli qabul qilingan boʻlishi kerak, yashirin sabab tufayli emas. Hujjat muhim narsani qoʻshadi: bu shartni maʼlumotning oʻzidan statistik testlash mumkin emas, yaʼni uni raqamlarning oʻzi bilan tekshirib boʻlmaydi.

Amaliy misol, gipotetik holat. Kompaniya aksiyalarni va reklama byudjetini bir vaqtda oshirdi va savdo oʻsdi. Aksiya modelga kiritilmagan boʻlsa, model oʻsishni reklamaga yozadi, shu sababli nazorat omillarini ham reklama kanallari kabi diqqat bilan yigʻish kerak.

Brett Gordon va hammualliflarning 2019 yildagi maqolasi MMMga ham ogohlantirish boʻladi: tasodifiy tajriba bilan solishtirganda kuzatuv usullari koʻpincha tajriba bergan taʼsirni takrorlay olmagan. MMM ham kuzatuv maʼlumotiga tayanadi, shuning uchun Robyn hujjati ham, Meridian ham tajribalar bilan kalibrlashni tavsiya qiladi. Kalibrlash degani model natijasini haqiqiy tajriba natijasiga solishtirib toʻgʻrilash, Robyn qoʻllanmasi esa buni “eksperimental va sababiy natijalar asos haqiqat sifatida kalibrlash uchun” deb yozadi. Tahririyat xulosasi shunday: MMM yakuniy javob emas, tajriba bilan tekshiriladigan farazlar manbai.

Yana bir cheklov milliy maʼlumotga tegishli: unda vaqt taʼsirlarini ajratish uchun nuqtalar kam qoladi. Hududiy maʼlumot esa takrorlanuvchi naqshlar, xarajat oʻzgaruvchanligi va tushib qolgan omillar xavfi jihatidan yaxshiroq. AQSH reklamachilari uchun hujjat aholi soni boʻyicha eng yirik 50–100 DMAni modellashtirishni tavsiya qiladi, lekin yagona minimal geo sonini koʻrsatmaydi.

Kichik va oʻrta biznes uchun savollar

Quyidagi besh savol MMM sizga mos yoki yoʻqligini tez koʻrsatadi. Ular tahririyat xulosasi: hujjatlardan chiqarilgan mantiq, amaliyot hisoboti emas.

1. Kamida ikki yillik haftalik savdo va reklama maʼlumoti bormi? Robyn qoʻllanmasi ikki yilni minimum deb koʻrsatadi.
2. Kanal soni maʼlumot hajmiga mosmi? Har parametrga nechta nuqta tushishini hisoblang.
3. Kanallar xarajati vaqt davomida oʻzgarganmi yoki doim bir xilmi? Oʻzgarishi kam yoki kuzatuvi kam kanalni oʻlchash qiyin. Qoʻllanma uni chiqarib tashlashni yoki birlashtirishni maslahat beradi.
4. Viloyat yoki shahar kesimida savdo va reklama maʼlumoti bormi? Geo-daraja milliy darajadan koʻproq signal beradi.
5. Kamida bitta tajriba, geo yoki vaqt boʻyicha, oʻtkazish mumkinmi? U modelni kalibrlashga yordam beradi.

Javoblarning koʻpi “yoʻq” boʻlsa, MMM natijasi shovqinli chiqishi ehtimoli katta. Meridian hujjati aniqlik savoliga ham yoʻl koʻrsatadi: modelni ishga tushirib, ishonchli oraliqlarga qarash kerak. Oraliq juda keng chiqsa, maʼlumot yetishmaydi. Bu natijani modelga ishonishdan oldin qabul qilish kerak.