Marketing Mix Modeling dla średnich firm: od czego zacząć

Czym marketing mix modeling różni się od atrybucji w GA4 i panelach reklamowych

Atrybucja przypisuje konwersje do punktów styku na ścieżce konkretnego użytkownika, a MMM szuka związku między wydatkami a łącznym wynikiem firmy w czasie. To dwa różne pytania: „który kanał był na ścieżce” oraz „ile sprzedaży nie byłoby bez tego kanału”.

Atrybucja w GA4, Google Ads i Meta widzi tylko to, co da się zmierzyć tagiem. Nie widzi telewizji, radia, outdooru ani sprzedaży na Allegro, a przy odrzuconych zgodach część ścieżek znika lub jest modelowana. Każda platforma liczy przy tym po swojemu, o czym piszemy w tekście o różnicach w konwersjach między GA4, Google Ads i Meta. Nawet atrybucja oparta na danych rozdziela tylko te konwersje, które zostały zarejestrowane.

Marketing Mix Modeling bierze szereg czasowy, np. 156 tygodni, i szacuje, jak sprzedaż reaguje na zmiany wydatków po uwzględnieniu sezonowości, cen, promocji i trendu. Obejmuje wszystkie kanały, także offline, ale nie powie, która kreacja czy które słowo kluczowe zadziałały.

W praktyce te metody się uzupełniają: atrybucja służy do codziennej optymalizacji, MMM do planowania budżetu na kwartał lub rok, a eksperymenty do sprawdzania, czy dwie pierwsze nie wprowadzają w błąd. Jak zaprojektować taki eksperyment, wyjaśniamy w poradniku o testach inkrementalności i Conversion Lift.

Kiedy średnia firma jest gotowa na marketing mix modeling

MMM ma sens, gdy decyzja o podziale budżetu między kanały jest na tyle duża, że błąd kosztuje więcej niż projekt modelu, a dane historyczne zawierają wystarczającą zmienność. Jeśli prawie cały budżet trafia do jednego kanału, model niewiele Ci powie.

Sprawdź, czy spełniasz te warunki:

• Kilka kanałów z istotnym budżetem. Model potrzebuje co najmniej 3–4 kanałów z zauważalnym udziałem w wydatkach. Kanał, na który wydawano kilkaset złotych miesięcznie, zwykle trzeba połączyć z innym albo pominąć.
• Zmienność wydatków. Jeśli budżet na Meta Ads był przez cały okres identyczny, model nie ma z czego wywnioskować, jak sprzedaż reaguje na zmianę.
• Wiarygodny wynik biznesowy. Potrzebujesz sprzedaży z systemu sprzedażowego lub ERP, a nie tylko konwersji z GA4.
• Pytanie, na które czekają decydenci. Na przykład: „ile możemy dołożyć przed Black Friday, zanim zwrot zacznie spadać”.
• Osoba do pracy z modelem. Przy darmowych narzędziach to analityk znający Pythona lub R – w firmie albo u partnera.

Załóżmy, że sklep z wyposażeniem wnętrz wydaje 120 000 zł miesięcznie: połowę w Google Ads, 30% w Meta Ads, po 10% na YouTube i Allegro Ads, a dwa razy w roku emituje spoty w radiu regionalnym. To dobry kandydat: kanałów jest kilka, a budżet jest sezonowy. Firma, która wydaje 8000 zł miesięcznie wyłącznie na kampanie w wyszukiwarce, lepiej zainwestuje czas w eksperymenty w Google Ads niż w model.

Jakie dane zebrać do pierwszego modelu MMM

Model potrzebuje jednego szeregu z wynikiem (KPI) i kilku szeregów z czynnikami, które mogły na niego wpływać, w tej samej granulacji czasowej – zwykle tygodniowej. Najwięcej pracy kosztuje nie samo modelowanie, ale zebranie i oczyszczenie tych danych.

Jeśli zamówienia są już w hurtowni danych, tygodniowy szereg KPI to jedno zapytanie w BigQuery:

-- Tygodniowy przychód netto i liczba zamówień (tydzień od poniedziałku, czas polski)
SELECT
  DATE_TRUNC(DATE(order_timestamp, 'Europe/Warsaw'), WEEK(MONDAY)) AS tydzien,
  SUM(net_revenue - refunded_net) AS przychod_netto,
  COUNT(DISTINCT order_id) AS zamowienia
FROM `twoj-projekt.sklep.zamowienia`
WHERE status NOT IN ('anulowane', 'testowe')
  AND DATE(order_timestamp, 'Europe/Warsaw') BETWEEN '2023-10-02' AND '2026-10-25'
GROUP BY tydzien
ORDER BY tydzien;

Takie zapytania uruchamiasz wielokrotnie przy każdym odświeżeniu modelu, więc warto od początku pilnować partycji i tabel pośrednich – opisujemy to w tekście o kosztach BigQuery w marketingu. Wynik biznesowy bierz z systemu sprzedaży, a nie z GA4. W trybie podstawowym Consent Mode część transakcji w ogóle nie trafia do analityki, a odsetek zgód zmienia się w czasie, co model odczyta jako zmianę sprzedaży. Różnice między trybami wyjaśniamy w porównaniu Consent Mode podstawowego i zaawansowanego.

Ile historii i zmienności potrzebuje model

Standardem są 2–3 lata danych tygodniowych, czyli 104–156 obserwacji. Mniej niż rok danych tygodniowych zwykle nie wystarcza, żeby oddzielić sezonowość od efektu mediów, bo model widzi każdy okres świąteczny tylko raz.

Każdy kanał to w modelu kilka parametrów: siła efektu, tempo wygasania i punkt nasycenia. Do tego dochodzą trend, sezonowość i zmienne kontrolne, więc przy ośmiu kanałach 104 tygodnie to niewiele. Pomagają trzy rzeczy:

• Model na poziomie regionów. Dane rozbite na województwa zwielokrotniają liczbę obserwacji – pod takie modele projektowany jest Google Meridian.
• Mniej, ale szerszych kanałów. Jeden kanał „Google – wyszukiwarka” zamiast osobnych typów kampanii często daje stabilniejszy wynik.
• Wiedza z zewnątrz. Wyniki eksperymentów można wprowadzić do modelu jako informację a priori.

Drugim warunkiem jest zmienność. Jeśli zawsze zwiększałeś wydatki we wszystkich kanałach jednocześnie, np. w listopadzie, model ma kłopot z rozdzieleniem ich wpływu (współliniowość). Rozwiązaniem jest planowana zmienność: naprzemienne podnoszenie i obniżanie budżetu w poszczególnych kanałach albo testy w wybranych regionach, które opisujemy w artykule o kalibracji MMM testami geo.

Adstock, nasycenie i ROI: pojęcia, bez których nie zinterpretujesz wyników

MMM opisuje każdy kanał dwiema zależnościami: adstock mówi, jak długo efekt reklamy trwa po emisji, a krzywa nasycenia – jak szybko maleje zwrot z każdej kolejnej złotówki. Z nich wynikają ROI i marginalny ROI, na których opiera się planowanie budżetu.

• Adstock, czyli efekt przeniesienia. Reklama wideo z tego tygodnia działa także w kolejnych, z malejącą wagą. Kanały wizerunkowe zwykle mają dłuższe przeniesienie niż wyszukiwarka.
• Nasycenie. Podwojenie budżetu nie podwaja sprzedaży. Krzywa odpowiedzi (często funkcja Hilla) najpierw rośnie szybko, potem się wypłaszcza.
• ROI i marginalny ROI. ROI to średni zwrot z całego wydatku w kanale, mROI – zwrot z ostatniej dodanej złotówki. Kanał może mieć wysokie ROI i jednocześnie niski mROI, jeśli jest już blisko nasycenia.

Załóżmy, że model pokazuje dla Meta Ads ROI 3,1, czyli każda złotówka przyniosła średnio 3,10 zł przychodu inkrementalnego, ale mROI tylko 1,4. Kolejne 10 000 zł w tym kanale przyniesie więc ok. 14 000 zł przychodu – przy marży 30% to strata. Dla YouTube ten sam model może pokazać niższe ROI 1,8, ale mROI 1,7, bo kanał jest daleko od nasycenia. Decyzję o dodatkowym budżecie podejmujesz na podstawie mROI, nie ROI. Jak przeliczyć zwrot na próg rentowności i który wskaźnik pokazywać zarządowi, wyjaśniamy w tekście o ROAS, POAS i MER.

Meridian, Robyn czy zewnętrzny dostawca: jak wybrać narzędzie

Dla średniej firmy z analitykiem w zespole rozsądnym startem jest jedna z dwóch darmowych bibliotek: Google Meridian (Python, model bayesowski) albo Meta Robyn (R oraz wersja w Pythonie, regresja grzbietowa). Bez kompetencji programistycznych lepiej skorzystać z partnera, który zbuduje model na jednym z tych narzędzi i przekaże Ci kod oraz dane.

Meridian jest ogólnie dostępny od stycznia 2025 r. Obsługuje modele regionalne, rozkłady a priori dla ROI i dane o zasięgu oraz częstotliwości. W lutym 2026 r. Google dodał do niego Scenario Planner, czyli raport do planowania budżetu bez pisania kodu, a 10 września 2026 r. udostępnił moduł GeoX do testów geo. Od czego zacząć pracę z biblioteką, pokazujemy w praktycznym poradniku Google Meridian, a planowanie scenariuszy opisujemy w tekście o Meridian Scenario Planner.

Robyn przeszukuje tysiące wariantów modelu i proponuje zestaw kandydatów, spośród których analityk wybiera jeden. Zestawienie obu narzędzi znajdziesz w artykule Robyn czy Meridian. Jeśli rozważasz platformę komercyjną, zapytaj dostawcę, jak waliduje model, czy pozwala na kalibrację eksperymentami i czy dostaniesz parametry modelu, a nie tylko wykresy.

Pierwszy projekt MMM krok po kroku

Pierwszy model najlepiej potraktować jak projekt z jasno określonym końcem, a nie jak niekończące się badanie. Poniższa kolejność ogranicza ryzyko, że utkniesz na etapie danych.

1. Sformułuj pytanie. Jedno zdanie, np. „jak podzielić budżet 1,4 mln zł na 2027 r. między pięć kanałów”.
2. Zinwentaryzuj dane. Dla każdego kanału sprawdź, od kiedy masz tygodniowe wydatki i czy były przerwy w danych.
3. Zbuduj tabelę modelową. Jeden wiersz na tydzień (lub tydzień i region), kolumny z KPI, wydatkami, ekspozycją i zmiennymi kontrolnymi.
4. Obejrzyj dane na wykresach. Nałóż sprzedaż na wydatki i kalendarz promocji – wyjdą braki, duplikaty i zmiany definicji.
5. Zbuduj model bazowy. Zacznij od domyślnych ustawień i małej liczby kanałów.
6. Zweryfikuj model na danych, których nie widział. Odłóż ostatnie 8–12 tygodni i sprawdź, jak model je przewiduje.
7. Porównaj z eksperymentami. Zestaw wynik testu geo lub Conversion Lift z oszacowaniem modelu i rozważ kalibrację.
8. Przedstaw wynik w języku decyzji. Zamiast współczynników: „przesunięcie 15% budżetu z kanału A do B zwiększy przychód o 2–5%”.
9. Odświeżaj model. Najczęściej co kwartał, z porównaniem, jak zmieniły się wnioski.

Większość czasu pierwszego projektu pochłaniają kroki 2–4.

Jak ocenić, czy wynikom modelu można ufać

Model jest wiarygodny, gdy dobrze przewiduje okres, którego nie widział, jego wnioski są stabilne po dodaniu nowych danych i zgadzają się z wynikami eksperymentów. Wysokie dopasowanie na danych treningowych to za mało, bo model z dużą liczbą parametrów potrafi dopasować się do szumu.

Sygnały ostrzegawcze, przy których trzeba wrócić do danych lub specyfikacji:

• kanał ma ujemny wpływ na sprzedaż, choć logika biznesowa tego nie uzasadnia,
• ROI jednego kanału jest kilkukrotnie wyższe od pozostałych i od wyników testów,
• bazowa sprzedaż (bez mediów) wyjaśnia prawie cały wynik albo prawie nic,
• po odświeżeniu o kolejny kwartał ranking kanałów zmienia się całkowicie,
• efekt dużej promocji cenowej został przypisany kanałowi, który akurat miał wtedy najwyższe wydatki.

Zestawienie przychodu inkrementalnego z MMM z blended ROAS z kilku platform pomaga wytłumaczyć, dlaczego model ocenia kanał inaczej niż panel reklamowy. Jeśli różnica jest duża, zaplanuj test, który ją rozstrzygnie. Kolejne poradniki o modelowaniu znajdziesz w dziale Marketing Mix Modeling.