Marketing Mix Modeling (MMM) для B2B: когда multi-touch не отвечает на вопрос «что выключить»

В прошлом месяце ко мне пришёл маркетинг-директор одной алматинской компании. Они продают промышленное оборудование, средний цикл сделки – полгода, средний чек – несколько миллионов тенге. «У нас есть вся аналитика, – говорит он. – UTM-метки, CRM с полной историей, мультитач-атрибуция настроена. Я знаю, сколько касаний до продажи, какие каналы участвовали. Но когда директор спрашивает: "Что будет, если мы на 30% порежем бюджет на выставки и переложим в контекст?" – я не могу ответить. Моя аналитика показывает, что было. Но не говорит, что будет».

Это был момент, который многие маркетологи в B2B рано или поздно переживают. Вы честно настроили всю атрибуцию, собираете данные, строите отчёты – и всё равно не можете уверенно ответить на простой вопрос руководства: куда вложить следующий миллион?

Мультитач-атрибуция – отличный инструмент. Она показывает путь клиента, распределяет «заслугу» между касаниями, помогает понять, какие каналы работают в связке. Но у неё есть фундаментальное ограничение: она работает только с теми клиентами, которые до вас дошли. Она не видит всех, кто мог бы прийти, но не пришёл. Не учитывает эффект бренда, который нельзя привязать к конкретному клику. Не показывает, как каналы влияют друг на друга через рынок в целом.

Для таких вопросов существует другой инструмент – Marketing Mix Modeling, или MMM. Это эконометрический подход, который анализирует связь между маркетинговыми инвестициями и бизнес-результатами на агрегированном уровне. Он не пытается отследить каждого клиента – вместо этого смотрит на картину в целом и отвечает на вопросы, которые мультитач-атрибуция не может.

Почему мультитач-атрибуции недостаточно для B2B

Давайте разберёмся, почему даже идеально настроенная атрибуция не отвечает на главные вопросы бизнеса. Не потому что она плохая – просто это инструмент для других задач.

Слепые зоны мультитач-атрибуции

Представьте: вы запускаете имиджевую рекламу на наружке в Астане. Бизнесмен видит ваш билборд по дороге на работу каждый день в течение месяца. Потом он слышит о вас от партнёра на деловом обеде. Через неделю гуглит вашу компанию, заходит на сайт напрямую (без UTM), звонит в офис и через полгода закрывает сделку на 50 миллионов.

Что увидит ваша атрибуция? Источник – «прямой заход» или «органический поиск». Билборд? Он не оставляет цифровых следов. Рекомендация от партнёра? Тоже. Мультитач-атрибуция работает только с тем, что можно отследить технически. А в B2B огромная часть влияния происходит вне зоны отслеживания.

Проблема «последних 20%»

По разным оценкам, от 30% до 50% маркетингового влияния в B2B происходит через каналы, которые не оставляют кликовых следов: участие в выставках, PR и публикации в СМИ, спонсорство мероприятий, персональные рекомендации, офлайн-активности. Это не значит, что эти каналы не работают – они просто не попадают в атрибуцию.

Получается парадокс: каналы, которые сложнее отследить, кажутся менее эффективными. А каналы с хорошим трекингом (контекст, таргет) получают несправедливо большую долю «заслуги». Это приводит к перекосу бюджетов в сторону того, что легко измерить, а не того, что реально работает.

Проблема длинного цикла сделки

В B2B цикл сделки может длиться месяцами. Cookies истекают (обычно через 30-90 дней), пользователь меняет устройства, иногда – работодателя. К моменту закрытия сделки связь с первоначальным источником часто теряется. Даже если вы используете user ID и авторизацию – большинство B2B-клиентов не регистрируются на сайте до момента серьёзного интереса.

«Мы три года считали, что наш контекст работает в 5 раз эффективнее выставок. Когда построили MMM-модель, оказалось, что выставки генерируют отложенный спрос, который потом конвертируется через брендовые запросы. Убрали выставки – и через полгода брендовый трафик просел на 40%. Вернули – восстановился. Атрибуция этого не показывала».

Что такое Marketing Mix Modeling и как он работает

Marketing Mix Modeling – это статистический метод, который анализирует влияние различных маркетинговых и внешних факторов на бизнес-результаты. Он не отслеживает отдельных пользователей, а работает с агрегированными данными: сколько потратили на канал X в неделю Y, сколько продаж было в эту неделю, какие внешние факторы действовали.

Базовая логика MMM

В основе MMM лежит регрессионный анализ. Мы берём временной ряд продаж (или другой целевой метрики) и пытаемся объяснить его вариации через набор факторов:

• Маркетинговые инвестиции – расходы на разные каналы по периодам
• Сезонность – регулярные колебания спроса (в B2B это квартальные циклы, бюджетные периоды)
• Тренды – долгосрочный рост или падение рынка
• Внешние факторы – курс валюты, цены на сырьё, макроэкономика
• Конкурентная активность – если есть данные
• Специфические события – запуск нового продукта, PR-кризис, изменение цен

Модель находит статистическую связь между этими факторами и продажами. В результате мы получаем коэффициенты, которые показывают: «При увеличении расходов на контекст на 1 млн тенге продажи в среднем растут на X тенге» или «Участие в выставке даёт Y% прирост продаж в течение следующих Z недель».

Ключевые концепции MMM

Adstock (затухание эффекта). Реклама не работает мгновенно и не прекращает работать сразу после показа. Если вы запустили кампанию на этой неделе, эффект растянется на несколько следующих недель, постепенно затухая. Это особенно важно для B2B с длинным циклом продаж. MMM моделирует этот эффект через параметр adstock – скорость «забывания» рекламного воздействия.

Diminishing returns (убывающая отдача). Первый миллион, вложенный в канал, даёт больший эффект, чем десятый. Это логично: вы сначала охватываете самую отзывчивую аудиторию, потом – менее заинтересованную. MMM показывает точку насыщения для каждого канала – когда дополнительные инвестиции перестают окупаться.

Базовые продажи (baseline). Часть продаж происходит независимо от текущего маркетинга – за счёт накопленного бренда, лояльных клиентов, органического спроса. MMM отделяет эту «базу» от инкрементального эффекта маркетинга. Это важно: если 60% ваших продаж – baseline, то оптимизировать нужно оставшиеся 40%.

MMM vs Multi-Touch Attribution: не конкуренты, а партнёры

Важно понимать: MMM и мультитач-атрибуция – это не взаимоисключающие подходы. Они отвечают на разные вопросы и работают лучше всего вместе.

На практике это работает так: MTA помогает оптимизировать внутри канала – какие ключевые слова, какие объявления, какие аудитории. MMM помогает распределять между каналами – сколько вкладывать в контекст vs выставки vs PR. Первый инструмент – для маркетолога, который ведёт кампании. Второй – для CMO, который планирует годовой бюджет.

Когда B2B-компании нужен Marketing Mix Modeling

MMM – не универсальное решение. Для некоторых компаний он критически важен, для других – избыточен. Давайте разберёмся, в каких ситуациях стоит инвестировать в этот инструмент.

MMM имеет смысл, если:

• Значительная часть бюджета идёт в офлайн – выставки, спонсорство, наружная реклама, PR. Эти каналы не попадают в атрибуцию, но вы хотите понять их эффект
• Длинный цикл продаж – от 3-6 месяцев и больше. Связь между касанием и продажей теряется, cookies истекают
• Нужны стратегические решения – планирование годового бюджета, вход на новый рынок, масштабирование
• Есть исторические данные – минимум 2-3 года данных о расходах и продажах. Чем больше, тем лучше
• Маркетинговый бюджет существенный – десятки миллионов тенге в год и выше. Для маленьких бюджетов MMM может быть избыточным

MMM, вероятно, избыточен, если:

• Весь маркетинг – онлайн с хорошим трекингом
• Цикл продаж короткий (дни-недели)
• Компания только выходит на рынок (нет истории)
• Бюджет маленький и стабильный (нечего оптимизировать)

Как построить MMM-модель для B2B: практические шаги

Допустим, вы решили, что MMM вам нужен. Как к этому подойти? Расскажу о практических аспектах – без погружения в математику, но с пониманием процесса.

Шаг 1: Сбор и подготовка данных

Это самый трудоёмкий этап – обычно занимает 60-70% времени всего проекта. Вам понадобятся:

Данные о продажах – желательно еженедельные или ежемесячные за 2-3 года. Для B2B это могут быть закрытые сделки в CRM, выставленные счета, поступления. Важно использовать метрику, которая отражает реальный бизнес-результат.

Данные о маркетинговых расходах – по каждому каналу за тот же период. Контекст, таргет, SEO-затраты, расходы на выставки, PR-бюджет, производство контента. Чем детальнее, тем лучше – но можно начать с крупных категорий.

Данные о внешних факторах – сезонность вашей отрасли, курс валют (если релевантен), индексы деловой активности, может быть – данные о конкурентах. Для Казахстана это может включать цены на нефть, курс тенге к доллару, индекс промпроизводства.

Шаг 2: Построение модели

Здесь есть несколько путей разной сложности:

Простой вариант: регрессия в Excel/Google Sheets. Для базового понимания можно начать с простой множественной регрессии. Это даст первое приближение, но не учтёт adstock и нелинейности. Подходит для пилота и проверки гипотез.

Средний вариант: open-source инструменты. Meta (Facebook) выпустила Robyn, Google – Meridian. Это бесплатные библиотеки для R и Python, которые учитывают adstock, diminishing returns, автоматически подбирают гиперпараметры. Требуют технических навыков, но дают качественные результаты.

Продвинутый вариант: специализированные платформы. Nielsen, IRI, Marketing Evolution и другие предлагают enterprise-решения с консалтингом. Дорого, но для крупных компаний может быть оправдано.

Шаг 3: Валидация и интерпретация

Модель построена – но ей нужно доверять. Для этого:

• Проверьте здравый смысл. Если модель говорит, что выставки дают отрицательный ROI, а вы знаете, что после каждой выставки есть всплеск запросов – что-то не так с данными или спецификацией
• Сделайте hold-out тест. Обучите модель на части данных, проверьте на остатке. Если она хорошо предсказывает «невиденные» периоды – это хороший знак
• Проведите эксперимент. Если возможно, измените бюджет одного канала на 20-30% и посмотрите, соответствует ли результат предсказанию модели

Шаг 4: Применение для оптимизации

Когда модель валидирована, можно использовать её для планирования:

• Budget optimizer. Модель может показать оптимальное распределение бюджета – какому каналу добавить, какому урезать
• Scenario planning. «Что будет, если урежем бюджет на 20%?», «Что если увеличим выставки в 2 раза?» – модель даст прогноз
• ROI по каналам. Сравните маржинальный ROI каналов – куда следующий тенге даст максимальную отдачу

Особенности применения MMM на казахстанском рынке

Казахстан – специфический рынок, и это влияет на построение MMM-моделей. Вот что нужно учитывать.

Концентрация бизнеса

Алматы и Астана генерируют непропорционально большую долю B2B-активности. Если вы работаете по всему Казахстану, имеет смысл строить отдельные модели для столиц и регионов – динамика может сильно отличаться.

Валютные колебания

Курс тенге к доллару/рублю влияет на многие B2B-отрасли. Для компаний, работающих с импортом или экспортом, курс должен быть включён в модель как внешний фактор. Резкие девальвации могут полностью перекрывать маркетинговый эффект.

Сезонность и праздники

Бюджетные циклы (конец года – закрытие бюджетов), Наурыз (март), летнее затишье (июль-август), рамадан – всё это влияет на B2B-продажи. Модель должна учитывать казахстанский, а не западный календарь.

Офлайн всё ещё важен

Несмотря на цифровизацию, личные встречи, выставки, отраслевые мероприятия остаются критически важными в казахстанском B2B. Это делает MMM особенно ценным – именно офлайн-каналы хуже всего видны в атрибуции.

Ограниченные данные

Рынок меньше – данных меньше. Для маленьких компаний может не хватить статистической мощности для надёжной модели. В этом случае стоит начать с более простых подходов: A/B-тесты по каналам, geo-эксперименты, инкрементальные тесты.

Что делать, если MMM недоступен: практические альтернативы

Полноценный MMM требует данных, экспертизы и ресурсов. Что делать, если их нет? Есть промежуточные подходы, которые дают часть ответов.

Incrementality testing (тесты на инкрементальность)

Идея проста: выключаете канал на время и смотрите, что происходит с продажами. Если падают – канал работал. Если нет – возможно, зря тратили деньги. Это грубый, но действенный метод.

Для B2B с длинным циклом нужно выключать надолго (месяцы) и учитывать отложенный эффект. Не самый научный подход, но иногда единственный способ получить реальный ответ.

Geo-эксперименты

Если работаете в нескольких регионах – можно использовать их как контрольные и тестовые группы. Увеличиваете бюджет в одном регионе, смотрите разницу с другими. Это позволяет измерить эффект без отключения канала полностью.

Matched market testing

Более продвинутый вариант geo-эксперимента: выбираете похожие рынки, на одном делаете изменения, на другом – нет. Сравниваете динамику. Требует тщательного подбора пар и достаточного размера рынков.

Correlation analysis с временным лагом

Простой анализ корреляции между расходами на канал и продажами с учётом временного сдвига. Не доказывает причинно-следственную связь, но показывает, есть ли вообще взаимосвязь. Можно сделать в Excel за час.

Заключение: выбирайте инструмент под задачу

Маркетинговая аналитика – это не один инструмент, а набор инструментов для разных задач. Мультитач-атрибуция отвечает на вопрос «как клиент к нам пришёл» и помогает оптимизировать тактику. Marketing Mix Modeling отвечает на вопрос «что влияет на продажи» и помогает планировать стратегию.

Для B2B-компаний с длинным циклом продаж, офлайн-активностями и серьёзным маркетинговым бюджетом MMM может стать ключом к ответу на вопрос, который мучает каждого маркетинг-директора: «Куда вложить следующий миллион?» Атрибуция показывает, откуда пришли текущие клиенты. MMM показывает, как изменения в бюджете повлияют на будущие продажи.

Начните с того, что у вас есть. Если атрибуция не настроена – начните с неё (это основа). Если атрибуция работает, но не отвечает на стратегические вопросы – задумайтесь о MMM. Если полноценный MMM недоступен – попробуйте incrementality-тесты. Главное – не принимать решения о многомиллионных бюджетах на основе интуиции, когда можно опираться на данные.

И вот что я заметил за годы работы: кривая модель с погрешностью в 20% всё равно бьёт интуицию. Потому что интуиция ошибается на 50-100%, просто мы этого не измеряем и не замечаем. А в конкурентной среде казахстанского рынка каждый процент эффективности маркетинга – это преимущество над конкурентами, которые всё ещё полагаются на ощущения.

Читайте также

• Сквозная аналитика в CRM: UTM, источники, модели атрибуции
• Сквозная аналитика: Яндекс.Метрика + CRM
• CRM + Google Ads: как считать реальный ROI рекламы
• Unit-экономика через призму CRM: LTV, CAC, Payback Period
• Когортный анализ в CRM