Techniczny przewodnik po MMM: triangulacja danych

Abstrakt

Współczesna ekonometria marketingowa znajduje się w punkcie zwrotnym, zmagając się z fundamentalnym paradoksem: modele matematyczne nigdy nie były bardziej zaawansowane obliczeniowo, a jednocześnie poziom zaufania decydentów biznesowych do generowanych przez nie "czarnych skrzynek" systematycznie spada. Dyrektorzy finansowi oraz prezesi firm e-commerce słusznie kwestionują raporty, w których suma przypisanych konwersji (ang. attributed conversions) z poszczególnych platform reklamowych przewyższa rzeczywistą sprzedaż zarejestrowaną w systemie transakcyjnym, lub w których kanały o znikomym zasięgu wykazują nieproporcjonalnie wysoki i stabilny zwrot z inwestycji (ROAS). Problem ten nie wynika zazwyczaj z niedostatecznej ilości danych, lecz z błędnego założenia epistemologicznego, że korelacja zmiennych w szeregach czasowych jest tożsama z przyczynowością⁶. W erze post-cookie, gdy deterministyczne śledzenie użytkownika zanika na skutek regulacji prawnych i ograniczeń technologicznych (np. ITP, ATT), modelowanie miksu marketingowego (MMM) staje się jedynym źródłem prawdy o efektywności mediów⁷. Jednak jego wiarygodność nie może opierać się na prostym dopasowaniu krzywej do danych historycznych metodą najmniejszych kwadratów. Analiza literatury z zakresu wnioskowania przyczynowego (ang. Causal Inference) wskazuje jednoznacznie, że poprawna walidacja modelu wymaga przejścia z paradygmatu czysto obserwacyjnego na interwencyjny, wykorzystania statystyki bayesowskiej do zarządzania niepewnością oraz rygorystycznej kalibracji wyników za pomocą eksperymentów inkrementalnych. Celem niniejszego artykułu jest głęboka dekonstrukcja mechanizmów, które odróżniają model statystycznie poprawny od modelu biznesowo użytecznego, oraz wyjaśnienie, dlaczego bez „kotwic” w postaci eksperymentów (ang. ground truth), każda alokacja budżetu pozostaje jedynie matematyczną spekulacją obarczoną ryzykiem błędu systematycznego.