Нова Ера MMM: Порівняння Open-Source гігантів Robyn від Meta та Meridian від Google

💡 Усі статті, обговорення, новини для аналітиків — в одному місці. Приєднуйтесь до Analysts спільноти!

Мене звати Вікторія Новак, я голова департаменту бізнес аналітики та економетрики в Publicis Groupe Ukraine Data Science, і одна з найчастіших задач, яку виконують я і моя команда — це Marketing Mix Modeling або коротко, МММ.

На сьогодні серед багатьох МММ методологій найбільшу увагу викликають дві, розроблені світовими технічими гігантами: Robyn від Meta та Meridian від Google.

Обидва інструменти open-source і доступні кожній ін-хаус команді, але під капотом у них лежать абсолютно різні підходи. Тож, що обрати для себе? Чим вони відрізняються на практиці, а не в документації?

Я розкажу детально про всі відмінності між фреймворками з практичними кейсами використання та вимогами до технічного стеку, який знадобиться для побудови МММ-проєкту.

У 2026 році Marketing Mix Modeling закріпився як індустріальний стандарт розуміння та стратегічного планування маркетингу. MMM сьогодні — це інструмент системного розуміння маркетингу як цілісної системи, який дозволяє приймати зважені data-driven рішення. Він чітко показує, що саме приносить компанії гроші, а що працює вхолосту.

З мого досвіду, компанії, які впроваджують МММ, отримують чотири фундаментальні переваги:

Незалежно від інструменту, архітектура будь-якого МММ-проєкту ділиться на дві основні стадії:

Етап 1. Історична МММ. Два різні математичні світи

Robyn і Meridian побудовані на принципово різних математичних підходах. Саме математична основа визначає, як модель «шукає правду» у ваших даних.

В основі Robyn лежить Ridge-регресія (лінійна регресія з L2-регуляризацією). Це класичний і дуже надійний інструмент для боротьби з мультиколінеарністю — головним болем усіх економетристів, коли бюджети різних диджитал-каналів зростають і падають синхронно, і модель не може зрозуміти, хто саме згенерував конверсію.

Google пішов іншим шляхом і побудував Meridian на Байєсівській ієрархічній регресії з використанням MCMC через TensorFlow Probability. Тут модель не просто перебирає варіанти, а працює з імовірностями.

Щоб краще зрозуміти сильні сторони та обмеження кожного підходу, далі пройдемося всіма етапами моделювання та порівняємо, як вони реалізовані в обох методологіях.

Збір та підготовка даних

Обидва фреймворки вимагають якісних щотижневих даних за 2–3 роки, менша дискретність просто не дасть моделі математично відокремити тренди від випадкового шуму.

Для Robyn необхідні:

Медіа-метрики: Щотижневі витрати та немонетарні показники (імпрешни, кліки, тощо) по кожному каналу окремо.

Контрольні змінні (Нон-медіа): Все, що впливає на продажі поза маркетингом — органічний трафік, індекс цін, інфляція, внутрішні промо-акції.

Сезонність: часто реалізується через інтеграцію з Prophet

Meridian вимагає схожого базового набору, але має дві унікальні фічі в архітектурі:

Reach & Frequency: окреме моделювання охоплення й частоти, що важливо для аналізу, наприклад, відео-кампаній на YouTube, де частота контакту впливає на конверсію.

Geo-level: дані в розрізі областей чи міст — якщо є така деталізація, це дозволяє збільшити кількість спостережень для моделі та підвищити її точність.

Підхід до визначення бейзлайну

Коли дані зібрано та очищено, починається етап побудови моделі, де перше питання — це «яка частина результату є бейзлайном, а що — ефект маркетингу?» І тут також є важливі відмінності між підходами.

Бейзлайн — базовий обсяг продажів за відсутності будь-яких маркетингових активностей. Його визначають внутрішні чинники бізнесу: сила бренду, лояльність клієнтів, базовий попит.

У Robyn бейзлайн формується через комбінацію фіксованих лінійних трендів, макро-змінних та сезонності, яку фреймворк прораховує через інтеграцію з бібліотекою Prophet. Такий підхід добре працює на ринках зі стабільною, прогнозованою поведінкою.

Нон-медіа змінні (індекс цін, промо-активності, погода) додаються в модель як класичні лінійні або лог-лінійні фічі.

Кейс із моєї практики

Ми будували МММ-модель для бренду фарм категорії, в якій стабільна сезонність рік до року. Ми заклали в модель медійні та блок немедійних даних.

Стабільна архітектура бейзлайну в Robyn разом із Prophet ідеально зафіксувала цю прогнозовану органічну базу, що дозволило нам чисто оцінити медіа-ефект.

Meridian, на противагу від Robyn, розраховує динамічний бейзлайн через сплайни (smooth splines) або випадкові блукання (random walks). Це дозволяє органіці плавно адаптуватися до нелінійних змін ринку, які складно описати фіксованими трендами.

Контрольні змінні тут вбудовані в байєсівську ієрархію: для кожного фактора можна задати прайори (наприклад, очікувану цінову еластичність). Завдяки тому, що динамічний бейзлайн забирає на себе весь непередбачуваний макро-шум ринку, оцінка впливу конкретних контролів (наприклад, трейд-маркетингу) стає значно точнішою.

Кейс із моєї практики

Перед нами стояла задача розібратися в продажах великого pharm-клієнта. Бренд мав нерівну сезонність і водночас компанія активно інвестувала як у медіа, так і в трейд-маркетинг. Клієнту було критично декомпозувати бейзлайн і чітко розділити: де продаж стався завдяки рекламі, а де суто через трейд активність в аптеці.

Динамічний бейзлайн Meridian дозволив нам виділити чистий відсотковий вплив трейд-активностей та медіа-каналів і зробити бюджетування клієнта повністю data-driven.

Порівняльна таблиця підходів до бейзлайну

Графічне порівняння підходів до бейзлайну

Трансформації медіа даних

Основна задача МММ — оцінити вплив маркетингу. Важливо враховувати, що маркетинг не працює миттєво. Він має накопичувальний ефект та ефект поступового згасання (Adstock). Окрім того, кожен канал має свою стелю — закон спадної віддачі, або насичення (Saturation). Фреймворки підходять по-різному до підбору цих параметрів.

В архітектурі Robyn, алгоритм покладається на еволюційний оптимізатор Nevergrad (TwoPointsDE), який шукає оптимальні значення параметрів у межах заданих коридорів щоб знайти ту комбінацію, яка найкраще описує історичні дані. Відповідно, задача аналітика \ дата-саєнтиста, задати коректні коридори гіперпараметрів, що забезпечує гнучкість підходу.

Geometric Adstock.

• thetas — коефіцієнт згасання (Decay rate).

Weibull Adstock (CDF / PDF) — більш гнучкий, дозволяє моделювати затримку ефекту.

• shapes — форма кривої наявність лагу в ефекті

• scales — розтягнутість ефекту в часі (inflexion point).

Для сатурації використовується класична функція Хілла (Hill function).

• alphas — еластичність або форма S-кривої.

• gammas — точка перегину (inflexion point), що показує рівень витрат, за якого медіа досягає 50% від свого максимального потенційного відгуку.

Як ми це робили на практиці

У клієнта було багато різних диджитал-каналів, але не було системного розуміння, як саме вони працюють.

Відповідно, ми виставили максимально широкі коридори для гіперпараметрів theta, alpha та gamma. Після перших ітерацій розрахунків ми почали аналізувати, куди саме алгоритм зводить модель. Спираючись на наш досвід у фарм-категорії та внутрішні індустріальні бенчмарки, ми крок за кроком ітеративно звужували ці коридори, допомагаючи алгоритму сфокусуватися на бізнесово реалістичних сценаріях окупності медіа.

В Meridian для трансформації медіа використовуються схожі функції (геометричний Adstock та Hill function для сатурації), але філософія налаштування принципово інша. Тут ви працюєте з байєсівськими прайорами — розподілами ймовірностей, через які модель отримує ваші початкові знання про канали.

Якщо ви раніше проводили Lift-тести (експерименти з вимкненням реклами у Meta чи Google), ви можете закласти ці знання напряму в модель (наприклад, очікуваний діапазон ROI). Meridian використовує їх як стартову гіпотезу й уточнює на основі історичних даних, а не «винаходить» коефіцієнти з нуля.

Архітектура фреймворку дозволяє задавати прайори як для технічних параметрів трансформацій (Adstock / Saturation), так і для фінального бізнес‑ефекту каналу, що і є головною відмінністю від Robyn, який дає можливість задати лише технічні параметри моделі без урахування бізнес-контексту.

У самому коді форма прайора керується двома параметрами:

• loc — очікуване значення (центр розподілу або очікуваний ефект),
• scale — рівень невпевненості (ширина розподілу або міра нашої невпевненості).

Оцінка результатів: одна модель vs спектр компромісів

Коли калібрування завершене, починається інтерпретація результатів.
Meridian сходиться до однієї «найкращої» відповіді в межах байєсівського підходу. Robyn, навпаки, пропонує аналітику набір рівноцінних альтернатив, між якими доводиться обирати.

На виході Robyn видає Парето-фронт — набір математично рівноцінних моделей (зазвичай від 20 до 100+ штук), де неможливо покращити один показник, не погіршивши інший. Кожна модель супроводжується односторінковим візуальним звітом — One Pager, де виводиться фіт моделі, декопозиція на тотальному періоді (на всьому горизонті даних), РОІ медіа каналів, криві насичення і графік залишків (residuals).

Далі починається відповідальність і ручна робота аналітика:

• технічна частина: перегляд звітів та відсів моделей з аномальним розподілом ефектів між каналами, поганим фітом, нестабільними residuals або явними ознаками перенавчання;
• бізнес-валідація: вибір моделі з урахуванням контексту бізнесу, відповідності ефектів історичним бенчмаркам тощо.

З мого досвіду, щоб обрати фінальну хорошу модель, оцінити One pager недостатньо. Доводиться йти глибше й вивантажувати повну декомпозицію, рахувати ефекти та ROI по роках, дивитися на динаміку у часі, перевіряти чи логічно поводяться канали під час флайтів і пауз. І дуже часто модель, яка виглядала «нормально» на One Pager, не проходить цю перевірку.

У такому випадку доводиться повертатися назад: змінювати налаштування, перебудовувати модель і знову проходити весь цикл відбору. З практики, потрібно щонайменше три ітерації, щоб отримати модель, якій можна довіряти в управлінських рішеннях.

Meridian видає на виході одну модель з довірчими інтервалами для кожного параметра, дає точкову оцінку та діапазон невизначеності для ROI кожного медіа-каналу.

Робочим інструментом аналітика тут є набір вбудованих графіків: фіт моделі, waterfall з декомпозицією на тотальному періоді, ROI та маржинальний ROI, криві насичення з posterior vs prior розподілами. Цього достатньо для первинної оцінки результатів.

Втім, як і у випадку з Robyn, цього рівня деталізації для фінального рішення зазвичай замало. Тому на практиці доводиться або вивантажувати результати вручну, або одразу дописувати невеликий шматок коду, який підтягує часову динаміку — щоб не повертатися до цього на кожній ітерації. Наша команда пішла саме другим шляхом, і це відчутно економить час.

На практиці, фіналізувати модель у Meridian швидше, ніж у Robyn. Один прогон моделі зазвичай займає біля 5 хвилин, тоді як у Robyn — 20–30 хвилин залежно від складності. За рахунок цього повний цикл ітерацій і перевірок у Meridian проходить швидше, особливо на великих датасетах.

У підсумку обидва підходи не дають готових бізнес-висновків, адже на виході цих фреймворків — статистичні результати й об’ємні файли вивантаження, які самі по собі ще не відповідають на управлінські запитання. Ключова роль тут залишається за аналітиком, який інтерпретує модельні результати в бізнес-контексті: агрегує їх під конкретні запити, дораховує прикладні метрики, що не є частиною стандартного аутпуту, і адаптує оптимізаційні сценарії до реальних ринкових обмежень. З мого досвіду, саме на цьому етапі маркетинг-мікс модель переходить із площини статистичного аналізу в інструмент, придатний для прийняття стратегічних рішень.

Етап 2. Стратегічний МММ — прикладна частина для бізнесу

З прикладної точки зору, і Robyn, і Meridian закривають ключовий use case MMM — оптимізацію бюджетів і сценарне моделювання, і хоча математично реалізують його по-різному, на практиці процес який проходить аналітик \ дата-саєнтист дуже схожий.

Спільним для обох підходів є:

• Оптимізація спирається на криві віддачі і оцінений внесок каналів;
• Аналітик самостійно встановлює рамки «від і до» (нижню та верхню межі витрат на кожен канал), щоб алгоритм не запропонував закрити телебачення чи влити всі гроші в пошукову рекламу, ігноруючи реальні можливості ринку та контракти.
• Результати потребують додаткової інтерпретації перед використанням у плануванні.

Обидва фреймворки мають один схожі режим роботи з медіабюджетом:

Максимізація KPI при фіксованому бюджеті. Аналітик задає загальну суму витрат (наприклад, зберігає поточний бюджет), а модель шукає таку комбінацію розподілу між каналами, яка забезпечить максимальний дохід.

Цільова ефективність (цільовий мінімальний ROAS) при гнучкому бюджеті. Аналітик задає значення цільового параметра, а модель шукає такий розподіл каналів, щоб досягти визначеного рівня ROAS та надає рекомендацію по розміру бюджету.

Порівнювати результати оптимізацій двох фреймворків складно через різницю в математичному підході, але в сухому залишку можу виділити наступне:

• Robyn швидше видає результат — оптимізаційний алгоритм у його основі (SLSQP) працює з точковими оцінками коефіцієнтів моделі.
• Meridian дає оптимізацію з урахуванням ризику — оскільки модель оперує апостеріорними розподілами всіх параметрів, оптимізатор будує розподіл ймовірностей для майбутнього ROAS.

Результати оптимізації можна отримати у зручному для аналітика вигляді, але для клієнта з ними ще доведеться попрацювати. Robyn надає простий one-pager зі змінами у бюджеті та ефектах разом з кривими віддачі, тоді як Meridian повертає результат у форматі короткого HTML summary:

З мого досвіду, шлях оптимізації зручний в обох фреймворках. Robyn дійсно може бути швидшим у розрахунках, проте Meridian надає детальніший огляд оптимізації, тож менше доводиться обробляти результати вручну.

Robyn чи Meridian: що обрати та необхідні навички

Обидва фреймворки закривають один і той самий клас задач, тому вибір між ними — це не питання «кращого» рішення, а питання відповідності інструмента команді, задачам і рівню зрілості процесів.

Ключові критерії, на які варто звертати увагу:

1. Техстек і мова команди. Robyn — це R-орієнтована інфраструктура (з підключенням Python через reticulate для Nevergrad). Meridian — чистий Python на базі TensorFlow Probability. Це базовий і водночас найкритичніший фільтр.
2. Математичний бекграунд та досвід в МММ. Robyn є більш інтуїтивним для аналітика без глибокого статистичного бекграунду, але переносить фокус на ручний аналіз та відбір моделей. Meridian, навпаки, вимагає розуміння баєсівського підходу, логіки формування прайорів та інтерпретації постеріорних розподілів, інакше частина цінності моделі буде втрачена.
3. Робота з невизначеністю. Якщо бізнесу важливо бачити не лише точкові ROAS, а й оцінювати діапазони впевненості моделі, Meridian є природно сильнішим рішенням завдяки імовірнісній природі.
4. Швидкість підходу. Попереднє налаштування моделі в Robyn відбувається відносно швидше, але час прогону моделі та обробка результатів довший, тому сумарний час необхідний для побудови моделі для обох підходів є приблизно однаковим.
5. Консистентність результату. Robyn повертає десятки моделей і залишає простір для експертного відбору. Meridian дає одну модель, з якою легше комунікувати результати клієнту і всередині команди.

Врешті-решт, сьогодні і Meta Robyn, і Google Meridian задають індустріальний стандарт у Marketing Mix Modeling, але якість фінальних інсайтів, точність прогнозів та бізнес-ефект від оптимізації бюджетів значно більшою мірою визначається зрілістю та експертизою команди, глибиною бізнес-контексту та дисципліною процесу, ніж самим фреймворком.