Multi-touch атрибуция строилась на одном допущении: вы можете проследить путь конкретного человека через все касания. Сторонние cookie блокируются, ITP режет срок жизни первой стороны, пользователь меняет три устройства за месяц - и цепочка рвётся. Last-click при этом продолжает работать, но врёт. На этом фоне маркетологи вспомнили про метод, который старше cookie: marketing mix modeling. Интерес к MMM по разным оценкам вырос кратно к 2025 году, и более половины команд используют его в той или иной форме.
Что такое MMM и почему он снова актуален
MMM - это статистический метод. Вы берёте исторические данные: расходы по каналам по неделям, продажи или сделки за те же недели, плюс внешние факторы (сезонность, промо, активность конкурентов, макроэкономика). Регрессионная модель оценивает, какой вклад в результат внёс каждый канал. На выходе - не путь пользователя, а коэффициенты: сколько выручки приносит дополнительный евро в LinkedIn Ads, где начинается насыщение, какой канал переоценён.
Ключевое отличие от атрибуции: MMM работает на агрегированных данных. Ему не нужны cookie, device ID или логины - он смотрит на временные ряды, а не на людей. Именно поэтому он по определению privacy-safe и не ломается от GDPR или удаления cookie. Это же объясняет его возвращение: Google выпустил open-source инструмент Meridian в январе 2025, у Meta есть Robyn. Порог входа упал.
MMM против multi-touch атрибуции: когда что
Это не “или - или”, а два инструмента с разной оптикой.
Multi-touch атрибуция работает на уровне пользователя. Она отвечает на тактический вопрос: какая последовательность касаний привела вот этого человека к конверсии. Хороша для краткосрочной оптимизации digital-каналов, где есть трекинг. Слабость: зависит от полноты данных, а данных всё меньше.
MMM работает на уровне канала и периода. Отвечает на стратегический вопрос: куда перераспределить бюджет в следующем квартале, включая офлайн, PR и каналы без кликов. Слабость: не скажет, какой конкретно баннер сработал, и не даёт ответа в реальном времени.
Честный размен: атрибуция даёт гранулярность, но требует трекинга, который рушится. MMM устойчив к потере сигнала, но платит за это потерей детализации и инертностью - модель пересчитывается раз в недели, а не в реальном времени. Отраслевой консенсус 2026 года - гибрид: MMM для стратегии, атрибуция и инкрементальные тесты для тактики.
Где MMM ломается в B2B
Здесь нужна честность, а не маркетинг метода. MMM родился в FMCG, где тысячи транзакций в неделю и короткий цикл. B2B - противоположность.
Первая проблема - объём. Регрессии нужны наблюдения. Если у вас 10-100 сделок в квартал, а факторов, влияющих на результат, десятки, модель статистически переопределена: переменных больше, чем данных. Коэффициенты получаются с огромными доверительными интервалами, и доверять им опасно.
Вторая - длинный цикл. Между первым касанием и закрытой сделкой проходит 6-9 месяцев. MMM плохо разносит эффект во времени, когда лаг такой большой и переменный. Расходы этого квартала влияют на выручку через полгода, и сигнал размывается.
Вывод: для чистого B2B с малым объёмом сделок MMM в классическом виде - слабый инструмент. Он полезен скорее как директивный взгляд сверху на крупные каналы, а не как точный измеритель.
Как комбинировать MMM с first-party closed-loop данными
Спасение B2B - не в выборе между MMM и атрибуцией, а в closed-loop измерении на собственных данных. Логика простая: cookie умирают, но CRM - нет. Когда сделка закрывается, вы точно знаете её сумму и историю в CRM. Задача - связать эту закрытую выручку с тем, откуда пришёл контакт и сколько стоило его привлечение.
На практике это означает: фиксировать источник на уровне сделки (UTM, click ID, канал первого касания) и протаскивать его через всю воронку до closed-won. Тогда вместо размытого CPL вы считаете реальный CAC по каналу и выручку по каналу - на своих данных, без сторонних cookie. Это и есть фундамент, поверх которого MMM начинает давать осмысленные результаты: модель получает не шумный прокси, а связку “расход - закрытая сделка”.
Связать рекламные расходы с закрытыми сделками в CRM - отдельная инженерная задача, и здесь помогают инструменты вроде Prooflytics, которые сводят данные из рекламных кабинетов и CRM в единую картину CAC по каналу. Если данные о сделках живут в разных системах, отдельный вопрос - сама интеграция CRM с источниками.
Практический вывод для команды без data-science отдела
Не начинайте с MMM. Для большинства B2B-команд это преждевременная сложность.
Порядок такой. Сначала наведите порядок в first-party closed-loop: источник на каждой сделке, чистый CAC и выручка по каналу. Это даёт 80% решений по бюджету и не требует статистиков. Дальше, если объём данных позволяет и каналов много, добавляйте инкрементальные тесты (geo-эксперименты, holdout-группы) - они дают причинность дешевле, чем сложная модель. И только когда у вас стабильный поток сделок и зрелая аналитика, имеет смысл смотреть в сторону MMM как стратегического слоя поверх всего этого.
MMM - не замена атрибуции и не серебряная пуля для cookieless. Это взгляд сверху, который работает тем лучше, чем чище данные под ним. В B2B сначала наводят порядок в данных, и только потом строят модель.