априорное распределение ROIГлобальный · 2026
LogNormal(0,2; 0,9)
MMM
← Картотека бенчмарков · Измерение и атрибуция
Дефолтный ROI-приор Google Meridian — LogNormal(0,2; 0,9): медиана 1,22, среднее 1,83, 80% массы в 0,5–6,0
Какой ROI-приор стоит в MMM по умолчанию и как калибровать его экспериментом?
01
Что за цифра
Откуда она и где перестаёт работать
- Значение
- LogNormal(0,2; 0,9) · априорное распределение ROI
- Тип
- MMM
- Что это
- В байесовском MMM Meridian каждый платный канал по умолчанию получает априорное распределение ROI LogNormal(0,2; 0,9): медиана 1,22, среднее 1,83, 80% вероятностной массы между 0,5 и 6,0, 95% — между 0,25 и 9,0. Приор на долю канала в продажах — Beta(1; 99), то есть среднее 1%. Скорость затухания adstock α — Uniform(0,1), точка полунасыщения кривой Хилла — TruncatedNormal(0,8; 0,8; 0,1; 10). Если по каналу есть инкрементальный тест, его результат подставляют вместо дефолта: точечная оценка µ_exp и стандартная ошибка σ_exp корректируются на длительность, охваченную аудиторию, давность и разницу в уровне расходов — µ_adj = (γ_duration + γ_user)·µ_exp, σ_adj = σ_exp·√(1 + τ_spend + τ_recency + τ_duration + τ_user), — после чего к численной апостериорной подгоняется LogNormal, Gamma или Normal.
- Применимость
- Объясняет, почему два MMM на одних и тех же данных дают разные ответы: без калибровки результат наполовину определяется приорами, а дефолтный приор уже утверждает, что средний канал окупается примерно 1,8 к 1. Главное ограничение самой калибровки — несовпадение эстимандов: эксперимент меряет маржинальный лифт при текущем уровне расходов, MMM — контрфактуал нулевого расхода по каналу; подставлять первое вместо второго корректно только при близких уровнях спенда. Не переносятся эксперименты старше нескольких кварталов и тесты на аудитории, которая не совпадает с определением канала в модели.
- Рынок
- Глобальный · раздел «Эффективность и эконометрика»
- Метки
- достоверность высокая · источник заинтересованный · применимость переносимая
- Источник
- Google Meridian, документация, 2026 ↗
02
Рядом в картотеке
Задача «Измерение и атрибуция» — 45 записей
- 25%; до ~10 тестов на каналНекалиброванный MMM в среднем на 25% мимо каузальной истины; точность растёт примерно до 10 экспериментов на канал
- λ 0,7 → 1,9; λ 0,9 → 6,6Lambda 0,7 = полураспад ~1,9 недели; lambda 0,9 = ~6,6 недели
- 40–70% / 30–60%MMM: базлайн 40–70% продаж; на весь маркетинг-микс 30–60%, на одни медиа — единицы–первые десятки процентов
- 17–36%CRO: на один выигрышный тест приходится 3–6 запущенных (win rate 17–36%)
- правило: одна база нормировки на всё сравнениеБазу нормировки фиксируют до сравнения каналов: на домохозяйство выигрывает ТВ, на 1000 показов — мобайл
- артефакт измеренияПоправка на методологию: эластичности несопоставимы при разном шаге данных и разной единице рекламы (GRP против денег)
- 83% дисперсии доли рынкаShare of Search можно ставить KPI вместо доли рынка: объясняет ~83% её дисперсии
- 21 деньНе оценивать кампанию раньше 21 дня: обучение алгоритма плюс лаг конверсий