Měření viditelnosti v AI

Marketing mix modeling (MMM): jak funguje a kdy ho použít

Marketing mix modeling vysvětlen: jak MMM funguje, kolik týdnů dat potřebuje, jak se liší od atribuce a lift testů a co dělat, když máte dat méně.

Marketing mix modeling (MMM): jak funguje a kdy ho použít
16 min čtení 8 zodpovězených otázek

Marketing mix modeling (MMM) je statistická metoda, která odhaduje, kolik každý marketingový kanál přispěl k tržbám, a to z týdenních součtů výdajů a výsledků místo sledování jednotlivých uživatelů. Odpovídá na rozpočtovou otázku, kterou dashboardy platforem nezodpoví: když přesunete peníze z jednoho kanálu do jiného, co se pravděpodobně stane s celkovými tržbami?

Háček jsou data. Dokumentace Google Meridian žádá nejméně dva roky týdenních dat pro model na úrovni geografických oblastí a tři roky pro národní model. Průvodce Meta Robyn žádá minimálně dva roky týdenních dat. Mnoho e-shopů tolik čisté historie nemá, proto tento průvodce pokrývá i to, co dělat s méně daty.

Dále: jak MMM funguje, jak se srovnává s multi-touch atribucí a testováním inkrementality, jak číst výsledky a také jedna otázka, kterou si klade jen málo průvodců MMM: zvyšuje placené vyhledávání váš organický provoz, nebo ho snižuje?

Klíčové poznatky

  • Marketing mix modeling odhaduje příspěvek každého kanálu z týdenních součtů výdajů a výsledků. Nepotřebuje cookies ani sledování na úrovni uživatelů, takže ho změny v ochraně soukromí nerozbijí.
  • Google Meridian žádá nejméně 2 roky týdenních dat na úrovni geografických oblastí a 3 roky na národní úrovni podle svého průvodce daty. Meta Robyn žádá 2 roky týdenních dat a zhruba 10 pozorování na proměnnou.
  • Tři roky týdenních dat je jen 156 datových bodů. V příkladu přímo od Meridianu to je asi 15 na parametr u modelu s 10 parametry, což stačí na „orientační informace“.
  • Multi-touch atribuce rozděluje zásluhy mezi sledovaná kliknutí; testování inkrementality porovnává skupinu, která reklamy viděla, s tou, která je neviděla. MMM je jediná z metod, která pokryje všechny kanály najednou.
  • Meridian, Robyn i PyMC-Marketing přijímají výsledky lift testů ke kalibraci modelu, což je standardní způsob, jak MMM kombinovat s experimenty.
  • Rozpočtová rozhodnutí by se měla řídit mezním ROI, tedy návratností další jednotky výdajů, nikoli průměrným ROI. Dokumentace Meridianu uvádí, že mnohem nižší mROI než ROI signalizuje saturaci.

Co je marketing mix modeling

Marketing mix modeling je model regresního typu, který vysvětluje obchodní výsledek, například týdenní tržby, jako součet základní úrovně a efektu každého marketingového kanálu. Protože pracuje s agregovanými týdenními součty, může zahrnout kanály, které žádný pixel nevidí, například TV, podcasty nebo tisk, a ztráta cookies ani souhlasové lišty ho neovlivňují.

Výstupem je odhad, kolik každý kanál přidal, jak byl efektivní a jak by se výsledek změnil při různých úrovních výdajů. Díky tomu je MMM nástrojem plánování alokace marketingového rozpočtu, nikoli nástrojem reportingu včerejších kampaní.

Media mix modeling je stejná metoda aplikovaná jen na placená média. Marketing mix modeling v přísném smyslu může zahrnovat i cenu, akce a distribuci. Většina lidí oba názvy používá zaměnitelně a oba se zkracují na MMM.

Logo

Chcete sledovat svou viditelnost v AI?

Sledujte, jak AI chatboti zmiňují vaši značku v ChatGPT, Perplexity a dalších platformách.

Jak MMM funguje

MMM přizpůsobí jednu rovnici vaší týdenní historii: výsledek se rovná základní úrovni plus sezónnost a další kontroly plus transformovaný efekt každého kanálu. Právě transformace z něj dělají víc než prostou regresi: modelují, že reklamy fungují i po týdnu, kdy běžely, a že každá další jednotka výdajů přinese méně než ta předchozí.

Stavební prvky:

KomponentaCo zachycujePříklad
Základní úroveňProdeje, které byste měli bez marketingu: značka, doporučení, opakovaní kupujícíObchod, který prodá 300 objednávek týdně, i když se všechny reklamy pozastaví
Sezónnost a kontrolyRoční cykly, svátky, akce, změny cenBlack Friday, letní propad, 20% sleva v celém obchodě
Adstock (přenos)Reklamy ovlivňují prodeje ještě týdny po svém běhuVideokampaň, jejíž efekt doznívá během dalších 3–4 týdnů
Saturace (klesající výnosy)Každá další jednotka výdajů přidá méně než posledníZdvojnásobení výdajů na Meta přidá 40 % prodejů navíc, ne 100 %
Priory a intervaly věrohodnostiCo model předpokládá před zobrazením dat a jak si je jistý po nich„ROI vyhledávání je mezi 1,8 a 3,1 s 90% pravděpodobností“

Příklady v tabulce jsou ilustrativní, nejde o data skutečného obchodu.

Google Meridian například modeluje přenos pomocí funkce adstock a saturaci pomocí Hillovy křivky, jejíž tvar rozhoduje, zda se výnosy snižují postupně, nebo sledují S-křivku.

Bayesovský MMM jednoduše

Bayesovský MMM začíná priorem, uvedeným rozsahem věrohodných hodnot efektu každého kanálu, a aktualizuje ho vašimi daty. Výsledkem je rozdělení shrnuté jako interval věrohodnosti: „s 90% pravděpodobností leží ROI tohoto kanálu mezi X a Y.“ Dokumentace Meridianu popisuje priory jako výchozí body: pokud data prior silně vyvracejí, model se přizpůsobí.

Praktickou hodnotou je poctivost ohledně nejistoty. Široký interval vám říká, že data nedokážou oddělit efekt daného kanálu od všeho ostatního. To je užitečnější než jediné sebevědomé číslo, které se ukáže jako šum.

Kolik dat potřebujete

Počítejte s dvěma až třemi lety týdenních dat. Google Meridian žádá nejméně dva roky na úrovni geografických oblastí a tři roky na národní úrovni, nebo tři roky, pokud máte jen měsíční data. Robyn žádá nejméně dva roky týdenních dat a zhruba jednu proměnnou na deset pozorování. Méně dat znamená širší intervaly a větší váhu předpokladů modelu.

Proč tolik? Ze dvou důvodů:

  • Sezónnost se opakuje jednou ročně. S 52 týdny model každý svátek vidí jednou a nedokáže říct, zda tržby vzrostly kvůli Black Friday, nebo proto, že jste ten týden zvýšili výdaje. Dva nebo tři cykly mu umožní obojí oddělit.
  • Každý kanál přidává parametry. Každý kanál potřebuje alespoň velikost efektu, míru přenosu a tvar saturace. Dokumentace Meridianu rozebírá národní model s 10 parametry a 156 týdenními datovými body, tedy asi 15 datových bodů na parametr, a označuje to za dostatečné k „zjištění některých orientačních informací“.

Stejná stránka uvádí, že pokyny jsou „hrubé a orientační“ a že nejpřesnější kontrolou je model natrénovat a podívat se na šířku intervalů věrohodnosti.

Variabilita výdajů je stejně důležitá jako délka historie. Pokud kanál dva roky utrácel každý týden stejnou částku, model se z něj nemá co naučit. Dokumentace Meridianu uvádí, že nedostatečná variabilita výdajů na média poškozuje národní modely.

Co dělat s méně než třemi lety

Většina e-shopů má jeden až dva roky použitelných dat, často méně po změně sledování nebo migraci platformy. Modelovat můžete i tak, pokud přizpůsobíte svá očekávání:

  1. Doplňte starší výdaje. Reklamní platformy a faktury často uchovávají víc historie než váš analytický nástroj. Zadejte ji jako náklady, místo abyste začínali dnem připojení.
  2. Sloučte malé kanály. Průvodce daty Meridianu radí kombinovat kanály s nízkými výdaji s jinými, aby se předešlo nestabilním odhadům ROI. Méně větších kanálů dává každému odhadu více dat.
  3. Použijte data na úrovni geografických oblastí, pokud je máte. Geo modely sdílejí informace mezi regiony, takže stejné týdny poskytnou více datových bodů na efekt, podle průvodce Meridianu.
  4. Kalibrujte lift testem. Jeden dobře provedený experiment na vašem největším kanálu dá modelu mnohem užší prior než výchozí hodnoty.
  5. Měňte výdaje záměrně. Plánované skokové změny nebo krátké pauzy v jednom kanálu vytvoří variabilitu, kterou model potřebuje.
  6. Čtěte výstup jako orientační. S rokem dat nebo méně je roční sezónnost částečně odhad. Používejte model k seřazení kanálů a odhalení saturace, ne k příslibu čísla tržeb.

MMM vs atribuce vs inkrementalita

Marketing mix modeling, multi-touch atribuce a testování inkrementality odpovídají na tři různé otázky. MMM odhaduje, co každý kanál přispěl k celkovým tržbám v čase. Multi-touch atribuce rozděluje zásluhu za každou sledovanou konverzi mezi kontaktní body, které viděla. Testování inkrementality měří, zda jedna aktivita způsobila prodeje navíc, porovnáním exponovaných a neexponovaných skupin.

Marketing mix modelingMulti-touch atribuceTestování inkrementality
OtázkaCo každý kanál přispěl a kam má jít další jednotka rozpočtu?Které sledované kontaktní body byly na cestě ke každé konverzi?Způsobila tato kampaň prodeje, které by jinak nenastaly?
DataTýdenní výdaje, zobrazení a součty výsledků, 2–3 rokyKliknutí, zobrazení a konverze na úrovni uživatelůTestovací a kontrolní skupina po dobu testu
Cookies a soukromíNejsou potřeba; jen agregovaná dataZávisí na cookies, pixelech a souhlasuTesty na úrovni uživatelů se opírají o identitu v reklamní platformě; geo testy používají jen regiony
RychlostZavedení trvá; týdenní nebo měsíční obnovaTéměř v reálném časeTýdny na test
NákladyOpen source je zdarma, ale vyžaduje dovednosti; hostované nástroje si účtují poplatekČasto součástí analytických a reklamních nástrojůZadržené reklamy nebo kontrolní regiony plus čas na přípravu
GranularitaKanál nebo skupina kampaníKampaň, reklama, klíčové slovoJeden kanál, kampaň nebo region najednou
Nejlepší proAlokaci rozpočtu napříč kanály, offline médiaKaždodenní optimalizaci kampaníProkázání kauzality, kalibraci modelů
Hlavní slabinaPozorovací odhad; vyžaduje dlouhou, variabilní historiiZásluha není kauzalita; míjí nesledované a offline kontaktní bodyÚzké zaměření: jeden test odpovídá na jednu otázku

Multi-touch atribuce a jednokontaktní modely jako atribuce posledního kliknutí počítají konverze, které vidí. Reklamní platformy počítají své vlastní, a proto se čísla z Meta málokdy shodují s vaším obchodem; náš přehled Meta Attribution Reality je staví vedle sebe. Žádný z těchto přístupů neprokazuje, že reklama způsobila prodej.

Experimentem, který to dokáže, je testování inkrementality. Google popisuje svůj Conversion Lift jako způsob, jak rozdělit publikum na lidi, kteří vaše reklamy vidí, a ty, kteří ne, a změřit rozdíl; uvádí, že nástroj není dostupný pro všechny účty Google Ads. Geo holdout funguje stejně s regiony: vyberte odpovídající regiony, v některých pozastavte nebo změňte výdaje a porovnejte tržby se zbytkem. Na rozdíl od A/B testu webu, který porovnává dvě verze stránky, lift test porovnává reklamy s žádnými reklamami.

Jak spolupracují

Standardní nastavení používá MMM pro rozdělení rozpočtu, atribuci pro každodenní optimalizaci uvnitř kanálu a lift testy pro kontrolu a kalibraci modelu. Kalibrace znamená přeměnit výsledek experimentu na prior pro daný kanál, aby model vycházel z naměřených důkazů, nikoli z obecného předpokladu. Všechny tři hlavní open-source MMM ji podporují.

Praktický cyklus: natrénujte model, najděte kanál s nejširším intervalem nebo největším rozpočtem, proveďte na něm jeden lift test, výsledek vložte zpět a model přepočtěte. Každý test model zpřesní tam, kde to nejvíce záleží.

Jak číst výsledky MMM

Čtěte čtyři výstupy v tomto pořadí: příspěvek (kolik výsledku každý kanál vysvětluje), ROI (průměrná návratnost všeho utraceného), mezní ROI (návratnost další jednotky výdajů) a křivky odezvy (jak se návratnost mění s rostoucími výdaji). Přesuny rozpočtu opírejte o mezní ROI a křivky a před jednáním podle jakéhokoli jednoho čísla zkontrolujte interval věrohodnosti.

  • Příspěvek je podíl výsledku, který model přisuzuje každému kanálu, přičemž základní úroveň je obvykle největší částí.
  • ROI je inkrementální výsledek dělený výdaji. Pokud je výsledkem tržba, ROI jsou tržby, nikoli zisk. Například kanál s ROI 2 při hrubé marži 40 % je po započtení nákladů na produkt ztrátový. Náš článek o breakeven ROAS, true ROAS, MER a POAS pokrývá počítání marží.
  • Mezní ROI (mROI) je návratnost další jednotky nad současnými výdaji. Dokumentace Meridianu uvádí, že když je mROI mnohem nižší než ROI, kanál se začíná saturovat.
  • Křivky odezvy ukazují modelovaný výsledek při různých úrovních výdajů jednoho kanálu při zafixovaných ostatních. Meridian varuje, že body daleko nad historickými výdaji nebo pod nimi jsou extrapolace.

Příklad: model dá nebrandovému vyhledávání v Google Ads ROI 3,0 a mROI 1,2 a prospectingu na Meta ROI 2,0 a mROI 1,9. Vyhledávání má lepší průměr, ale dalších 1 000 udělá víc na Meta. To je otázka dalšího dolaru a právě proto vede řazení kanálů podle průměrného ROI nebo ROAS platformy ke špatnému rozdělení rozpočtu.

Mění placené vyhledávání organický provoz?

Většina MMM bere organické vyhledávání jako základní úroveň nebo kontrolu a ignoruje jednu z nejčastějších rozpočtových otázek: když dražíte výraz, přicházíte o organická kliknutí, která byste získali stejně, nebo reklamy zvyšují vaši organickou viditelnost? Marketing mix model to dokáže odhadnout tím, že výsledkem jsou organická kliknutí nebo relace a vstupem placené kanály.

Odpověď se liší podle účtu a typu klíčového slova a efekt může jít oběma směry. Reklamy na brandové vyhledávání mohou brát kliknutí, která by získal váš první organický výsledek; nebrandové reklamy mohou zvyšovat povědomí, které se později projeví jako brandová organická vyhledávání. Důkazy a způsob testování uvádíme v článku zvyšuje Google Ads organický provoz?.

Měřitelným to dělají dva vstupy: týdenní organický provoz ze Search Console, Bing Webmaster Tools nebo GA4 a výdaje na placené vyhledávání rozdělené podle typu kampaně. Model placené a organické návštěvnosti dává odhad se znaménkem: kladný znamená, že reklamy organická kliknutí přidávají, záporný, že je ubírají.

Časté chyby v MMM

Nejčastější chyby pocházejí z podávání neúplných dat modelu nebo z čtení jeho výstupu jako jistoty. Model nedokáže oddělit kanály, které se vždy hýbou společně, nenaučí se sezóny, které viděl jednou, a chybějící výdaje bere jako nulové. Před důvěrou ve výstupy zkontrolujte vstupy.

  1. Chybějící výdaje počítané jako nula. Pokud import vynechá tři měsíce výdajů na Meta, model vidí tři měsíce prodejů bez Meta a usoudí, že Meta moc nedělala.
  2. Kanály, které se vždy hýbou společně. Pokud rozpočty na vyhledávání a sociální sítě rostou a klesají současně, žádný model jejich efekty nerozdělí. Jeden z nich měňte nezávisle.
  3. Příliš mnoho malých kanálů. Dvanáct kanálů s drobnými rozpočty dá dvanáct širokých intervalů. Seskupte je.
  4. Ignorování akcí a změn cen. Týden slev přisouzený tomu, co v něm běželo, nafoukne daný kanál.
  5. Čtení ROI jako zisku. ROI z tržeb ignoruje marže, dopravu a vrácení.
  6. Jednání podle bodových odhadů. Pokud interval kanálu zahrnuje ztrátu i zisk, poctivým verdiktem je „nejasné“, nikoli přesun rozpočtu.
  7. Žádná validace. Bez lift testu nebo kontroly předpovědi na zadržených datech nerozeznáte dobrý model od sebevědomého.

Kdo by měl MMM používat

Marketing mix modeling se vyplatí, když významně utrácíte na třech nebo více kanálech, vaše výdaje se v čase měnily a máte alespoň dva roky týdenních dat. Méně užitečný je pro značku s jedním či dvěma kanály, s neměnnými rozpočty nebo s historií kratší než šest měsíců: tam model nemá dost k oddělení.

Dobré případy:

  • E-shopy utrácející za vyhledávání, sociální sítě a alespoň jeden další kanál, například reklamy v ChatGPT, LinkedIn, affiliate nebo offline média.
  • Týmy, jejichž konverze hlášené platformami dávají dohromady víc než skutečné objednávky obchodu.
  • Značky, které po změnách souhlasů a cookies ztratily přehled v atribuci.
  • Kdokoli, kdo se ptá, zda se vyplácí reklama na vlastní brand.

Špatné případy:

  • Obchod utrácející téměř vše na jedné platformě; lift test na této platformě odpoví víc.
  • Značky s historií kratší než šest měsíců nebo s nedávnou migrací platformy, která rozbila sledování.
  • Týmy, které chtějí denně odpovědi na úrovni kampaní nebo reklam; to je práce atribuce.

Kterou zvolit?

Metodu zvolte podle rozhodnutí, které děláte. MMM použijte na rozdělení rozpočtu mezi kanály, atribuci na každodenní optimalizaci uvnitř kanálu a test inkrementality, když potřebujete důkaz, že jeden kanál nebo kampaň generuje prodeje. Většina značek utrácejících napříč několika kanály nakonec používá všechny tři, každou na svou otázku.

Vaše situaceZačněte sPřidejte později
Rozdělení rozpočtu na příští čtvrtletí mezi 3+ kanályMMMLift test na největším kanálu
Optimalizace nabídek, publik nebo kreativ tento týdenAtribuce a data platforemMMM pro rozdělení mezi kanály
Prokázání, že kanál způsobuje prodeje, před jeho navýšenímTest inkrementalityMMM kalibrovaný výsledkem
Méně než rok dat, 2+ kanályLift test plus MMM čtený jako orientačníStandardní MMM po dosažení 2–3 let
Výdaje na offline média (TV, tisk, podcasty)MMMGeo holdout test
Dražení vlastního názvu značkyMMM placené a organické návštěvnosti nebo test pozastavení branduKontrola mezer ve vyhledávacích výrazech

Nástroje MMM: open source a hostované

Nástroje MMM se dělí do dvou skupin: bezplatné open-source knihovny, které provozujete sami, a hostované produkty, které model provozují za vás. Tři hlavní open-source možnosti jsou Google Meridian, Meta Robyn a PyMC-Marketing; jsou zdarma, ale vyžadují Python nebo R, přípravu dat a kontroly modelu. Hostované nástroje vyměňují poplatek za nastavení, konektory a uživatelské rozhraní.

NástrojTypCo uvádí jeho vlastní web (k listopadu 2026)
Google MeridianOpen source, PythonBayesovský MMM s podporou geo úrovně; zpřístupněn všem 29. ledna 2025; v únoru 2026 následoval no-code Scenario Planner
Meta RobynOpen source, R (Python API v betě)„Experimentální“ balíček MMM od Meta Marketing Science; ridge regrese s evolučním prohledáváním hyperparametrů; licence MIT
PyMC-MarketingOpen source, PythonBayesovský MMM s adstockem, saturací, kalibrací lift testy a optimalizací rozpočtu; Apache 2.0
RecastHostovanýProprietární bayesovský MMM s experimenty GeoLift; cena není veřejná
CassandraHostovanýMMM a testy inkrementality, bez nutnosti datového týmu; 30denní zkušební verze zdarma
MarSciHostovanýProvozuje Meridian nebo Robyn na vašich datech; vyžaduje alespoň 1 000 € denně na marketing
MMM PilotHostovanýProvozuje Robyn bez kódu; plán Starter 50 USD/měsíc
AmICitedHostovaný (náš produkt)Provozuje Meridian; modely prodejů a placené a organické návštěvnosti; plány Premium a Enterprise

Srovnání dvou velkých open-source enginů najdete v článku Google Meridian vs Robyn.

Detail promptu v AmICited pro „What is the best marketing mix modeling software for ecommerce brands?“, 17. listopadu 2026: amicited.com citován 0 z 10 enginů; zmínky o značkách vedou Sellforte 11 %, Google Meridian 10 %, Measured 10 %, Meta Robyn 8 % a Recast 8 %

MMM v AmICited

AmICited je náš produkt. Jeho Media Marketing Mix (MMM) za vás provozuje bayesovský model na Google Meridian, bez kódu. Zvolíte výsledek, například tržby obchodu ze Shopify nebo WooCommerce, nákupy v GA4 nebo libovolnou konverzi GA4, a kanály z pěti připojených reklamních platforem plus vlastní náklady pro vše ostatní.

Formulář „Create a model“ v AmICited Media Marketing Mix: název modelu, výsledek nastavený na tržby z nákupů v GA4, počáteční a koncové datum historie s upozorněním, že importovaná data začínají 2026-05-24, měna reportingu, placené mediální kanály, příspěvek organického vyhledávání a vlastní marketingové kanály

Oproti samostatnému provozu Meridianu přidává nastavení a model placené a organické návštěvnosti: nastavte výsledek na organický provoz ze Search Console, Bingu nebo GA4 a odhadne, jak placené vyhledávání mění organická kliknutí v čase. Výstupy zahrnují příspěvky s 90% intervaly věrohodnosti, křivky odezvy od nuly po trojnásobek současných výdajů, kde dalších 1 000 pomůže nejvíce, a nejlepší rozdělení současného rozpočtu.

Jeho limity jsou skutečné. Je jen v plánech Premium a Enterprise, s poplatkem za balíček modelu. Standardní model potřebuje 164 úplných týdnů; s 24 nebo více běží v režimu omezené historie, jehož doporučení jsou označena jako pouze orientační. ROI jsou tržby, nikoli zisk. A jako každý MMM odhaduje z historie; nenahrazuje lift test.

Co dělat teď

  1. Sepište kanály a historii. Spočítejte týdny úplných dat o výdajích a výsledcích u každého kanálu. Méně než dva roky znamenají orientační výsledky.
  2. Nejdřív opravte vstupy. Doplňte mezery ve výdajích, označte akce a změny cen a zkontrolujte, že se tržby obchodu a vaše atribuce tržeb shodují v součtech.
  3. Porovnejte tvrzení platforem se skutečnými objednávkami. Pomocí Meta Attribution Reality nebo vlastního exportu z obchodu zjistěte, jak moc se čísla platforem rozcházejí.
  4. Natrénujte první model. Spusťte Meridian, Robyn nebo PyMC-Marketing sami, nebo hostovaný nástroj, například náš Media Marketing Mix.
  5. Jednejte podle mROI a intervalů. Přesouvejte rozpočet jen tam, kde je mezní návratnost jasně vyšší a interval nezahrnuje nulu.
  6. Otestujte největší sázku. Proveďte jeden lift test nebo geo holdout na největším kanálu a model jím zkalibrujte.
  7. Zkontrolujte placené proti organickému. Projděte výrazy, za které platíte bez organické stránky, v Paid-Proven Gaps a namodelujte, zda placené vyhledávání organická kliknutí zvyšuje, nebo nahrazuje.

Shrnutí

Marketing mix modeling je jediná ze tří hlavních metod měření, která pokryje všechny kanály najednou bez sledování uživatelů. Potřebuje dva až tři roky týdenních dat, variabilní výdaje a poctivé vstupy a vrací odhady s rozsahy, nikoli fakta. Použijte ho k rozdělení rozpočtu, lift testy k jeho kontrole a čtěte návratnost dalšího dolaru, nikoli průměr.

Bylo to užitečné? Pošlete to dál.

LinkedIn X

Často kladené otázky

Arshia je AI Workflow Engineer ve společnosti FlowHunt. Díky vzdělání v informatice a nadšení pro umělou inteligenci se specializuje na tvorbu efektivních pracovních postupů, které integrují nástroje AI do každodenních úkolů a zvyšují produktivitu i kreativitu.

Arshia Kahani
Arshia Kahani
AI Workflow Engineer

Zjistěte, co každý kanál přidává k tržbám

AmICited natrénuje bayesovský marketing mix model na Google Meridian z dat vašeho obchodu nebo GA4 a z výdajů na reklamu. Ukáže příspěvek každého kanálu s 90% intervaly věrohodnosti, křivky odezvy, kde dalších 1 000 pomůže nejvíce, a zda placené vyhledávání mění vaše organická kliknutí.