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.
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:
| Komponenta | Co zachycuje | Příklad |
|---|---|---|
| Základní úroveň | Prodeje, které byste měli bez marketingu: značka, doporučení, opakovaní kupující | Obchod, který prodá 300 objednávek týdně, i když se všechny reklamy pozastaví |
| Sezónnost a kontroly | Roční cykly, svátky, akce, změny cen | Black Friday, letní propad, 20% sleva v celém obchodě |
| Adstock (přenos) | Reklamy ovlivňují prodeje ještě týdny po svém běhu | Videokampaň, jejíž efekt doznívá během dalších 3–4 týdnů |
| Saturace (klesající výnosy) | Každá další jednotka výdajů přidá méně než poslední | Zdvojnásobení výdajů na Meta přidá 40 % prodejů navíc, ne 100 % |
| Priory a intervaly věrohodnosti | Co 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:
- Doplňte starší výdaje. Reklamní platformy a faktury často uchovávají víc historie než váš analytický nástroj. Zadejte ji jako náklady, místo abyste začínali dnem připojení.
- 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.
- 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.
- Kalibrujte lift testem. Jeden dobře provedený experiment na vašem největším kanálu dá modelu mnohem užší prior než výchozí hodnoty.
- Měňte výdaje záměrně. Plánované skokové změny nebo krátké pauzy v jednom kanálu vytvoří variabilitu, kterou model potřebuje.
- 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 modeling | Multi-touch atribuce | Testování inkrementality | |
|---|---|---|---|
| Otázka | Co 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? |
| Data | Týdenní výdaje, zobrazení a součty výsledků, 2–3 roky | Kliknutí, zobrazení a konverze na úrovni uživatelů | Testovací a kontrolní skupina po dobu testu |
| Cookies a soukromí | Nejsou potřeba; jen agregovaná data | Závisí na cookies, pixelech a souhlasu | Testy na úrovni uživatelů se opírají o identitu v reklamní platformě; geo testy používají jen regiony |
| Rychlost | Zavedení trvá; týdenní nebo měsíční obnova | Téměř v reálném čase | Týdny na test |
| Náklady | Open source je zdarma, ale vyžaduje dovednosti; hostované nástroje si účtují poplatek | Často součástí analytických a reklamních nástrojů | Zadržené reklamy nebo kontrolní regiony plus čas na přípravu |
| Granularita | Kanál nebo skupina kampaní | Kampaň, reklama, klíčové slovo | Jeden kanál, kampaň nebo region najednou |
| Nejlepší pro | Alokaci rozpočtu napříč kanály, offline média | Každodenní optimalizaci kampaní | Prokázání kauzality, kalibraci modelů |
| Hlavní slabina | Pozorovací odhad; vyžaduje dlouhou, variabilní historii | Zásluha není kauzalita; míjí nesledované a offline kontaktní body | Úzké 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.
- Meridian definuje kalibraci jako
„použití výsledků experimentů a dalších doménových znalostí k nastavení priorů specifických pro kanál“ a obsahuje
CalibrationBuilder, který přeměňuje experimenty inkrementality na priory ROI. - Robyn „důrazně doporučuje“ výsledky experimentů jako základní pravdu pro kalibraci, přijímá je pouze jako bodové odhady a nedoporučuje používat studie s nízkou spolehlivostí, podle svého průvodce pro analytiky.
- PyMC-Marketing uvádí kalibraci lift testy jako základní funkci.
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.
- 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.
- 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.
- Příliš mnoho malých kanálů. Dvanáct kanálů s drobnými rozpočty dá dvanáct širokých intervalů. Seskupte je.
- Ignorování akcí a změn cen. Týden slev přisouzený tomu, co v něm běželo, nafoukne daný kanál.
- Čtení ROI jako zisku. ROI z tržeb ignoruje marže, dopravu a vrácení.
- Jednání podle bodových odhadů. Pokud interval kanálu zahrnuje ztrátu i zisk, poctivým verdiktem je „nejasné“, nikoli přesun rozpočtu.
- 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 situace | Začněte s | Přidejte později |
|---|---|---|
| Rozdělení rozpočtu na příští čtvrtletí mezi 3+ kanály | MMM | Lift test na největším kanálu |
| Optimalizace nabídek, publik nebo kreativ tento týden | Atribuce a data platforem | MMM pro rozdělení mezi kanály |
| Prokázání, že kanál způsobuje prodeje, před jeho navýšením | Test inkrementality | MMM kalibrovaný výsledkem |
| Méně než rok dat, 2+ kanály | Lift test plus MMM čtený jako orientační | Standardní MMM po dosažení 2–3 let |
| Výdaje na offline média (TV, tisk, podcasty) | MMM | Geo holdout test |
| Dražení vlastního názvu značky | MMM placené a organické návštěvnosti nebo test pozastavení brandu | Kontrola 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.
| Nástroj | Typ | Co uvádí jeho vlastní web (k listopadu 2026) |
|---|---|---|
| Google Meridian | Open source, Python | Bayesovský MMM s podporou geo úrovně; zpřístupněn všem 29. ledna 2025; v únoru 2026 následoval no-code Scenario Planner |
| Meta Robyn | Open source, R (Python API v betě) | „Experimentální“ balíček MMM od Meta Marketing Science; ridge regrese s evolučním prohledáváním hyperparametrů; licence MIT |
| PyMC-Marketing | Open source, Python | Bayesovský MMM s adstockem, saturací, kalibrací lift testy a optimalizací rozpočtu; Apache 2.0 |
| Recast | Hostovaný | Proprietární bayesovský MMM s experimenty GeoLift; cena není veřejná |
| Cassandra | Hostovaný | MMM a testy inkrementality, bez nutnosti datového týmu; 30denní zkušební verze zdarma |
| MarSci | Hostovaný | Provozuje Meridian nebo Robyn na vašich datech; vyžaduje alespoň 1 000 € denně na marketing |
| MMM Pilot | Hostovaný | Provozuje Robyn bez kódu; plán Starter 50 USD/měsíc |
| AmICited | Hostovaný (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.

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.

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
- Sepište kanály a historii. Spočítejte týdny úplných dat o výdajích a výsledcích u každého kanálu. Méně než dva roky znamenají orientační výsledky.
- 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.
- Porovnejte tvrzení platforem se skutečnými objednávkami. Pomocí Meta Attribution Reality nebo vlastního exportu z obchodu zjistěte, jak moc se čísla platforem rozcházejí.
- Natrénujte první model. Spusťte Meridian, Robyn nebo PyMC-Marketing sami, nebo hostovaný nástroj, například náš Media Marketing Mix.
- Jednejte podle mROI a intervalů. Přesouvejte rozpočet jen tam, kde je mezní návratnost jasně vyšší a interval nezahrnuje nulu.
- Otestujte největší sázku. Proveďte jeden lift test nebo geo holdout na největším kanálu a model jím zkalibrujte.
- 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.

