Marketing mix modeling (MMM) er en statistisk metode som estimerer hvor mye hver markedsføringskanal bidro til salget, ved hjelp av ukentlige totaler for utgifter og resultater i stedet for å spore enkeltbrukere. Den svarer på budsjettspørsmålet som plattformenes dashbord ikke kan svare på: hvis du flytter penger fra én kanal til en annen, hva skjer sannsynligvis med totalsalget?
Haken er data. Googles Meridian-dokumentasjon ber om minst to års ukentlige data for en modell på geonivå og tre år for en nasjonal. Metas Robyn-veiledning ber om minimum to års ukentlige data. Mange nettbutikker har ikke så mye ren historikk, så denne guiden tar også for seg hva du gjør med mindre.
Nedenfor: hvordan MMM fungerer, hvordan det skiller seg fra multi-touch attribusjon og inkrementalitetstesting, og hvordan du leser resultatene, pluss ett spørsmål få MMM-guider stiller: øker eller reduserer betalt søk den organiske trafikken din?
Viktige punkter
- Marketing mix modeling estimerer hver kanals bidrag ut fra ukentlige totaler for utgifter og utfall. Det trenger ingen informasjonskapsler eller sporing på brukernivå, så personvernendringer ødelegger det ikke.
- Googles Meridian ber om minst 2 års ukentlige data på geonivå og 3 år på nasjonalt nivå, ifølge dataveiledningen. Metas Robyn ber om 2 års ukentlige data og omtrent 10 observasjoner per variabel.
- Tre år med ukentlige data er bare 156 datapunkter. I Meridians eget eksempel er det omtrent 15 per parameter for en modell med 10 parametere, nok til «retningsgivende informasjon».
- Multi-touch attribusjon fordeler æren mellom sporede klikk; inkrementalitetstesting sammenligner en gruppe som så annonser med en som ikke gjorde det. MMM er den som dekker alle kanaler samtidig.
- Meridian, Robyn og PyMC-Marketing godtar alle resultater fra løftetester for å kalibrere modellen, som er standardmåten å kombinere MMM med eksperimenter på.
- Budsjettbeslutninger bør følge marginal ROI, avkastningen på den neste utgiftsenheten, ikke gjennomsnittlig ROI. Meridians dokumentasjon sier at en mye lavere mROI enn ROI tyder på metning.
Hva marketing mix modeling er
Marketing mix modeling er en regresjonslignende modell som forklarer et forretningsutfall, for eksempel ukentlig inntekt, som summen av et grunnnivå pluss effekten av hver markedsføringskanal. Fordi den arbeider på aggregerte ukentlige totaler, kan den inkludere kanaler ingen piksel ser, som TV, podkaster eller trykk, og den påvirkes ikke av tap av informasjonskapsler eller samtykkebannere.
Resultatet er et estimat av hvor mye hver kanal bidro med, hvor effektiv den var, og hvordan utfallet ville endret seg ved ulike utgiftsnivåer. Det gjør MMM til et planleggingsverktøy for fordeling av markedsføringsbudsjett, ikke et rapporteringsverktøy for gårsdagens kampanjer.
Media mix modeling er den samme metoden brukt kun på betalte medier. Marketing mix modeling kan, i streng forstand, også inkludere pris, kampanjer og distribusjon. De fleste bruker de to navnene om hverandre, og begge forkortes til MMM.
Hvordan MMM fungerer
En MMM tilpasser én ligning til din ukentlige historikk: utfall er lik grunnnivå, pluss sesongvariasjon og andre kontrollvariabler, pluss en transformert effekt for hver kanal. Transformasjonene er det som gjør den til mer enn en vanlig regresjon: de modellerer at annonser fortsetter å virke etter uken de kjørte, og at hver ekstra utgiftsenhet gir mindre enn den forrige.
Byggeklossene:
| Komponent | Hva den fanger opp | Eksempel |
|---|---|---|
| Grunnnivå | Salg du ville fått uten markedsføring: merkevare, jungeltelegrafen, gjentakende kjøpere | En butikk som selger 300 ordrer i uken selv når alle annonser er satt på pause |
| Sesongvariasjon og kontrollvariabler | Årlige sykluser, høytider, kampanjer, prisendringer | Black Friday, en nedgang om sommeren, et salg på 20 % i hele butikken |
| Adstock (overføringseffekt) | Annonser påvirker salget i uker etter at de har kjørt | En videokampanje hvis effekt avtar over de neste 3–4 ukene |
| Metning (avtagende avkastning) | Hver ekstra utgiftsenhet gir mindre enn den forrige | Å doble Meta-utgiftene gir 40 % mer salg, ikke 100 % |
| Priors og troverdighetsintervaller | Hva modellen antar før den ser data, og hvor sikker den er etterpå | «Søke-ROI ligger mellom 1,8 og 3,1, med 90 % sannsynlighet» |
Eksemplene i tabellen er illustrerende, ikke data fra en reell butikk.
Googles Meridian modellerer for eksempel overføringseffekt med en adstock-funksjon og metning med en Hill-kurve, hvis form avgjør om avkastningen faller gradvis eller følger en S-kurve.
Bayesiansk MMM med enkle ord
En bayesiansk MMM starter med en prior, et oppgitt område av sannsynlige verdier for hver kanals effekt, og oppdaterer den med dataene dine. Resultatet er en fordeling, oppsummert som et troverdighetsintervall: «med 90 % sannsynlighet ligger denne kanalens ROI mellom X og Y.» Meridians dokumentasjon beskriver priors som utgangspunkt: hvis dataene sterkt motsier en prior, justerer modellen seg.
Den praktiske verdien er ærlighet om usikkerhet. Et bredt intervall forteller deg at dataene ikke kan skille den kanalens effekt fra alt annet. Det er mer nyttig enn ett selvsikkert tall som viser seg å være støy.
Hvor mye data du trenger
Planlegg for to til tre års ukentlige data. Googles Meridian ber om minst to år på geonivå og tre år på nasjonalt nivå, eller tre år hvis du bare har månedlige data. Robyn ber om minst to års ukentlige data og omtrent én variabel per ti observasjoner. Mindre data betyr bredere intervaller og mer vekt på modellens forutsetninger.
Hvorfor så mye? To grunner:
- Sesongvariasjon gjentar seg én gang i året. Med 52 uker ser modellen hver høytid én gang og kan ikke avgjøre om salget økte på grunn av Black Friday eller fordi du økte utgiftene den uken. To eller tre sykluser lar den skille de to.
- Hver kanal legger til parametere. Hver kanal trenger minst en effektstørrelse, en overføringsrate og en metningsform. Meridians dokumentasjon går gjennom en nasjonal modell med 10 parametere og 156 ukentlige datapunkter, omtrent 15 datapunkter per parameter, og kaller det nok til å «få noe retningsgivende informasjon».
Samme side sier at veiledningen er «grov og retningsgivende», og at den mest nøyaktige kontrollen er å tilpasse modellen og se på bredden av troverdighetsintervallene.
Variasjon i utgifter betyr like mye som historikkens lengde. Hvis en kanal brukte det samme beløpet hver uke i to år, har modellen ingenting å lære av. Meridians dokumentasjon bemerker at utilstrekkelig variasjon i medieutgifter skader nasjonale modeller.
Hva du gjør med under tre år
De fleste nettbutikker har ett til to år med brukbare data, ofte mindre etter en sporingsendring eller en replattformering. Du kan fortsatt modellere, hvis du justerer forventningene dine:
- Fyll inn eldre utgifter. Annonseplattformer og fakturaer har ofte mer historikk enn analyseverktøyet ditt. Legg det inn som kostnader i stedet for å starte fra dagen du koblet til.
- Slå sammen små kanaler. Meridians datainnsamlingsveiledning anbefaler å kombinere kanaler med lave utgifter med andre for å unngå ustabile ROI-estimater. Færre, større kanaler gir hvert estimat mer data.
- Bruk data på geonivå hvis du har det. Geomodeller deler informasjon mellom regioner, så de samme ukene gir flere datapunkter per effekt, ifølge Meridians veiledning.
- Kalibrer med en løftetest. Ett godt gjennomført eksperiment på den største kanalen gir modellen en mye strammere prior enn standardverdiene.
- Variér utgiftene med vilje. Planlagte trinnvise endringer eller korte pauser i én kanal skaper variasjonen modellen trenger.
- Les resultatet som veiledende. Med ett år eller mindre er årlig sesongvariasjon delvis en gjetning. Bruk modellen til å rangere kanaler og oppdage metning, ikke til å love et inntektstall.
MMM vs attribusjon vs inkrementalitet
Marketing mix modeling, multi-touch attribusjon og inkrementalitetstesting svarer på tre ulike spørsmål. MMM estimerer hva hver kanal bidro til totalsalget over tid. Multi-touch attribusjon fordeler æren for hver sporet konvertering mellom kontaktpunktene den så. Inkrementalitetstesting måler om én aktivitet forårsaket ekstra salg ved å sammenligne eksponerte og ueksponerte grupper.
| Marketing mix modeling | Multi-touch attribusjon | Inkrementalitetstesting | |
|---|---|---|---|
| Spørsmål | Hva bidro hver kanal med, og hvor bør den neste budsjettenheten gå? | Hvilke sporede kontaktpunkter var på veien til hver konvertering? | Forårsaket denne kampanjen salg som ellers ikke ville skjedd? |
| Data | Ukentlige utgifter, visninger og utfallstotaler, 2–3 år | Klikk, visninger og konverteringer på brukernivå | En testgruppe og en kontrollgruppe, under testen |
| Informasjonskapsler og personvern | Trengs ikke; kun aggregerte data | Avhenger av informasjonskapsler, piksler og samtykke | Brukerbaserte tester bygger på annonseplattformens identitet; geotester bruker bare regioner |
| Hastighet | Tregt å sette opp; ukentlig eller månedlig oppdatering | Nesten i sanntid | Uker per test |
| Kostnad | Åpen kildekode er gratis, men krever kompetanse; hostede verktøy tar et gebyr | Ofte inkludert i analyse- og annonseverktøy | Tilbakeholdte annonser eller holdout-regioner, pluss oppsettstid |
| Detaljnivå | Kanal eller kampanjegruppe | Kampanje, annonse, søkeord | Én kanal, kampanje eller region om gangen |
| Best for | Budsjettfordeling på tvers av kanaler, offline-medier | Daglig kampanjeoptimalisering | Å bevise kausalitet, kalibrere modeller |
| Hovedsvakhet | Observasjonsestimat; krever lang, variert historikk | Æren er ikke kausalitet; går glipp av usporede og offline kontaktpunkter | Smal: svarer på ett spørsmål per test |
Multi-touch attribusjon og enkeltkontaktmodeller som last-click-attribusjon teller konverteringer de kan se. Annonseplattformer teller sine egne, og derfor stemmer Metas tall sjelden med butikkens; rapporten vår Meta Attribution Reality setter de to side om side. Ingen av disse beviser at en annonse forårsaket et salg.
Inkrementalitetstesting er eksperimentet som kan. Google beskriver Conversion Lift som en måte å dele publikummet inn i personer som ser annonsene dine og personer som ikke gjør det og måle forskjellen; det bemerker at verktøyet ikke er tilgjengelig for alle Google Ads-kontoer. En geo-holdout fungerer på samme måte med regioner: velg matchede regioner, sett utgiftene på pause eller endre dem i noen, og sammenlign salget mot resten. I motsetning til en A/B-test på nettstedet, som sammenligner to versjoner av en side, sammenligner en løftetest annonser mot ingen annonser.
Hvordan de fungerer sammen
Standardoppsettet bruker MMM til budsjettfordelingen, attribusjon til daglig optimalisering innenfor en kanal, og løftetester til å kontrollere og kalibrere modellen. Kalibrering betyr å gjøre resultatet av et eksperiment om til prioren for den kanalen, slik at modellen starter fra målt evidens i stedet for en generisk antakelse. Alle tre store åpen kildekode-MMM-ene støtter det.
- Meridian definerer kalibrering som
«å bruke eksperimentresultater og annen domenekunnskap til å sette kanalspesifikke priors», og har en
CalibrationBuildersom gjør inkrementalitetseksperimenter om til ROI-priors. - Robyn «anbefaler på det sterkeste» eksperimentresultater som fasit for kalibrering, godtar dem bare som punktestimater og fraråder studier med lav konfidens, ifølge analytikerveiledningen.
- PyMC-Marketing lister kalibrering med løftetester som en kjernefunksjon.
En praktisk syklus: tilpass modellen, finn kanalen med det bredeste intervallet eller det største budsjettet, kjør én løftetest på den, mat resultatet tilbake og tilpass på nytt. Hver test strammer inn modellen der det betyr mest.
Slik leser du MMM-resultater
Les fire resultater i denne rekkefølgen: bidrag (hvor mye av utfallet hver kanal forklarer), ROI (gjennomsnittlig avkastning på alt som er brukt), marginal ROI (avkastning på den neste utgiftsenheten) og responskurver (hvordan avkastningen endrer seg når utgiftene stiger). Baser budsjettendringer på marginal ROI og kurvene, og sjekk troverdighetsintervallet før du handler på et enkelt tall.
- Bidrag er andelen av utfallet modellen tilskriver hver kanal, der grunnnivået vanligvis er den største delen.
- ROI er inkrementelt utfall delt på utgifter. Hvis utfallet er inntekt, er ROI inntekt, ikke fortjeneste. En kanal med ROI på 2 og 40 % bruttomargin taper for eksempel penger så snart produktkostnadene er med. Innlegget vårt om breakeven-ROAS, ekte ROAS, MER og POAS tar for seg marginregnestykket.
- Marginal ROI (mROI) er avkastningen på den neste enheten over dagens utgifter. Meridians dokumentasjon sier at når mROI er mye lavere enn ROI, begynner kanalen å bli mettet.
- Responskurver viser det modellerte utfallet ved ulike utgiftsnivåer for én kanal, mens de andre holdes faste. Meridian advarer om at punkter langt over eller under historiske utgifter er ekstrapolasjoner.
Eksempel: en modell gir Google Ads søk uten merkevare en ROI på 3,0 og en mROI på 1,2, og Meta prospecting en ROI på 2,0 og en mROI på 1,9. Søk har det beste gjennomsnittet, men de neste 1 000 gjør mer på Meta. Det er neste-krone-spørsmålet, og det er derfor rangering av kanaler etter gjennomsnittlig ROI eller plattformens ROAS fører til feil budsjettfordeling.
Endrer betalt søk den organiske trafikken?
De fleste MMM-er behandler organisk søk som et grunnnivå eller en kontrollvariabel og ignorerer et av de vanligste budsjettspørsmålene: når du byr på et søkeord, mister du organiske klikk du uansett ville fått, eller løfter annonsene den organiske synligheten din? En marketing mix-modell kan estimere dette ved å gjøre organiske klikk eller økter til utfallet og betalte kanaler til input.
Svaret varierer mellom kontoer og søkeordstyper, og effekten kan gå begge veier. Annonser på merkevaresøk kan ta klikk det første organiske resultatet ditt ville fått; annonser uten merkevare kan skape bevissthet som senere viser seg som organiske søk på merkenavnet. Vi går gjennom evidensen og hvordan du tester det i øker Google Ads organisk trafikk?.
To input gjør dette målbart: ukentlig organisk trafikk fra Search Console, Bing Webmaster Tools eller GA4, og utgifter til betalt søk delt etter kampanjetype. En modell for betalt til organisk gir et estimat med fortegn: positivt betyr at annonser tilfører organiske klikk, negativt betyr at de tar dem.
Vanlige MMM-feil
De vanligste feilene kommer av å mate modellen med ufullstendige data eller lese resultatet som sikkert. En modell kan ikke skille kanaler som alltid beveger seg sammen, kan ikke lære sesonger den har sett én gang, og behandler manglende utgifter som null utgifter. Sjekk input før du stoler på resultatet.
- Manglende utgifter regnes som null. Hvis en import går glipp av tre måneder med Meta-utgifter, ser modellen tre måneder med salg uten Meta og konkluderer med at Meta gjorde lite.
- Kanaler som alltid beveger seg sammen. Hvis budsjettene for søk og sosiale medier stiger og faller i takt, kan ingen modell skille effektene. Variér én uavhengig.
- For mange små kanaler. Tolv kanaler med små budsjetter gir tolv brede intervaller. Grupper dem.
- Å ignorere kampanjer og prisendringer. En salgsuke som krediteres det som kjørte den uken, blåser opp den kanalen.
- Å lese ROI som fortjeneste. ROI basert på inntekt ignorerer marginer, frakt og returer.
- Å handle på punktestimater. Hvis en kanals intervall spenner over tap og gevinst, er den ærlige dommen «uklart», ikke en budsjettflytting.
- Aldri validere. Uten en løftetest eller en holdout-prognosekontroll kan du ikke skille en god modell fra en selvsikker.
Hvem bør bruke MMM
Marketing mix modeling lønner seg når du bruker betydelige beløp på tre eller flere kanaler, utgiftene dine har endret seg over tid, og du har minst to års ukentlige data. Det er mindre nyttig for en merkevare på én eller to kanaler, med flate budsjetter eller med under seks måneders historikk: der har modellen for lite å skille.
Gode tilfeller:
- Nettbutikker som bruker penger på søk, sosiale medier og minst én kanal til, som ChatGPT-annonser, LinkedIn, affiliates eller offline-medier.
- Team der plattformrapporterte konverteringer summerer seg til mer enn butikkens faktiske ordrer.
- Merkevarer som mistet synlighet i attribusjonen etter endringer i samtykke og informasjonskapsler.
- Alle som spør om annonser på merkevaresøk er verdt det.
Dårlige tilfeller:
- En butikk som bruker nesten alt på én plattform; en løftetest på den plattformen gir mer svar.
- Merkevarer med under seks måneders historikk, eller en fersk replattformering som ødela sporingen.
- Team som vil ha svar på kampanje- eller annonsenivå daglig; det er attribusjonens jobb.
Hva bør du velge?
Velg metode etter beslutningen du tar. Bruk MMM til å fordele et budsjett mellom kanaler, attribusjon til daglig optimalisering innenfor en kanal, og en inkrementalitetstest når du trenger bevis for at én kanal eller kampanje driver salg. De fleste merkevarer som bruker penger på flere kanaler ender opp med å bruke alle tre, hver til sitt spørsmål.
| Din situasjon | Start med | Legg til senere |
|---|---|---|
| Fordele neste kvartals budsjett på 3+ kanaler | MMM | Løftetest på den største kanalen |
| Optimalisere bud, målgrupper eller kreativer denne uken | Attribusjon og plattformdata | MMM for fordelingen mellom kanaler |
| Bevise at en kanal forårsaker salg før du skalerer den | Inkrementalitetstest | MMM kalibrert med resultatet |
| Under ett års data, 2+ kanaler | Løftetest, pluss MMM lest som veiledende | Standard MMM når du når 2–3 år |
| Utgifter til offline-medier (TV, trykk, podkaster) | MMM | Geo-holdout-test |
| Å by på eget merkenavn | MMM for betalt til organisk eller en test med pause på merkevareannonser | Gjennomgang av søkeordgap |
MMM-verktøy: åpen kildekode og hostede
MMM-verktøy faller i to grupper: gratis åpen kildekode-biblioteker du kjører selv, og hostede produkter som kjører en modell for deg. De tre viktigste åpen kildekode-alternativene er Googles Meridian, Metas Robyn og PyMC-Marketing; de er gratis, men krever Python eller R, dataforberedelse og modellkontroller. Hostede verktøy bytter et gebyr mot oppsett, koblinger og et brukergrensesnitt.
| Verktøy | Type | Hva nettstedet selv sier (per november 2026) |
|---|---|---|
| Google Meridian | Åpen kildekode, Python | Bayesiansk MMM med støtte for geonivå; lansert for alle 29. januar 2025; en kodefri Scenario Planner fulgte i februar 2026 |
| Meta Robyn | Åpen kildekode, R (Python-API i beta) | «Eksperimentell» MMM-pakke fra Meta Marketing Science; ridge-regresjon med evolusjonært søk etter hyperparametere; MIT-lisens |
| PyMC-Marketing | Åpen kildekode, Python | Bayesiansk MMM med adstock, metning, kalibrering med løftetester og budsjettoptimalisering; Apache 2.0 |
| Recast | Hostet | Proprietær bayesiansk MMM med GeoLift-eksperimenter; ingen offentlig pris |
| Cassandra | Hostet | MMM og inkrementalitetstester, ingen datateam nødvendig; 30 dagers gratis prøveperiode |
| MarSci | Hostet | Kjører Meridian eller Robyn på dataene dine; krever minst 1 000 € om dagen i markedsføringsutgifter |
| MMM Pilot | Hostet | Kjører Robyn uten kode; Starter-abonnement 50 $/måned |
| AmICited | Hostet (vårt produkt) | Kjører Meridian; modeller for salg og betalt til organisk; abonnementene Premium og Enterprise |
For en sammenligning side om side av de to store åpen kildekode-motorene, se Google Meridian vs Robyn.

MMM i AmICited
AmICited er vårt produkt. Media Marketing Mix (MMM) kjører en bayesiansk modell på Google Meridian for deg, uten kode. Du velger et utfall, for eksempel butikkinntekt fra Shopify eller WooCommerce, GA4-kjøp eller en hvilken som helst GA4-konvertering, og kanaler fra fem tilkoblede annonseplattformer pluss egendefinerte kostnader for alt annet.

Det den tilfører utover å kjøre Meridian selv, er oppsettet og modellen for betalt til organisk: sett utfallet til organisk trafikk fra Search Console, Bing eller GA4, så estimerer den hvordan betalt søk endrer organiske klikk over tid. Resultatene omfatter bidrag med 90 % troverdighetsintervaller, responskurver fra null til tre ganger dagens utgifter, hvor de neste 1 000 gir mest, og en beste fordeling av dagens budsjett.
Begrensningene er reelle. Den finnes bare på abonnementene Premium og Enterprise, med en modellpakkeavgift. En standardmodell trenger 164 fullstendige uker; med 24 eller flere kjører den i en modus for begrenset historikk der anbefalingene er merket som kun veiledende. ROI er inntekt, ikke fortjeneste. Og som all MMM estimerer den ut fra historikk; den erstatter ikke en løftetest.
Hva du bør gjøre nå
- List opp kanalene og historikken dine. Tell ukene med fullstendige utgifts- og utfallsdata du har for hver kanal. Under to år betyr veiledende resultater.
- Fiks input først. Fyll utgiftshull, marker kampanjer og prisendringer, og sjekk at butikkinntekten din og inntektsattribusjonen er enige om totalene.
- Sammenlign plattformpåstander med faktiske ordrer. Bruk Meta Attribution Reality eller din egen butikkeksport for å se hvor langt plattformtallene avviker.
- Tilpass en første modell. Kjør Meridian, Robyn eller PyMC-Marketing selv, eller et hostet verktøy som vår Media Marketing Mix.
- Handle på mROI og intervaller. Flytt budsjett bare der marginalavkastningen er tydelig høyere og intervallet ikke spenner over null.
- Test det største veddemålet. Kjør én løftetest eller geo-holdout på den største kanalen og kalibrer modellen med den.
- Sjekk betalt mot organisk. Gå gjennom søkeord du betaler for uten en organisk side i Paid-Proven Gaps, og modeller om betalt søk løfter eller erstatter organiske klikk.
Hovedpoenget
Marketing mix modeling er den eneste av de tre viktigste målemetodene som dekker alle kanaler samtidig uten å spore brukere. Det krever to til tre års ukentlige data, varierte utgifter og ærlige input, og det gir estimater med spenn, ikke fakta. Bruk det til å fordele budsjettet, bruk løftetester til å kontrollere det, og les avkastningen på neste krone i stedet for gjennomsnittet.

