Marketing mix modeling (MMM) este o metodă statistică ce estimează cât a contribuit fiecare canal de marketing la vânzări, folosind totaluri săptămânale de cheltuieli și rezultate în loc să urmărească utilizatori individuali. Răspunde la întrebarea de buget la care tablourile de bord ale platformelor nu pot răspunde: dacă muți bani de la un canal la altul, ce se va întâmpla probabil cu vânzările totale?
Problema sunt datele. Documentația Meridian de la Google cere cel puțin doi ani de date săptămânale pentru un model la nivel geografic și trei ani pentru unul național. Ghidul Robyn de la Meta cere un minim de doi ani de date săptămânale. Multe branduri de ecommerce nu au atât de mult istoric curat, așa că acest ghid acoperă și ce faci cu mai puțin.
Mai jos: cum funcționează MMM, cum se compară cu atribuirea multi-touch și cu testarea incrementalității și cum citești rezultatele, plus o întrebare pe care puține ghiduri MMM o pun: crește sau scade căutarea plătită traficul tău organic?
Concluzii Cheie
- Marketing mix modeling estimează contribuția fiecărui canal din totaluri săptămânale de cheltuieli și rezultate. Nu are nevoie de cookie-uri sau de urmărire la nivel de utilizator, deci schimbările de confidențialitate nu îl strică.
- Meridian de la Google cere cel puțin 2 ani de date săptămânale la nivel geografic și 3 ani la nivel național, conform ghidului său de date. Robyn de la Meta cere 2 ani de date săptămânale și aproximativ 10 observații pe variabilă.
- Trei ani de date săptămânale înseamnă doar 156 de puncte de date. În exemplul propriu al Meridian, asta înseamnă aproximativ 15 pe parametru pentru un model cu 10 parametri, suficient pentru „informații direcționale”.
- Atribuirea multi-touch împarte meritul între clicurile urmărite; testarea incrementalității compară un grup care a văzut reclame cu unul care nu le-a văzut. MMM este cel care acoperă toate canalele deodată.
- Meridian, Robyn și PyMC-Marketing acceptă toate rezultate de teste de lift pentru calibrarea modelului, ceea ce este modul standard de a combina MMM cu experimentele.
- Deciziile de buget ar trebui să urmeze ROI-ul marginal, randamentul următoarei unități cheltuite, nu ROI-ul mediu. Documentația Meridian spune că un mROI mult mai mic decât ROI semnalează saturație.
Ce este marketing mix modeling
Marketing mix modeling este un model de tip regresie care explică un rezultat de business, de exemplu veniturile săptămânale, ca sumă dintre o linie de bază și efectul fiecărui canal de marketing. Pentru că lucrează pe totaluri săptămânale agregate, poate include canale pe care niciun pixel nu le vede, precum TV, podcasturi sau tipar, și nu este afectat de pierderea cookie-urilor sau de bannerele de consimțământ.
Rezultatul este o estimare a cât a adăugat fiecare canal, cât de eficient a fost și cum s-ar schimba rezultatul la diferite niveluri de cheltuieli. Asta face din MMM un instrument de planificare pentru alocarea bugetului de marketing, nu un instrument de raportare pentru campaniile de ieri.
Media mix modeling este aceeași metodă aplicată doar media plătite. Marketing mix modeling, în sens strict, poate include și prețul, promoțiile și distribuția. Majoritatea oamenilor folosesc cele două denumiri interschimbabil, iar ambele se prescurtează MMM.
Cum funcționează MMM
Un MMM potrivește o singură ecuație pe istoricul tău săptămânal: rezultatul este egal cu linia de bază, plus sezonalitatea și alte controale, plus un efect transformat pentru fiecare canal. Transformările fac din el mai mult decât o regresie simplă: modelează faptul că reclamele continuă să funcționeze după săptămâna în care au rulat și că fiecare unitate suplimentară cheltuită aduce mai puțin decât precedenta.
Elementele de bază:
| Componentă | Ce surprinde | Exemplu |
|---|---|---|
| Linia de bază | Vânzările pe care le-ai avea fără marketing: brand, recomandări din gură în gură, cumpărători recurenți | Un magazin care vinde 300 de comenzi pe săptămână chiar și cu toate reclamele oprite |
| Sezonalitate și controale | Cicluri anuale, sărbători, promoții, schimbări de preț | Black Friday, o scădere de vară, o reducere de 20% pe tot site-ul |
| Adstock (efect de report) | Reclamele continuă să influențeze vânzările săptămâni după ce au rulat | O campanie video al cărei efect scade în următoarele 3–4 săptămâni |
| Saturație (randamente descrescătoare) | Fiecare unitate suplimentară cheltuită adaugă mai puțin decât precedenta | Dublarea cheltuielilor Meta aduce cu 40% mai multe vânzări, nu cu 100% |
| Distribuții a priori și intervale credibile | Ce presupune modelul înainte să vadă datele și cât de sigur este după | „ROI-ul căutării este între 1,8 și 3,1, cu probabilitate de 90%” |
Exemplele din tabel sunt ilustrative, nu date dintr-un magazin real.
Meridian de la Google, de exemplu, modelează efectul de report cu o funcție adstock și saturația cu o curbă Hill, a cărei formă decide dacă randamentele scad treptat sau urmează o curbă în S.
MMM bayesian, pe înțelesul tuturor
Un MMM bayesian pornește de la o distribuție a priori, un interval declarat de valori plauzibile pentru efectul fiecărui canal, și o actualizează cu datele tale. Rezultatul este o distribuție, rezumată ca interval credibil: „cu probabilitate de 90%, ROI-ul acestui canal se află între X și Y.” Documentația Meridian descrie distribuțiile a priori ca puncte de pornire: dacă datele contrazic puternic o distribuție a priori, modelul se ajustează.
Valoarea practică este sinceritatea cu privire la incertitudine. Un interval larg îți spune că datele nu pot separa efectul acelui canal de tot restul. Asta este mai util decât un singur număr sigur pe sine care se dovedește a fi zgomot.
De câte date ai nevoie
Planifică doi până la trei ani de date săptămânale. Meridian de la Google cere cel puțin doi ani la nivel geografic și trei ani la nivel național, sau trei ani dacă ai doar date lunare. Robyn cere cel puțin doi ani de date săptămânale și aproximativ o variabilă la zece observații. Mai puține date înseamnă intervale mai largi și mai multă pondere pe ipotezele modelului.
De ce atât de mult? Din două motive:
- Sezonalitatea se repetă o dată pe an. Cu 52 de săptămâni, modelul vede fiecare sărbătoare o singură dată și nu poate spune dacă vânzările au crescut din cauza Black Friday sau pentru că ai mărit cheltuielile în acea săptămână. Două sau trei cicluri îi permit să le separe.
- Fiecare canal adaugă parametri. Fiecare canal are nevoie de cel puțin o mărime a efectului, o rată de report și o formă a saturației. Documentația Meridian parcurge un model național cu 10 parametri și 156 de puncte de date săptămânale, aproximativ 15 puncte de date pe parametru, și spune că este suficient pentru a „desprinde câteva informații direcționale”.
Aceeași pagină spune că recomandarea este „aproximativă și direcțională” și că cea mai precisă verificare este să antrenezi modelul și să te uiți la lățimea intervalelor credibile.
Variația cheltuielilor contează la fel de mult ca lungimea istoricului. Dacă un canal a cheltuit aceeași sumă în fiecare săptămână timp de doi ani, modelul nu are ce învăța. Documentația Meridian notează că variația insuficientă a cheltuielilor media dăunează modelelor naționale.
Ce faci cu mai puțin de trei ani
Majoritatea brandurilor de ecommerce au unul până la doi ani de date utilizabile, adesea mai puțin după o schimbare de urmărire sau o migrare de platformă. Poți totuși modela, dacă îți ajustezi așteptările:
- Completează cheltuielile mai vechi. Platformele de reclame și facturile păstrează adesea mai mult istoric decât instrumentul tău de analiză. Introdu-le ca costuri, în loc să pornești din ziua în care te-ai conectat.
- Unește canalele mici. Ghidul de date Meridian recomandă combinarea canalelor cu cheltuieli mici cu altele, pentru a evita estimări instabile ale ROI. Mai puține canale, dar mai mari, dau fiecărei estimări mai multe date.
- Folosește date la nivel geografic, dacă le ai. Modelele geografice partajează informații între regiuni, deci aceleași săptămâni dau mai multe puncte de date pe efect, conform ghidului Meridian.
- Calibrează cu un test de lift. Un singur experiment bine făcut pe cel mai mare canal dă modelului o distribuție a priori mult mai strânsă decât valorile implicite.
- Variază cheltuielile intenționat. Schimbări planificate în trepte sau pauze scurte într-un canal creează variația de care are nevoie modelul.
- Citește rezultatul ca orientativ. Cu un an sau mai puțin, sezonalitatea anuală este în parte o presupunere. Folosește modelul ca să ierarhizezi canalele și să observi saturația, nu ca să promiți o cifră de venituri.
MMM vs atribuire vs incrementalitate
Marketing mix modeling, atribuirea multi-touch și testarea incrementalității răspund la trei întrebări diferite. MMM estimează ce a contribuit fiecare canal la vânzările totale în timp. Atribuirea multi-touch împarte meritul pentru fiecare conversie urmărită între punctele de contact pe care le-a văzut. Testarea incrementalității măsoară dacă o activitate a cauzat vânzări suplimentare, comparând grupuri expuse și neexpuse.
| Marketing mix modeling | Atribuire multi-touch | Testarea incrementalității | |
|---|---|---|---|
| Întrebare | Ce a contribuit fiecare canal și unde ar trebui să meargă următoarea unitate de buget? | Ce puncte de contact urmărite s-au aflat pe drumul către fiecare conversie? | A cauzat această campanie vânzări care nu s-ar fi întâmplat oricum? |
| Date | Cheltuieli, afișări și totaluri de rezultate săptămânale, 2–3 ani | Clicuri, vizualizări și conversii la nivel de utilizator | Un grup de test și un grup de control, pe durata testului |
| Cookie-uri și confidențialitate | Nu sunt necesare; doar date agregate | Depinde de cookie-uri, pixeli și consimțământ | Testele pe utilizatori se bazează pe identitatea din platforma de reclame; testele geografice folosesc doar regiuni |
| Viteză | Lent de configurat; actualizare săptămânală sau lunară | Aproape în timp real | Săptămâni per test |
| Cost | Open source este gratuit, dar cere competențe; instrumentele găzduite costă | Adesea inclus în instrumentele de analiză și de reclame | Reclame reținute sau regiuni de control, plus timp de configurare |
| Granularitate | Canal sau grup de campanii | Campanie, reclamă, cuvânt-cheie | Un canal, o campanie sau o regiune pe rând |
| Cel mai bun pentru | Alocarea bugetului între canale, media offline | Optimizarea zilnică a campaniilor | Dovedirea cauzalității, calibrarea modelelor |
| Principala slăbiciune | Estimare observațională; cere istoric lung și variat | Meritul nu este cauzalitate; ratează punctele de contact neurmărite și offline | Îngust: răspunde la o singură întrebare per test |
Atribuirea multi-touch și modelele single-touch precum atribuirea last-click numără conversiile pe care le văd. Platformele de reclame le numără pe ale lor, motiv pentru care cifrele Meta rareori se potrivesc cu cele ale magazinului tău; raportul nostru Meta Attribution Reality le pune față în față. Niciuna dintre ele nu dovedește că o reclamă a cauzat o vânzare.
Testarea incrementalității este experimentul care poate. Google descrie Conversion Lift ca pe o modalitate de a împărți audiența în oameni care văd reclamele tale și oameni care nu le văd și de a măsura diferența; notează că instrumentul nu este disponibil pentru toate conturile Google Ads. O reținere geografică funcționează la fel, cu regiuni: alegi regiuni potrivite, oprești sau schimbi cheltuielile în unele și compari vânzările cu restul. Spre deosebire de un test A/B pe site, care compară două versiuni ale unei pagini, un test de lift compară reclamele cu lipsa reclamelor.
Cum lucrează împreună
Configurația standard folosește MMM pentru împărțirea bugetului, atribuirea pentru optimizarea zilnică în interiorul unui canal și testele de lift pentru verificarea și calibrarea modelului. Calibrarea înseamnă transformarea rezultatului unui experiment în distribuția a priori pentru acel canal, astfel încât modelul să pornească de la dovezi măsurate, nu de la o presupunere generică. Toate cele trei MMM-uri open-source principale o acceptă.
- Meridian definește calibrarea ca
„utilizarea rezultatelor experimentelor și a altor cunoștințe de domeniu pentru a seta distribuții a priori specifice canalelor” și include un
CalibrationBuildercare transformă experimentele de incrementalitate în distribuții a priori pentru ROI. - Robyn „recomandă cu tărie” rezultatele experimentale ca adevăr de referință pentru calibrare, le acceptă doar ca estimări punctuale și descurajează folosirea studiilor cu încredere scăzută, conform ghidului analistului.
- PyMC-Marketing listează calibrarea cu teste de lift ca funcție de bază.
Un ciclu practic: antrenezi modelul, găsești canalul cu cel mai larg interval sau cu cel mai mare buget, rulezi un test de lift pe el, introduci rezultatul și reantrenezi. Fiecare test strânge modelul acolo unde contează cel mai mult.
Cum citești rezultatele MMM
Citește patru rezultate în această ordine: contribuția (cât din rezultat explică fiecare canal), ROI (randamentul mediu al întregii sume cheltuite), ROI marginal (randamentul următoarei unități cheltuite) și curbele de răspuns (cum se schimbă randamentul pe măsură ce cresc cheltuielile). Bazează mutările de buget pe ROI marginal și pe curbe și verifică intervalul credibil înainte de a acționa pe baza oricărui număr izolat.
- Contribuția este cota din rezultat pe care modelul o atribuie fiecărui canal, linia de bază fiind de obicei cea mai mare parte.
- ROI este rezultatul incremental împărțit la cheltuieli. Dacă rezultatul este venitul, ROI este venit, nu profit. De exemplu, un canal cu ROI de 2 la o marjă brută de 40% pierde bani odată ce intră costurile de produs. Articolul nostru despre ROAS de prag de rentabilitate, ROAS real, MER și POAS acoperă calculul marjei.
- ROI marginal (mROI) este randamentul următoarei unități peste cheltuiala curentă. Documentația Meridian spune că atunci când mROI este mult mai mic decât ROI, canalul începe să se satureze.
- Curbele de răspuns arată rezultatul modelat la diferite niveluri de cheltuieli pentru un canal, menținându-le fixe pe celelalte. Meridian avertizează că punctele mult peste sau sub cheltuielile istorice sunt extrapolări.
Exemplu: un model dă căutării non-brand Google Ads un ROI de 3,0 și un mROI de 1,2, iar prospectării Meta un ROI de 2,0 și un mROI de 1,9. Căutarea are media mai bună, dar următoarele 1.000 fac mai mult pe Meta. Aceasta este întrebarea următorului ban și de aceea ierarhizarea canalelor după ROI mediu sau după ROAS-ul platformei duce la o împărțire greșită a bugetului.
Schimbă căutarea plătită traficul organic?
Majoritatea MMM-urilor tratează căutarea organică drept linie de bază sau control și ignoră una dintre cele mai frecvente întrebări de buget: când licitezi pentru un termen, pierzi clicuri organice pe care oricum le-ai fi câștigat sau reclamele îți cresc vizibilitatea organică? Un model de marketing mix poate estima asta, făcând din clicurile sau sesiunile organice rezultatul și din canalele plătite datele de intrare.
Răspunsul diferă în funcție de cont și de tipul de cuvânt-cheie, iar efectul poate merge în ambele sensuri. Reclamele pentru căutări de brand pot lua clicuri pe care le-ar fi câștigat primul tău rezultat organic; reclamele non-brand pot crește notorietatea care apare mai târziu sub formă de căutări organice de brand. Prezentăm dovezile și cum se testează în crește Google Ads traficul organic?.
Două date de intrare fac asta măsurabil: traficul organic săptămânal din Search Console, Bing Webmaster Tools sau GA4 și cheltuielile de căutare plătită împărțite pe tip de campanie. Un model plătit-către-organic dă o estimare cu semn: pozitiv înseamnă că reclamele adaugă clicuri organice, negativ înseamnă că le iau.
Greșeli frecvente în MMM
Cele mai frecvente greșeli vin din alimentarea modelului cu date incomplete sau din citirea rezultatelor ca fiind certe. Un model nu poate separa canalele care se mișcă mereu împreună, nu poate învăța sezoane pe care le-a văzut o singură dată și tratează cheltuielile lipsă ca zero cheltuieli. Verifică datele de intrare înainte de a avea încredere în rezultate.
- Cheltuieli lipsă numărate ca zero. Dacă un import ratează trei luni de cheltuieli Meta, modelul vede trei luni de vânzări fără Meta și concluzionează că Meta a făcut puțin.
- Canale care se mișcă mereu împreună. Dacă bugetele de căutare și social cresc și scad în tandem, niciun model nu le poate separa efectele. Variază unul independent.
- Prea multe canale mici. Douăsprezece canale cu bugete minuscule dau douăsprezece intervale largi. Grupează-le.
- Ignorarea promoțiilor și a schimbărilor de preț. O săptămână cu reduceri atribuită oricărui canal care a rulat atunci umflă acel canal.
- Citirea ROI ca profit. ROI-ul pe venituri ignoră marjele, transportul și retururile.
- Acționarea pe estimări punctuale. Dacă intervalul unui canal cuprinde atât pierderea, cât și câștigul, verdictul onest este „neclar”, nu o mutare de buget.
- Nevalidarea niciodată. Fără un test de lift sau o verificare a prognozei pe un set de control, nu poți deosebi un model bun de unul sigur pe sine.
Cine ar trebui să folosească MMM
Marketing mix modeling merită când cheltuiești semnificativ pe trei sau mai multe canale, cheltuielile s-au schimbat în timp și ai cel puțin doi ani de date săptămânale. Este mai puțin util pentru un brand pe unul sau două canale, cu bugete constante sau cu mai puțin de șase luni de istoric: acolo modelul are prea puțin de separat.
Potriviri bune:
- Branduri de ecommerce care cheltuiesc pe căutare, social și cel puțin încă un canal, precum reclame ChatGPT, LinkedIn, afiliați sau media offline.
- Echipe ale căror conversii raportate de platforme însumează mai mult decât comenzile reale ale magazinului.
- Branduri care au pierdut vizibilitate în atribuire după schimbările privind consimțământul și cookie-urile.
- Oricine se întreabă dacă reclamele pentru căutări de brand merită.
Potriviri slabe:
- Un magazin care cheltuiește aproape tot pe o singură platformă; un test de lift pe acea platformă răspunde la mai multe.
- Branduri cu mai puțin de șase luni de istoric sau cu o migrare recentă de platformă care a stricat urmărirea.
- Echipe care vor răspunsuri zilnice la nivel de campanie sau de reclamă; asta este treaba atribuirii.
Pe care să o alegi?
Alege metoda în funcție de decizia pe care o iei. Folosește MMM pentru împărțirea unui buget între canale, atribuirea pentru optimizarea zilnică în interiorul unui canal și un test de incrementalitate când ai nevoie de dovada că un canal sau o campanie generează vânzări. Majoritatea brandurilor care cheltuiesc pe mai multe canale ajung să le folosească pe toate trei, fiecare pentru întrebarea ei.
| Situația ta | Începe cu | Adaugă ulterior |
|---|---|---|
| Împărțirea bugetului trimestrului următor între 3+ canale | MMM | Test de lift pe cel mai mare canal |
| Optimizarea licitațiilor, audiențelor sau creațiilor săptămâna aceasta | Atribuire și date din platformă | MMM pentru împărțirea la nivel de canal |
| Dovedirea că un canal generează vânzări înainte de a-l scala | Test de incrementalitate | MMM calibrat cu rezultatul |
| Mai puțin de un an de date, 2+ canale | Test de lift, plus MMM citit ca orientativ | MMM standard când ajungi la 2–3 ani |
| Cheltuieli pe media offline (TV, tipar, podcasturi) | MMM | Test de reținere geografică |
| Licitezi pe propriul nume de brand | MMM plătit-către-organic sau test cu pauză de brand | Analiza golurilor din termenii de căutare |
Instrumente MMM: open source și găzduite
Instrumentele MMM se împart în două grupuri: biblioteci open-source gratuite pe care le rulezi singur și produse găzduite care rulează un model pentru tine. Cele trei opțiuni open-source principale sunt Meridian de la Google, Robyn de la Meta și PyMC-Marketing; sunt gratuite, dar cer Python sau R, pregătirea datelor și verificări ale modelului. Instrumentele găzduite schimbă un abonament pe configurare, conectori și o interfață.
| Instrument | Tip | Ce spune propriul site (la noiembrie 2026) |
|---|---|---|
| Google Meridian | Open source, Python | MMM bayesian cu suport geografic; lansat pentru toată lumea pe 29 ianuarie 2025; un Scenario Planner fără cod a urmat în februarie 2026 |
| Meta Robyn | Open source, R (API Python în beta) | Pachet MMM „experimental” de la Meta Marketing Science; regresie ridge cu căutare evolutivă a hiperparametrilor; licență MIT |
| PyMC-Marketing | Open source, Python | MMM bayesian cu adstock, saturație, calibrare cu teste de lift și optimizarea bugetului; Apache 2.0 |
| Recast | Găzduit | MMM bayesian proprietar cu experimente GeoLift; fără preț public |
| Cassandra | Găzduit | MMM și teste de incrementalitate, fără echipă de date; 30 de zile de probă gratuită |
| MarSci | Găzduit | Rulează Meridian sau Robyn pe datele tale; cere cel puțin 1.000 € pe zi cheltuieli de marketing |
| MMM Pilot | Găzduit | Rulează Robyn fără cod; planul Starter 50 $/lună |
| AmICited | Găzduit (produsul nostru) | Rulează Meridian; modele de vânzări și plătit-către-organic; planurile Premium și Enterprise |
Pentru o comparație directă a celor două motoare open-source mari, vezi Google Meridian vs Robyn.

MMM în AmICited
AmICited este produsul nostru. Media Marketing Mix (MMM) rulează pentru tine un model bayesian pe Google Meridian, fără cod. Alegi un rezultat, cum ar fi veniturile magazinului din Shopify sau WooCommerce, achizițiile GA4 sau orice conversie GA4, și canale din cinci platforme de reclame conectate, plus costuri personalizate pentru orice altceva.

Ce adaugă față de rularea Meridian pe cont propriu este configurarea și modelul plătit-către-organic: setează rezultatul pe traficul organic din Search Console, Bing sau GA4 și estimează cum schimbă căutarea plătită clicurile organice în timp. Rezultatele includ contribuții cu intervale credibile de 90%, curbe de răspuns de la zero la de trei ori cheltuielile curente, unde au cel mai mare efect următoarele 1.000 și cea mai bună împărțire a bugetului curent.
Limitele sale sunt reale. Este disponibil doar în planurile Premium și Enterprise, cu o taxă pentru pachetul de model. Un model standard are nevoie de 164 de săptămâni complete; cu 24 sau mai multe rulează într-un mod cu istoric limitat, ale cărui recomandări sunt etichetate doar orientative. ROI este venit, nu profit. Și, ca orice MMM, estimează din istoric; nu înlocuiește un test de lift.
Ce faci acum
- Listează-ți canalele și istoricul. Numără săptămânile de date complete de cheltuieli și rezultate pe care le ai pentru fiecare canal. Sub doi ani înseamnă rezultate orientative.
- Repară mai întâi datele de intrare. Completează golurile de cheltuieli, marchează promoțiile și schimbările de preț și verifică dacă veniturile magazinului și atribuirea veniturilor se potrivesc la totaluri.
- Compară afirmațiile platformelor cu comenzile reale. Folosește Meta Attribution Reality sau propriul export din magazin ca să vezi cât se abat cifrele platformelor.
- Antrenează un prim model. Rulează singur Meridian, Robyn sau PyMC-Marketing ori un instrument găzduit, cum ar fi Media Marketing Mix de la noi.
- Acționează pe mROI și intervale. Mută buget doar unde randamentul marginal este clar mai mare și intervalul nu cuprinde zero.
- Testează cel mai mare pariu. Rulează un test de lift sau o reținere geografică pe cel mai mare canal și calibrează modelul cu el.
- Verifică plătitul față de organic. Revezi termenii de căutare pentru care plătești fără o pagină organică în Paid-Proven Gaps și modelează dacă căutarea plătită stimulează sau înlocuiește clicurile organice.
Concluzia
Marketing mix modeling este singura dintre cele trei metode principale de măsurare care acoperă toate canalele deodată fără a urmări utilizatori. Are nevoie de doi până la trei ani de date săptămânale, cheltuieli variate și date de intrare oneste, și returnează estimări cu intervale, nu fapte. Folosește-l pentru a împărți bugetul, folosește testele de lift pentru a-l verifica și citește randamentul următorului ban, nu pe cel mediu.

