MMM и Meridian 2026: измерение рекламы без cookies

Кампания приносит 400 конверсий по отчёту Google Ads, GA4 показывает 310, а в CRM за тот же месяц пришло 260 сделок. Вы поднимаете бюджет на 30% — конверсий в кабинете становится 520, а сделок в CRM по-прежнему 265. Знакомая картина? Это не баг трекинга. Это предел того, что вообще может показать атрибуция по клику: она распределяет уже случившиеся конверсии между каналами, но не отвечает на вопрос «сколько из них не случилось бы без рекламы».

Ответ на этот вопрос дают два инструмента: эксперименты и MMM и Meridian — эконометрическое моделирование медиамикса и открытый фреймворк Google, который это моделирование выполняет. В 2026 году Google открыл Meridian для всех и встроил его в Analytics 360, и порог входа в MMM упал с «команда аналитиков и полгода» до «аналитик, Python и пара недель». Разберём, как это работает, какие данные нужны, где MMM врёт и когда его вообще не стоит запускать.

Почему атрибуция по клику перестала справляться

Атрибуция отвечает на вопрос «кому записать конверсию». Инкрементальность отвечает на вопрос «а была бы эта конверсия без рекламы». Это разные вопросы, и в 2026 году разрыв между ответами вырос до неприличных размеров по нескольким причинам:

Согласия. В ЕС до половины визитов приходит без разрешения на аналитические cookie. Часть конверсий восстанавливается моделированием, часть теряется навсегда — подробности в разборе Consent Mode v2 и приватности рекламы.
Кросс-девайс и кросс-браузер. Пользователь увидел ролик на телевизоре, погуглил с телефона, купил с рабочего ноутбука. Для платформы это три разных человека.
Отложенный эффект. Google в 2026 году признал, что только около 40% конверсий Demand Gen происходят в первые 30 дней. Стандартное окно конверсии просто не видит остальные 60%.
Брендовый эффект. Видеореклама не даёт кликов, но повышает количество брендовых запросов — и заслуга уходит в поиск по бренду.
Офлайн. Розница, звонки, дилеры, маркетплейсы — там пиксель не стоит в принципе.

Итог: чем больше каналов и чем длиннее цикл сделки, тем сильнее платформенная атрибуция расходится с деньгами. Не потому, что кто-то врёт, а потому, что она физически не может измерить то, чего не видит.

Что такое MMM и чем Meridian отличается от классического подхода

Marketing Mix Modeling — это статистическая модель, которая берёт агрегированные ряды (расходы, показы, охват по каналам, по неделям, по регионам) и внешние факторы (сезонность, цены, промо, погода, конкуренты, праздники) и оценивает, какой вклад в продажи внёс каждый канал. Никаких пользовательских идентификаторов — только суммы. Отсюда главное свойство: MMM не ломается от отказа в cookie, потому что он их и не использовал.

Классический MMM был дорогим: агентство, свой чёрный ящик, отчёт раз в квартал, невозможность проверить методику. Meridian меняет три вещи:

Открытый код. Meridian — это опенсорс-фреймворк Google на Python (поддерживаются версии 3.11–3.13). Модель можно поднять у себя, посмотреть на каждое допущение и переиспользовать на следующем квартале.
Байесовский вывод. Вместо одной «точки истины» вы получаете распределение — то есть не «ROI канала = 3,2», а «ROI канала с 90% вероятностью лежит между 2,1 и 4,4». Для решений о бюджете это честнее.
Гео-разрез. Meridian рассчитан на данные по регионам, а не только по стране целиком. Каждый регион — это отдельное наблюдение, поэтому за один и тот же календарный период модель получает в десятки раз больше данных и различает эффекты, которые на национальном уровне тонут в шуме.

Отдельно стоит понимать техническую сторону: модель использует MCMC-сэмплирование (NUTS), это ресурсоёмко. Референсная конфигурация — машина с GPU уровня T4 и 16 ГБ памяти. На ноутбуке модель тоже соберётся, но считаться будет часами.

Что изменилось в 2026: MMM и Meridian внутри Analytics 360

На Google Marketing Live 2026 Meridian из «библиотеки для аналитиков» превратился в продукт: модель встроили прямо в Analytics 360. Что это даёт на практике:

Возможность	Что это значит для байера
Интеграция с GA4-сигналами	Не нужно вручную собирать ряды по конверсиям и расходам Google-каналов — они подтягиваются из аккаунта
Внешние каналы в одном интерфейсе	Расходы по TikTok, Pinterest, Snap и прочим источникам подключаются в ту же модель — можно сравнивать каналы между собой
Сценарное планирование	Модель отвечает на вопрос «что будет с продажами, если перекинуть 20% бюджета из канала A в канал B»
Тариф	Интеграция доступна только в платном Analytics 360; на бесплатном GA4 её нет

Если бюджета на Analytics 360 нет — это не приговор: опенсорс-версия Meridian остаётся бесплатной, просто данные придётся собирать самому. Многие делают это через выгрузку Google Ads в BigQuery: там уже лежат ежедневные расходы, показы и конверсии в разрезе кампаний и регионов — остаётся агрегировать до недель и добавить внешние источники.

Три метода измерения: их надо не выбирать, а складывать

Главная ошибка — считать, что MMM «заменяет» атрибуцию. Он её не заменяет. У трёх методов разные сильные стороны, и зрелая система измерения использует все три одновременно.

Метод	На что отвечает	Скорость	Слабое место
Атрибуция (Google Ads, GA4)	Какая кампания/ключ/креатив сработали	Часы	Не отделяет инкремент от органики; слепа к офлайну и просмотрам
Гео-эксперименты и holdout	Сколько конверсий реально добавил канал	2–6 недель	Дорого по трафику, нельзя тестировать всё сразу
MMM (Meridian)	Как распределить бюджет между каналами и сколько дать каждому	Недели на сборку, потом обновления	Не работает на уровне ключей и объявлений; нужен длинный ряд данных

Рабочая схема на практике выглядит так: MMM задаёт стратегическую рамку («сколько денег в поиск, сколько в видео, сколько в соцсети»), эксперименты калибруют модель и проверяют её выводы на конкретных каналах, а атрибуция управляет тактикой внутри канала — ставками, ключами, аудиториями. Если вы ещё не запускали холдаут-тесты, начните с них: это дешевле и быстрее, чем строить модель. Логика и математика подробно разобраны в материале про инкрементальность и гео-эксперименты.

Какие данные нужны для MMM

Это самый недооценённый этап. 80% времени первого запуска уходит не на модель, а на сборку данных. Минимальный набор:

Данные	Гранулярность	Глубина (ориентир)
Целевая метрика (выручка, заказы, квалифицированные лиды)	Неделя × регион	Не меньше 2 лет; 3 года лучше
Медиарасходы по каждому каналу	Неделя × регион	Тот же период, без пропусков
Показы / охват / частота	Неделя × регион	Обязательно для видео и охватных каналов
Контрольные переменные: цена, промо, сезонность, праздники, наличие товара	Неделя	Тот же период
Результаты прошлых экспериментов	По каналу	Для калибровки приоров

Цифры глубины — ориентир, а не жёсткое правило: на длинном цикле сделки и сильной сезонности нужно больше, при широкой гео-разбивке можно обойтись меньшим сроком, потому что регионов много. Практический ориентир простой: модели нужно увидеть достаточно вариаций бюджета. Если вы весь год тратили ровно одинаково во всех регионах, никакая математика не вытащит из этих данных ответ, что будет при другом бюджете.

Как запустить первую модель: 7 шагов

Определите зависимую переменную. Не «конверсии из кабинета», а бизнес-результат: выручка или подтверждённые заказы из CRM/ERP. Если считаете лиды — берите квалифицированные, иначе модель оптимизирует бюджет под мусор.
Соберите панель. Одна строка = регион × неделя. Все каналы в столбцах, все контрольные переменные рядом. Пропуски заполняются нулями только там, где расхода действительно не было.
Проверьте разрезы на совместимость. Регионы в CRM и в рекламных кабинетах должны совпадать. Обычно это самая трудоёмкая часть: где-то области, где-то DMA, где-то города.
Задайте приоры. Это ключевое преимущество байесовского подхода: если у вас есть результаты гео-теста по каналу, вы передаёте его в модель как априорное знание. Модель будет отталкиваться от факта, а не от случайного числа.
Обучите модель и проверьте сходимость. Смотрите на диагностику MCMC (R-hat) и на ошибку на отложенном периоде. Модель, которая идеально описывает прошлое, но промахивается на holdout, бесполезна.
Прочитайте кривые насыщения. Главный практический выход MMM — не «ROI канала», а форма кривой: с какого уровня расхода канал перестаёт отдавать. Именно она отвечает на вопрос, куда переложить следующие 10% бюджета.
Проверьте вывод экспериментом. Модель сказала, что видео недооценено на 40%? Проведите гео-тест именно на видео и посмотрите, совпало ли. Не совпало — правьте модель, а не реальность.

MMM без калибровки экспериментами — это красивое мнение, а не измерение. Байесовская модель уверенно выдаёт цифру даже там, где данных не хватает; отличить её обоснованный вывод от угадывания можно только проверкой на реальном тесте.

Пять ошибок, которые убивают первый MMM

Слишком много каналов при коротком ряде. 15 каналов на 80 недель данных — модель начнёт перераспределять эффект между сильно скоррелированными строками и выдаст противоречивые результаты. Объединяйте мелкие каналы в группы.
Игнорирование цены и промо. Если вы делали скидку 20% в те же недели, когда лили больше трафика, модель припишет весь всплеск рекламе.
Одинаковый бюджет во всех регионах. Нет вариации — нет вывода. Специально расшатывайте бюджет по регионам: это не потеря денег, а инвестиция в измеримость.
Использование MMM для тактики. Модель не скажет, какой ключ отключить или какой креатив лучше. Для этого есть отчёты кабинета и эксперименты в Experiment Center.
Разовый запуск. Модель, посчитанная один раз, устаревает за квартал. Планируйте регулярное обновление и следите, как меняются кривые насыщения.

Новые метрики Google 2026: QFC и брендовые запросы

Параллельно с Meridian Google выкатил две метрики, которые закрывают часть той же проблемы прямо в кабинете:

Qualified Future Conversions (QFC) — прогнозная метрика на базе Gemini: модель оценивает конверсии, которые произойдут в течение 180 дней после взаимодействия с рекламой. В отчётах появляются три столбца: сами прогнозные конверсии, цена за них и их коэффициент. На момент анонса метрика была в ограниченном пилоте с расширением бета-доступа позже в 2026 году. Смысл прямой: у Demand Gen и видео большая часть эффекта лежит за пределами стандартного окна, и без прогноза эти кампании выглядят убыточными.
Attributed Brand Searches — постоянно работающая метрика брендовых запросов, вызванных кампаниями (в первую очередь YouTube). Раньше для этого приходилось запускать отдельное brand lift исследование, теперь сигнал доступен непрерывно.
Атрибуция по типам кампаний — возможность отделить вклад Demand Gen от Performance Max и поиска, не смешивая их дедупликацией. Это, кстати, напрямую помогает в разборе каннибализации кампаний между PMax и Search — когда непонятно, кто у кого забирает конверсии.

Важная оговорка: QFC — это прогноз модели, а не факт. Использовать его как единственное основание для увеличения бюджета в разы не стоит; это дополнительный сигнал, который нужно сверять с реальными продажами в CRM.

Разбор на цифрах: как выглядит вывод модели

Чтобы было понятно, что именно вы получите на выходе, разберём условный пример. Ниже — типичная сводка по пяти каналам за квартал: расход, средний ROI по модели с интервалом и предельный ROI, то есть отдача следующего вложенного доллара.

Канал	Расход за квартал	Средний ROI (интервал)	Предельный ROI	Что делать
Брендовый поиск	$60 000	8,4 (6,9–10,1)	1,1	Не наращивать: канал насыщен, средняя отдача высокая только потому, что спрос уже сформирован
Небрендовый поиск	$210 000	3,1 (2,6–3,7)	2,4	Наращивать умеренно, пока предельный ROI выше порога окупаемости
Performance Max	$180 000	2,8 (1,9–3,9)	2,1	Широкий интервал — сначала проверить экспериментом, потом решать
YouTube	$70 000	1,9 (0,8–3,4)	1,8	Кандидат на рост: канал далёк от насыщения, но интервал требует теста
Нативная реклама	$40 000	0,7 (0,2–1,4)	0,6	Сокращать или менять размещения

Три вывода, которые из этой таблицы делает грамотный медиапланер, и три, которые делать нельзя:

Смотреть на предельный, а не на средний ROI. Брендовый поиск с ROI 8,4 выглядит лучшим каналом в аккаунте, но следующий доллар в него принесёт всего 1,1 — потому что вы и так забираете почти весь брендовый спрос. Решения о бюджете принимаются по предельной отдаче.
Читать ширину интервала как меру доверия. У YouTube интервал 0,8–3,4 — это честное «мы не знаем точно». Такой канал сначала тестируют, а не масштабируют втрое.
Сравнивать каналы по одной метрике. Модель специально приводит все каналы к одной шкале — в этом её ценность против сравнения отчётов разных кабинетов, где у каждого своя атрибуция.
Нельзя переносить вывод по каналу на конкретную кампанию внутри него: модель не различает кампании.
Нельзя действовать по одной цифре без интервала — точечная оценка без разброса скрывает неопределённость.
Нельзя считать, что при переносе бюджета отдача сохранится: кривые насыщения нелинейны, и удвоение бюджета почти никогда не даёт удвоения результата.

Организационная часть: кто владеет моделью

Технически MMM собирается за несколько недель. Проваливается он обычно не по технике, а по процессу — модель считают один раз, показывают на совещании и забывают. Чтобы этого не произошло, полезно закрыть четыре вопроса ещё до старта:

Кто владелец. У модели должен быть один ответственный, который отвечает за данные, обновления и интерпретацию. Если владельцев нет или их трое — модель умрёт после первого квартала.
Как выводы попадают в план. Договоритесь заранее, что квартальное планирование бюджета опирается на кривые насыщения, а не на прошлогодние доли. Иначе модель останется красивой презентацией.
Что делаем при конфликте с кабинетом. Правило простое: расхождение не спор, а гипотеза, которая проверяется экспериментом. Заранее определите, кто и как этот эксперимент запускает.
Какой минимум экспериментов держим постоянно. Разумный ориентир — один-два гео-теста в квартал по крупнейшим каналам. Это и калибровка модели, и страховка от системной ошибки.

Отдельно стоит заранее договориться про горизонт. MMM показывает эффект на длинном окне, а команда байинга живёт недельными отчётами. Если внутри компании эти два горизонта не разведены, любые выводы модели будут перебиваться недельным шумом и решениями «по вчерашнему CPA».

Когда MMM не нужен

Честный раздел, которого обычно нет в статьях про MMM. Не запускайте моделирование, если:

Бюджет меньше нескольких десятков тысяч долларов в месяц. Эффект каналов утонет в шуме, а трудозатраты не окупятся. Начните с гео-холдаутов и нормальной сквозной аналитики.
Один канал. Модель медиамикса без микса — это просто дорогой способ описать сезонность. Здесь достаточно эксперимента on/off.
Нет истории. Аккаунту три месяца — данных на модель физически нет. Соберите ряд, а пока разберитесь с базовой гигиеной: дублями конверсий и качеством трекинга.
Данные в CRM грязные. Модель, обученная на неверной целевой метрике, даст уверенно неверный ответ. Сначала данные — потом модель.

В этих случаях гораздо больше денег принесёт наведение порядка в самом аккаунте — от структуры кампаний до расчёта предельной цены клика по юнит-экономике. Если по этой части нужен внешний взгляд, у нас есть обучение работе с Google Ads и разбор аккаунта на консультации.

Чек-лист внедрения

Зафиксировать бизнес-метрику, по которой считаем эффект, и убедиться, что она чистая.
Собрать панель «регион × неделя» минимум за два года.
Свести гео-разрезы CRM и рекламных кабинетов к одному справочнику.
Провести хотя бы один гео-эксперимент до модели — он даст приоры.
Поднять Meridian (опенсорс или через Analytics 360) и обучить базовую модель.
Проверить сходимость и ошибку на отложенном периоде.
Прочитать кривые насыщения и составить сценарий перераспределения бюджета.
Проверить главный вывод модели отдельным экспериментом.
Поставить обновление модели в календарь — раз в квартал.
Не трогать тактику внутри канала по выводам MMM — для этого есть кабинет.

Дальше — то, что обычно спрашивают после первого прочтения.

FAQ: MMM и Meridian

Meridian бесплатный?

Сам фреймворк — да, это открытый код на Python. Платить придётся за вычисления (машина с GPU) и за время аналитика. Интеграция Meridian в Analytics 360 доступна только на платном тарифе Analytics 360, на бесплатном GA4 её нет.

Сколько данных нужно минимум?

Ориентир — два года недельных данных, лучше три. Но важнее не срок, а вариативность: если бюджеты не менялись, длинный ряд не поможет. При гео-разрезе требования к длине ряда ниже, потому что каждый регион добавляет наблюдения.

Можно ли обойтись национальными данными без регионов?

Можно, Meridian это поддерживает, но точность падает. Гео-разрез — главный источник статистической мощности модели, поэтому если у вас есть данные по регионам, используйте их.

MMM заменит GA4 и отчёты Google Ads?

Нет. MMM работает на уровне каналов и недель, он не видит ключевые слова, объявления и аудитории. Тактика по-прежнему живёт в кабинете и в GA4.

Насколько результаты MMM точны?

Байесовская модель выдаёт не точку, а интервал. Правильное прочтение — «ROI канала с высокой вероятностью в диапазоне X–Y». Если интервал очень широкий, значит данных не хватило, и решение на этой основе принимать рано.

Чем MMM отличается от инкрементальных гео-тестов?

Тест измеряет один канал в один период, но делает это почти без допущений — это ближе всего к эксперименту. MMM охватывает все каналы сразу, но опирается на модельные допущения. Поэтому их используют вместе: тест калибрует модель.

Что делать, если MMM противоречит отчёту Google Ads?

Это нормально и ожидаемо: они отвечают на разные вопросы. Разрыв обычно означает, что часть конверсий в кабинете не инкрементальна (например, брендовый трафик, который пришёл бы и так). Проверять расхождение нужно экспериментом, а не спором с отчётом.

Нужен ли для Meridian дата-инженер?

Для сборки панели — почти всегда да, хотя бы на старте. Модель запускается несколькими командами, а вот сведение расходов, регионов и продаж в один согласованный ряд — это инженерная работа.

Что такое Qualified Future Conversions простыми словами?

Это прогноз Google о конверсиях, которые случатся в течение 180 дней после контакта с рекламой. Метрика нужна там, где эффект отложенный: по данным Google, только около 40% конверсий Demand Gen происходят в первые 30 дней.

Как часто пересчитывать модель?

Раз в квартал — разумный ориентир для большинства. Внеочередной пересчёт имеет смысл после крупных изменений: смены ассортимента, выхода на новые рынки, резкой смены структуры бюджета.

С чего начать, если бюджета на всё это нет?

С одного гео-холдаута по самому большому каналу и с чистки трекинга. Это даст 80% пользы за 5% усилий. MMM имеет смысл, когда каналов много и бюджет уже большой.

Если задача не в измерении, а в том, чтобы стабильно запускать трафик и не терять кабинеты на ровном месте — посмотрите наши агентские аккаунты Google Ads и верификацию рекламных аккаунтов: без стабильной открутки любые модели измерения бессмысленны.

MMM и Meridian в 2026: как измерять рекламу, когда атрибуция по клику врёт