VNG GS9 · Marketing Mix Modeling · Dynamic Guidebook · 2026

Marketing Mix Modeling

Từ dữ liệu marketing và hành vi trong game đến quyết định phân bổ ngân sách: một cẩm nang trực quan và tương tác để hiểu cách MMM đo lường tác động, kiểm định mô hình và đánh giá các kịch bản đầu tư.

CHƯƠNG 01

MMM (Marketing Mix Modeling) là gì, tại sao chúng ta lại cần nó?

ĐỊNH NGHĨA CỐT LÕI

MMM là Methodology (phương pháp luận) ước lượng tác động của marketing lên business result

Thay vì phụ thuộc vào các mô hình phân bổ điểm chạm như Last-click Attribution, vốn đang dần mất tính chính xác vì Apple ATT iOS 14.5, third-party cookie và các giới hạn tracking, MMM nhìn vấn đề ở cấp vĩ mô hơn. Đây là một phương pháp đo lường vĩ mô (Macro-level Measurement), không cần theo dõi từng user để biết marketing đang tạo impact thế nào.

MMM sử dụng dữ liệu tổng hợp (Aggregate Data) như spend theo kênh, doanh thu, conversion, promotion, seasonality, giá và bối cảnh thị trường để chạy hồi quy thống kê. Từ đó model ước lượng tỷ lệ đóng góp (Channel Contribution) của từng kênh truyền thông như Digital, OOH, PR, Community... vào tổng business result.

Output sau khi chạy model không chỉ là ROAS/ROI của campaign. MMM giúp trả lời kênh nào thật sự đóng góp, nếu đổi budget hoặc media mix thì KPI dự kiến thay đổi thế nào, và ngân sách nên được phân bổ lại ra sao.

MMM cho phép bạn chẩn đoán, predict và allocation giữa các media channel và marketing activities dựa trên đóng góp của chúng đối với Business.

Kênh media và hoạt động marketing đang đóng góp gì, bao nhiêu, và bằng cách nào vào business?
▶
Understanding Marketing Effectiveness

Hiểu mức đóng góp thật của từng kênh, campaign hoặc marketing activity vào business result.

Phân bổ media budget hiện tại đã hợp lý chưa?
▶
Budget Allocation Optimization

Tính toán mức chi cần thiết và cách phân bổ budget hiệu quả hơn để đạt business goal.

Có bằng chứng nào để hỗ trợ strategy và media plan sắp tới?
▶
Business Results Simulation

Mô phỏng KPI/business result dự kiến khi đổi strategy, media mix hoặc kế hoạch ngân sách.

Marketing Mix Modeling ra đời từ khi nào?

MMM không phải trend mới: nó phát triển từ tư duy Marketing Mix, 4P và các mô hình đo lường doanh số từ thập niên 1960; hiện nay quay lại mạnh hơn nhờ dữ liệu tổng hợp, AI/ML và bối cảnh privacy-first.

1948 · Marketing MixJames Culliton mô tả marketer như người phối trộn nhiều hoạt động để tạo kết quả kinh doanh.
1953 · Neil BordenNeil Borden định hình rõ khái niệm Marketing Mix, đặt nền cho tư duy đo nhiều đòn bẩy cùng lúc.
1960 · 4PE. Jerome McCarthy hệ thống hóa thành Product, Price, Place, Promotion để phân loại các biến marketing.
1960-70 · MMMDoanh nghiệp bắt đầu dùng mô hình thống kê để đo tác động của marketing, đặc biệt quảng cáo, lên doanh số.
Hiện nay · AI/MLMMM hiện đại kết hợp Bayes, automation và experiments; cadence refresh phụ thuộc dữ liệu mới cùng chu kỳ ra quyết định của doanh nghiệp.

Ba công cụ MMM mã nguồn mở nổi bật: Robyn, PyMC-Marketing và Meridian

Phần dưới đây giới thiệu cách tiếp cận, điểm mạnh và giới hạn chính của từng công cụ.

Dữ liệu marketingMedia · KPI · Controls · Geo × Time
→
Công cụ MMM xử lýMỗi công cụ có một cách xây dựng mô hình khác nhau
→
Decision outputsContribution · ROI · Response · Budget
01

Meta Robyn

Search & Select

Robyn là R package MMM mã nguồn mở, khởi nguồn từ Meta.

Phù hợp khi: cần tự động khám phá nhiều cấu hình model.

Quy trình Search & Select của Meta RobynNhiều candidate models đi qua multi-objective optimization và thu hẹp thành Pareto set.M1M2M3M4M5Multi-objectiveoptimizationPareto set

Robyn thử nhiều candidate models và hyperparameters, sau đó dùng multi-objective optimization để thu hẹp thành Pareto set cho business review và model validation.

Strong

Tự động thử nhiều cấu hình model và hyperparameter, sau đó thu hẹp nhóm candidate models.

Weakness

Khó tùy biến sâu cấu trúc model như PyMC-Marketing; kết quả vẫn cần business review và validation.

Best fit

Team muốn một workflow tương đối chuẩn hóa và đi nhanh đến bước model selection.

02

PyMC-Marketing

Compose & Infer

PyMC-Marketing là thư viện Python cho Bayesian marketing analytics.

Phù hợp khi: Team data science cần tùy biến cấu trúc Bayesian.

Quy trình Compose & Infer của PyMC-MarketingCác Bayesian components được lắp thành model graph rồi thực hiện Bayesian inference.AdstockSaturationCustom PriorTrendBayesianinference

Team lựa chọn và lắp các Bayesian components thành model graph; Bayesian inference truyền uncertainty qua cấu trúc đã khai báo để tạo posterior.

Strong

Kiểm soát sâu cấu trúc Bayesian model, prior, Adstock, Saturation và uncertainty.

Weakness

Đòi hỏi nhiều modeling judgment, coding, diagnostics và maintenance nhất.

Best fit

Team data science có năng lực Bayesian và bài toán không phù hợp với cấu trúc model tiêu chuẩn.

03

Google Meridian

Pool & Update

Meridian là công cụ Bayesian MMM mã nguồn mở do Google phát triển.

Phù hợp khi: có dữ liệu Geo × Time và muốn kết hợp experimental evidence.

Quy trình Pool & Update của Google MeridianTín hiệu từ nhiều geo chia sẻ statistical strength qua hierarchical pooling và tạo posterior distribution.Geo 1Geo 2Geo 3HierarchicalpoolingPosterior

Các geo chia sẻ statistical strength qua hierarchical model nhưng vẫn giữ khác biệt thị trường; ROI priors có thể được informed by experiments trước khi tạo posterior distribution.

Strong

Kết nối geo hierarchy, uncertainty, Reach & Frequency, experimental calibration và decision outputs trong một workflow.

Weakness

Cần dữ liệu, compute và năng lực Bayesian; ít tự do hơn khi muốn tự compose model như PyMC-Marketing.

Best fit

Team có Geo × Time hoặc experimental evidence và muốn một Bayesian MMM workflow có cấu trúc rõ.

Conceptual process — simplified for learning, not a literal computational graph.

Lựa chọn của chúng ta

Vì sao chúng ta lựa chọn dùng Meridian?

Với Team GS9, chúng ta cần đi xa hơn performance report của từng campaign: kết nối hoạt động marketing với install, register, hành vi trong game và revenue theo từng thị trường, từng thời điểm.

01 · Lý thuyết

Hiểu tác động marketing

Adstock, Saturation và Bayesian MMM giúp mô hình hóa hiệu ứng kéo dài, điểm bão hòa và mức đóng góp của marketing.

→
02 · Trực quan hóa

Nhìn theo thị trường và thời gian

Geo × Time, uncertainty và response curves giúp Team nhìn thấy khác biệt giữa các thị trường và độ chắc chắn của từng ước lượng.

→
03 · Ứng dụng

Hỗ trợ quyết định ngân sách

Calibration, scenario planning và budget optimization chuyển kết quả mô hình thành các phương án phân bổ ngân sách có thể đánh giá trước.

Đây là lựa chọn phù hợp với hành trình của Team GS9, không phải công cụ tốt nhất cho mọi trường hợp. Robyn nổi bật về automation; PyMC-Marketing nổi bật về khả năng tùy biến; Meridian phù hợp khi chúng ta muốn nối dữ liệu theo thị trường và thời gian với uncertainty, calibration và budget decisions.

Additional · Thuật ngữ MMM

Tra nhanh các thuật ngữ được dùng trong phần so sánh bên trên.

Bayesian

Cách mô hình kết hợp hiểu biết ban đầu với dữ liệu để liên tục cập nhật kết quả ước lượng.

Prior

Giả định ban đầu về một giá trị trước khi mô hình quan sát bộ dữ liệu hiện tại.

Posterior

Kết quả ước lượng được cập nhật sau khi kết hợp prior với dữ liệu đã quan sát.

Uncertainty

Mức độ không chắc chắn, thường được thể hiện bằng một khoảng giá trị hợp lý thay vì một con số duy nhất.

Geo × Time

Dữ liệu được tổ chức đồng thời theo từng thị trường và từng mốc thời gian.

Hierarchical model

Mô hình học quy luật chung giữa nhiều thị trường nhưng vẫn giữ được khác biệt của từng thị trường.

Calibration

Điều chỉnh hoặc kiểm tra kết quả MMM bằng bằng chứng độc lập, chẳng hạn kết quả từ experiment.

Adstock

Cách mô hình ghi nhận ảnh hưởng quảng cáo còn kéo dài sau thời điểm chi tiêu ban đầu.

Saturation

Hiện tượng hiệu quả tăng chậm dần khi tiếp tục tăng chi tiêu cho cùng một kênh.

Hyperparameter

Giá trị được chọn trước để điều khiển cách mô hình tìm kiếm và xử lý dữ liệu.

Candidate model

Một phương án mô hình trong số nhiều cấu hình đang được thử và so sánh.

Reach & Frequency

Reach là số người được tiếp cận, còn Frequency là số lần trung bình mỗi người nhìn thấy quảng cáo.

Nguồn kỹ thuật: Google Meridian · Meta Robyn · PyMC-Marketing.

Chương 02

Làm sạch dữ liệu: Garbage in, garbage out

Trong Data có thuật ngữ nổi tiếng Garbage in, garbage out: mô hình MMM có thể logic cực kì chặt chẽ, nhưng nếu dữ liệu đầu vào bị thiếu, có điểm bất thường chưa giải thích, còn text chưa số hóa, hoặc các biến đang nằm trên thang đo quá lệch nhau, insight đầu ra vẫn sẽ sai.

Vì vậy bước đầu tiên là cleansing data: kéo tất cả biến số, kể cả dữ liệu dạng text, về cùng một hệ quy chiếu toán học có thể tính toán được; sau đó dùng các signal đã verify này đưa vào model để learning business signal chính xác nhất.

Data Cleaning Process

Kiểm tra → sửa → chạy thử → kiểm tra lại đến khi dữ liệu đủ chuẩn xác cho model.

fail re-check 01 Input data Spend, KPI, promo,seasonality, market. 02 Check quality Missing, Outlier,Format, VIF, Scaling. 03 Fix issue Điền, số hóa,gộp/tách, scale. 04 Ready check Schema · CoverageVariation · Consistency 05 Ready Sạch để sang model,validation, optimization. Re-fill Hiệu chỉnh Gộp/tách biến,imputation & scaling.

Đang kiểm tra dữ liệu đầu vào.Pipeline pass 0/5 checkpoint.

Checking
Data Cleaning Steps

Breakdown 5 bước của quy trình làm sạch: vì sao cần, làm thế nào, và dữ liệu biến đổi ra sao.

Missing Values

Missing Values (giá trị bị thiếu)

Vì sao cần bước này?

Phần mềm thống kê thường báo lỗi khi gặp ô trống. Với MMM, ô trống còn nguy hiểm hơn: nếu điền sai, model sẽ learning sai và đánh giá sai tiềm năng thật của kênh. Ví dụ Community trống có thể là tuần đó không chạy thật (= 0), cũng có thể là dữ liệu bị thiếu khi export.

Quy trình làm việc
Đảm bảo các ô data không bị bỏ trống. Trước khi fill data, hãy check kỹ ô này trống vì kênh không chạy hay vì file dữ liệu bị thiếu. Nếu là không chạy thì điền 0; nếu data bị missing thì có thể dùng mean (giá trị trung bình); nếu thiếu quá nhiều và cần giữ độ dao động của dữ liệu thì dùng stochastic regression imputation (nội suy hồi quy ngẫu nhiên).
Recommended action

Trước khi điền, chốt rõ ô trống là 0 thật hay dữ liệu bị thiếu. Nếu đoán đại, model có thể đánh giá sai kênh đang yếu, mạnh, hoặc còn bao nhiêu tiềm năng để scale.

Chương 03

Một MMM model được xây như thế nào?

Từ dữ liệu đã được làm sạch, mô hình MMM được xây dựng qua năm bước để biến dữ liệu thành những kết quả có thể giải thích. Chọn từng bước để xem mô hình nhận gì, xử lý như thế nào và tạo ra gì.

Step 01 · Assemble model input

Dataset sạch được đưa vào model như thế nào?

Dataset đã làm sạch ở Tab 01 được tổ chức thành từng observation Geo × Week để đưa vào model.

Geo × Time (thị trường × thời gian)
Market
Week
Media
KPI
Context
W01
฿120k
18.4k installs
Game event
W01
₫96m
21.1k installs
Holiday
Input từ Tab 01Media + KPI + Context đã sạch và verify.
OutputMột bảng model-ready theo Geo × Time.
Observation = Geo × Time
Additive vs Multiplicative — Mô hình Cộng hay Nhân?

Cùng dữ liệu, hai mô hình chỉ khác nhau ở một điểm: có tính cộng hưởng giữa các kênh hay không.

· bật để chuyển từ mô hình Cộng sang Nhân
Mô hình Cộng — các kênh độc lập150
Mô hình Nhân — các kênh cộng hưởng150
Mô hình Cộng không bao giờ có cộng hưởng (luôn = 150). Bật nút cộng hưởng → mô hình Nhân = 184; phần chênh +34 chính là "whole > sum of parts". Đây là khác biệt cấu trúc cốt lõi giữa hai mô hình, không chỉ là cách diễn giải.
Chương 04

Kết quả từ mô hình MMM này có đáng tin không?

Một mô hình MMM không bao giờ cho ra con số "đúng tuyệt đối". Điều marketer thực sự cần biết là: kết quả của mô hình đáng tin đến đâu để có thể dùng làm cơ sở định hướng ngân sách? Câu trả lời không nằm ở một chỉ số duy nhất mà phải dựa trên nhiều tầng bằng chứng.

Ba tầng bằng chứng để đánh giá độ tin cậy

Không có một chỉ số riêng lẻ nào đủ để kết luận mô hình có đáng tin hay không. Hãy xét lần lượt ba tầng bằng chứng, từ mạnh nhất đến yếu nhất.

01 · Mạnh nhấtThử nghiệm có đối chứng (Experiment / Geo-lift)

Thử nghiệm có nhóm đối chứng (A/B test, geo-lift) là bằng chứng mạnh nhất. Kết quả thử nghiệm giúp kiểm tra và hiệu chỉnh mức đóng góp (contribution) mà mô hình phân bổ cho từng kênh, dựa trên tác động thực tế đo được.

02 · Trung bìnhKiểm tra trên dữ liệu ngoài mẫu (holdout)

Tạm giữ lại một phần dữ liệu để kiểm tra khả năng dự báo của mô hình trên phần chưa từng được dùng để xây dựng mô hình. Tuy nhiên, dự báo khớp KHÔNG chứng minh rằng mô hình đã phân bổ đúng mức đóng góp cho từng kênh.

03 · Bổ trợKiểm tra tính hợp lý với hiểu biết thị trường

Đối chiếu kết quả với hiểu biết kinh doanh để phát hiện những con số bất thường. Kết quả bất thường là dấu hiệu cần dừng lại để điều tra, không phải lý do để bác bỏ mô hình ngay.

Hai mô hình cùng khớp lịch sử nhưng phân bổ mức đóng góp khác nhau

Cả hai mô hình khớp dữ liệu lịch sử tốt như nhau, nhưng lại phân bổ mức đóng góp (contribution) cho các kênh rất khác nhau. Chỉ có thí nghiệm mới cho biết mô hình nào phân bổ đúng.

1 Cùng khớp lịch sử như nhauCả hai mô hình đều bám sát KPI thực tế trong quá khứ.
2 Kiểm tra holdout: cả hai đều dự báo tốtTạm giữ lại dữ liệu vài tháng gần nhất để kiểm tra dự báo; cả hai vẫn cho kết quả tốt nên chưa thể phân biệt.
3 Thí nghiệm để phân xửChỉ thử nghiệm tắt Branding mới cho thấy mô hình nào phân bổ đúng mức đóng góp.
KPI thực tế Mô hình A Mô hình B
Hai mô hình tái hiện dữ liệu lịch sử giống nhau; chỉ nhìn vào đường dự báo thì không thể biết mô hình nào phân bổ đúng mức đóng góp.
Cách mỗi mô hình phân bổ 100% mức đóng góp (contribution) giữa các kênh
Mô hình A✗ Phân bổ sai mức đóng góp của Branding
Nền (baseline) Search Khác
Branding 6% · Search 28% — mô hình A cho rằng Branding gần như không đóng góp
Mô hình B✓ Phù hợp với kết quả thử nghiệm
Nền (baseline) Branding Search Khác
Branding 24% · Search 10% — mô hình B cho rằng Branding đóng góp lớn
Những dấu hiệu cảnh báo cần kiểm tra

Phát hiện một trong các dấu hiệu dưới đây không có nghĩa là phải bác bỏ mô hình ngay. Hãy dừng lại tìm nguyên nhân trước khi tin vào kết quả.

Tổng đóng góp vượt 100% hoặc phần nền (baseline) âm

Mô hình đang ghi nhận mức đóng góp của marketing lớn hơn cả tổng doanh số thực tế — một kết quả rất khó giải thích về mặt kinh doanh.

Tỷ trọng chi phí và tỷ trọng đóng góp lệch nhau bất thường

Một kênh chiếm tới 80% chi phí nhưng chỉ đóng góp 1–2% (hoặc ngược lại) mà không có lý do rõ ràng.

Mức tăng do dịp lễ hoặc khuyến mãi bị quy cho quảng cáo

Doanh số tăng do mùa vụ hoặc khuyến mãi, nhưng mô hình lại quy phần tăng này cho kênh quảng cáo tình cờ được đẩy mạnh cùng thời điểm.

Kết quả lệch xa thí nghiệm A/B hoặc geo-lift

Nếu kết quả của mô hình MMM khác xa kết quả thử nghiệm thực tế, cần kiểm tra và hiệu chỉnh mô hình dựa trên bằng chứng từ thử nghiệm.

Hãy xem xét toàn bộ khoảng kết quả, đừng bám vào một con số

Kết quả của mô hình MMM nên được đọc như một khoảng ước lượng, không phải một con số tuyệt đối. Nếu khoảng ước lượng rộng đến mức không thể phân biệt rõ các phương án ngân sách, chỉ nên dùng mô hình để định hướng thay vì phân bổ ngân sách quá chi tiết. Ngược lại, khoảng ước lượng hẹp cũng chưa đủ để kết luận mô hình đáng tin: vẫn cần kiểm tra cách mô hình hoạt động và đối chiếu với kết quả thử nghiệm.

Chương 05

Chia ngân sách thế nào?

Budget Allocation Optimization không phải là nút bấm cho ra một đáp án chắc chắn. Nó giúp trả lời câu hỏi thực tế: phần ngân sách tiếp theo nên được phân bổ vào kênh nào, dựa trên các ràng buộc như tổng ngân sách, giới hạn chi tiêu của từng kênh và mức hiệu quả tối thiểu.

Trong phần mô phỏng dưới đây, ngân sách được tính bằng $/tháng, còn kết quả là NRU (người dùng đăng ký mới) ước tính/tháng.

📈Response curveChi thêm thường làm kết quả tăng, nhưng tăng chậm dần.
🛑Bão hòaKênh từng hiệu quả cao chưa chắc nên nhận thêm tiền nếu đã tới vùng phẳng.
➕CPA cho NRU tiếp theoChi thêm để có thêm 1 NRU tốn bao nhiêu, tại mức chi hiện tại — nhìn CPA biên, không chỉ CPA trung bình.
🔀Cố định vs Linh hoạtGiữ nguyên tổng và chia lại, hay cho tổng thay đổi trong giới hạn.
🎭Kịch bản ≠ tiên triMỗi kịch bản nói rõ ĐỔI GÌ; đừng đọc như dự báo chắc chắn.
Budget Lab

Đặt ràng buộc, xem ngân sách nằm ở đâu trên response curve, rồi để công cụ gợi ý cách chuyển tiền.

$200k /th
$300k /th
$0.25 /NRU
Dừng chi khi thêm 1 NRU tốn hơn $0.25 (CPA biên vượt ngưỡng).
Phân bổ theo kênh (🔒 = khóa, không cho công cụ đụng)
Đang dùng$200k / $200k /th
Ngân sách nằm ở đâu trên response curve từng kênh
Kết quả ước tính theo mô hình
0 NRU/th
Ước tính khi giữ nguyên các yếu tố khác, trong 1 tháng. Đây không phải con số chắc chắn và phụ thuộc trần/sàn/khóa/ngưỡng bạn đặt.
Mỗi bước ưu tiên kênh có CPA cho NRU tiếp theo thấp hơn (thêm 1 NRU rẻ hơn), trong các giới hạn bạn đặt. Đây là một phương án gợi ý, không phải phương án tốt nhất được bảo đảm.
Business scenario — mỗi kịch bản nói rõ đổi gì
Chương 06

Quản lý rủi ro: khi nào MMM có thể dẫn đến quyết định sai

MMM là công cụ mạnh, nhưng trong một số trường hợp, mô hình có thể ước tính sai mức đóng góp của từng kênh hoặc đưa ra khuyến nghị thiếu chắc chắn, dù đường dự báo vẫn có vẻ hợp lý. Vì vậy, điều quan trọng là nhận diện sớm các rủi ro, kiểm tra kết quả cẩn thận và không phụ thuộc tuyệt đối vào một con số duy nhất.

Risk Radar

Chọn một rủi ro để soi 3 lớp: dữ liệu gặp vấn đề gì → kết luận nào dễ bị hiểu sai → cách kiểm soát.

🔴 Vấn đề dữ liệu

⚠️ Kết luận dễ hiểu sai

✅ Hành động đúng

3 nguyên tắc khi dùng MMM cho quyết định
⚖️Nhân quả cần bằng chứng thực nghiệm

MMM tìm các mối quan hệ trong dữ liệu quá khứ; bản thân mô hình không chứng minh được quan hệ nhân quả. Trước quyết định lớn như cắt hoặc nhân đôi ngân sách một kênh, cần dùng experiment và hiểu biết kinh doanh để kiểm chứng.

🔄Dùng dữ liệu đủ mới, refresh khi bối cảnh đổi

Khi chiến lược, sản phẩm, thị trường hoặc tracking thay đổi, hay khi mức chi vượt xa lịch sử, khuyến nghị từ dữ liệu cũ sẽ kém chắc chắn hơn. Hãy bổ sung dữ liệu mới và refresh mô hình. Cửa sổ 2–3 năm chỉ là guardrail tham khảo, không phải quy tắc cố định cho mọi ngành.

🧮KPI cộng dồn được và phản ánh mục tiêu cuối

KPI nên là số đếm cộng dồn được theo thời gian và phản ánh mục tiêu cuối, như lượt cài đặt hoặc đơn hàng. Không dùng các tỷ lệ như CTR, conversion rate hoặc retention % làm KPI cho mô hình.

Click là số đếm nhưng vẫn là chỉ số giữa funnel — cần thận trọng nếu dùng làm KPI chính, vì nó có thể chỉ là bước trung gian, không phải mục tiêu cuối.