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 mức đóng góp của marketing vào 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 ước lượng kênh nào 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
Ước lượng mức đóng góp 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 cơ sở 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 ước lượng đóng góp 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.
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 từ Meta, tự động hóa việc tìm kiếm mô hình tối ưu.
Phù hợp khi: Cần thử nghiệm tự động nhiều cấu hình mô hình khác nhau.
Robyn tự động chạy thử hàng ngàn phương án mô hình khác nhau (dò siêu tham số hyperparameters), sau đó dùng thuật toán tối ưu đa mục tiêu để lọc ra danh sách các mô hình tốt nhất (Pareto set) cân bằng giữa độ chính xác và tính thực tế kinh doanh.
Strong
Tự động chạy thử hàng ngàn kịch bản và tự lọc ra danh sách các mô hình tốt nhất mà người dùng không cần phải tùy chỉnh thủ công.
Weakness
Khó điều chỉnh sâu công thức theo bài toán riêng; thuật toán tự động trả về nhiều kịch bản dễ gây hoang mang nếu không có chuyên gia chọn lựa.
Best fit
Team Marketing muốn làm nhanh, cần quy trình chuẩn hóa tự động từ A đến Z để có ngay báo cáo tham khảo.
02
PyMC-Marketing
Compose & Infer
Thư viện Python mã nguồn mở mạnh về phân tích Marketing dựa trên xác suất Bayes (Bayesian Analytics).
Phù hợp khi: Team Data Science muốn tự do thiết kế cấu trúc mô hình riêng.
Cho phép lập trình viên tự ghép nối từng khối linh kiện (Adstock, Saturation, Trend, Priors). Sau đó, mô hình chạy thuật toán suy luận Bayes (Bayesian inference) để kết hợp dữ liệu thực tế với các giả định ban đầu, từ đó tính ra phân bổ tác động và khoảng biến động (Posterior & Uncertainty).
Strong
Tự do tự tại 100% trong việc lắp ghép công thức toán, cho phép tùy chỉnh mọi giả định bão hòa và độ trễ quảng cáo theo đúng đặc thù sản phẩm.
Weakness
Đòi hỏi kỹ sư Data Science chuyên sâu phải giỏi cả lập trình Python lẫn thống kê nâng cao để tự viết code và kiểm thử từ đầu.
Best fit
Team Data Science lớn muốn tự xây dựng một hệ thống đo lường độc quyền, thiết kế riêng cho mô hình kinh doanh của công ty.
03
Google Meridian
Pool & Update
Framework MMM thế hệ mới mã nguồn mở do Google phát triển, tích hợp suy luận Bayes và phân tích khu vực.
Phù hợp khi: Cần phân tích theo Tỉnh/Khu vực (Geo × Time) và calibrating với A/B Test.
Mô hình phân cấp (Hierarchical model) giúp các thị trường/tỉnh nhỏ chia sẻ dữ liệu với toàn quốc để tăng độ chính xác nhưng vẫn giữ khác biệt từng địa phương. Đồng thời nạp kết quả thử nghiệm thực tế (Incrementality Experiments) làm giả định ban đầu (Priors) để cập nhật ra kết quả cuối cùng (Posterior).
Strong
Phân tích chi tiết theo từng Tỉnh/Khu vực (Geo × Time), nạp được kết quả thử nghiệm A/B Test thực tế để "nắn" mô hình chuẩn xác, tích hợp sẵn công cụ gợi ý phân bổ ngân sách.
Weakness
Đòi hỏi dữ liệu đầu vào phải cực kỳ chuẩn chỉ theo tuần/khu vực và máy tính đủ mạnh; khung dựng sẵn nên ít tự do đổi công thức lõi như PyMC.
Best fit
Doanh nghiệp triển khai marketing trên nhiều thị trường hoặc khu vực, muốn kết hợp số liệu thử nghiệm thực tế (A/B Test) để tối ưu hóa ngân sách sát với thực tế nhất.
Sơ đồ khái niệm được đơn giản hóa nhằm mục đích minh họa trực quan, không đại diện cho đồ thị tính toán chi tiết trong mã nguồn.
Lựa chọn của Marketing Team
Vì sao Marketing Team 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 nhất cho bài toán của Marketing Team, không phải công cụ tốt nhất cho mọi trường hợp. Meta Robyn mạnh về tự động hóa; PyMC-Marketing mạnh về khả năng tùy biến công thức; trong khi Google Meridian là sự kết hợp hoàn hảo khi Marketing Team cần phân tích dữ liệu theo Tỉnh/Khu vực, nạp kết quả thử nghiệm thực tế để kiểm chứng và hỗ trợ tối ưu phân bổ ngân sách.
Additional · Thuật ngữ MMM
Giải thích các khái niệm kỹ thuật theo ngôn ngữ kinh doanh & ẩn dụ thực tế.
Bayesian (Tư duy Bayes)
Cách học giống con người: Bắt đầu bằng kinh nghiệm ban đầu (Prior), sau đó khi có thêm dữ liệu thực tế thì liên tục cập nhật lại kết luận (Posterior).
Prior (Giả định ban đầu)
Kinh nghiệm hoặc niềm tin có sẵn trước khi chạy mô hình (ví dụ: kết quả A/B Test cũ hoặc chuẩn ngành) để làm mốc định hướng cho máy tính.
Posterior (Kết quả sau khi học)
Con số kết luận cuối cùng của mô hình sau khi đã dung hòa giữa Kinh nghiệm ban đầu (Prior) và Dữ liệu thực tế vừa nạp vào.
Uncertainty (Khoảng an toàn)
Thay vì đưa ra 1 con số cố định, mô hình đưa ra một khoảng biến động hợp lý (VD: ROI từ 1.8 đến 2.4) phản ánh độ tin cậy của dự đoán.
Geo × Time (Thị trường × Thời gian)
Cách tổ chức dữ liệu chia nhỏ đồng thời theo từng Tỉnh/TP và từng Tuần/Ngày (VD: Doanh thu & Chi tiêu Marketing tại Hà Nội Tuần 1, TP.HCM Tuần 1...).
Hierarchical Model (Mô hình Phân cấp)
Cơ chế "mượn sức mạnh": Các tỉnh nhỏ thiếu dữ liệu được "học ké" xu hướng chung toàn quốc để tính chính xác hơn mà không mất đặc thù địa phương.
Calibration (Đối chiếu thực nghiệm)
"Nắn" lại mô hình MMM bằng các cuộc thử nghiệm thực tế (Geo-experiment / A/B Test), đảm bảo mô hình không dự đoán trên lý thuyết suông.
Adstock (Hiệu ứng Dư âm)
Khách hàng xem quảng cáo hôm nay nhưng tuần sau mới mua hàng. Adstock đo lường độ phân rã và ảnh hưởng kéo dài của quảng cáo qua thời gian.
Saturation (Điểm bão hòa)
Lợi suất giảm dần: Đổ 100tr thu về 1,000 khách, nhưng đổ thêm 100tr nữa chỉ thu về 300 khách vì thị trường đã chớm bão hòa tiếp cận.
Hyperparameter (Nút vặn cấu hình)
Các thông số do lập trình viên thiết lập trước (như tốc độ quên quảng cáo, độ bão hòa) để điều khiển cách máy tính đi tìm kịch bản tốt nhất.
Candidate Model (Phương án ứng viên)
Một trong hàng ngàn kịch bản mô hình do máy tính tự thử nghiệm để so sánh và lọc ra kịch bản tối ưu nhất.
Reach & Frequency (Độ phủ & Tần suất)
Reach là tổng số người độc bản nhìn thấy quảng cáo; Frequency là số lần trung bình một người nhìn thấy quảng cáo đó.
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.
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
Cách mô hình MMM vận hành và tính toán
Sau khi dữ liệu đầu vào đã được làm sạch, quy trình huấn luyện MMM diễn ra qua 5 bước chính. Hãy bấm chọn từng bước bên dưới để khám phá chi tiết: dữ liệu đầu vào gồm những gì, thuật toán xử lý ra sao và báo cáo tạo ra kết quả 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. Tất cả chi phí Media từ các thị trường đã được quy đổi đồng bộ về đơn vị tiền tệ chuẩn (USD).
Geo × Time (thị trường × thời gian)
Market
Week
Media
KPI
Context
TH
W01
$3.5k
18.4k installs
Game event
VN
W01
$4.0k
21.1k installs
Holiday
Input từ Tab 01Media + KPI + Context đã sạch và verify.
OutputMột bảng model-ready theo Geo × Time.
Observation = Geo × Time
Step 02 · Media memory
Một campaign hôm nay còn ảnh hưởng KPI trong bao lâu?
Campaign có thể tiếp tục ảnh hưởng KPI trong nhiều tuần sau.
Adstock (hiệu ứng ghi nhớ)
Week 1Impact ngay
Week 2Carry-over
Week 3Carry-over
Week 4Carry-over
45%
InputMedia signal theo từng tuần.
OutputMedia signal có carry-over.
Adstockₜ = Σ λˡ · Mediaₜ₋ₗ
Step 03 · Media response
Tăng ngân sách có đồng nghĩa với tăng performance tương ứng?
Quy luật hiệu suất giảm dần (Diminishing Returns): Khi mới tăng chi tiêu, performance tăng rất nhanh, nhưng khi ngân sách quá lớn sẽ chạm trần bão hòa.
Saturation (bão hòa)
$42k → Performance +54k
InputDữ liệu Media đã tính xong hiệu ứng ghi nhớ Adstock.
OutputĐường cong bão hòa ước tính performance tăng thêm thực tế (Incremental Response).
Response(x) = xˢ / (xˢ + kˢ)
Step 04 · Model learns
Mô hình dung hòa giữa Kinh nghiệm ban đầu và Dữ liệu thực tế như thế nào?
Thuật toán Bayes dung hòa Prior (Kinh nghiệm cũ / A-B Test) với Data (Dữ liệu thực tế) để tính ra Posterior — một dải phân phối xác suất thể hiện biên độ sai lệch an toàn (Credible Interval).
Bayesian estimation (ước lượng Bayes)
📘 Prior (Kinh nghiệm / A-B Test cũ)
📗 Data (Dữ liệu thực tế 6 tháng qua)
BAYES ENGINEDung hòa 2 nguồn
Posterior · Biểu đồ phân phối xác suất⚠️ Dữ liệu thực tế ít → Mô hình chưa đủ căn cứ nắn chỉnh, biên độ sai lệch phình rộng (1.2 đến 2.6). Kết quả có độ không chắc chắn cao (Uncertainty lớn).
Số lượng dữ liệu thực tế đưa vào:
InputKinh nghiệm/A-B Test cũ (Prior) + Số liệu quảng cáo thực tế (Data).
OutputKhoảng ước lượng an toàn (Posterior Credible Interval) thể hiện biên độ rủi ro.
Prior + Data → Posterior (Credible Interval)
Step 05 · Explain outcome
Mô hình phân rã và giải thích kết quả thực tế như thế nào?
Phân rã kết quả (Outcome Decomposition): Bóc tách tổng kết quả thành Performance tự nhiên (Baseline) + Performance đóng góp từ Marketing (Incremental) + phần sai số chưa giải thích (Residual).
Outcome decomposition (phân rã kết quả)
Ví dụ phân rã · TH · W01Baseline Outcome: 115Performance tự nhiên (dừng Paid Ads)Incremental Outcome: 55Performance tăng thêm từ MarketingObserved Performance: 190Performance thực tế đo đạc được
050100150200
115
+55
Observed · 190
Residual · +20
TH · W01
Phần sai số (Residual)+20 Performance
Observed cao hơn Expected.
Khoảng chênh đến từ nhiễu ngẫu nhiên, sai số đo lường, biến môi trường chưa quan sát hoặc cú sốc thị trường.
⚠️ Sai số Residual không tính vào công của Marketing.
Residual thay đổi theo từng Geo × Week vì mỗi observation có một mức sai lệch riêng giữa dữ liệu thực tế và dự đoán của model.
📌 Cách xử lý sai số Residual (Theo chuẩn Google Meridian Docs):
• Nạp dữ liệu A/B Test / Holdout Experiments (Calibration): Nạp kết quả thử nghiệm thực tế vào Meridian làm Prior để nắn lại hệ số hiệu quả β, kéo đường dự báo sát thực tế và thu hẹp Residual.
• Bổ sung biến kiểm soát bối cảnh (Control Variables): Thêm dữ liệu Khuyến mãi, Sự kiện Game, Giá cả, Yếu tố mùa vụ (Seasonality) hoặc Xu hướng (Trend) để chuyển hóa phần sai số chưa giải thích thành các tác động có căn cứ.
• Tinh chỉnh tham số Adstock & Saturation Priors: Nếu Residual bị lệch cố định theo chu kỳ tuần, điều chỉnh lại khoảng mở rộng của độ trễ quảng cáo hoặc điểm bão hòa.
• Chấp nhận nhiễu ngẫu nhiên hợp lý: Nếu Residual biến động ngẫu nhiên phân phối chuẩn xung quanh mốc 0 (sai số MAPE < 15%), mô hình đạt độ tin cậy an toàn mà không bị học vẹt (Overfitting).
Additive vs Multiplicative — Cấu trúc Cộng hay Nhân?
So sánh trực quan hai dạng phương trình toán học cốt lõi trong MMM: Kênh hoạt động độc lập (Cộng) vs Kênh hỗ trợ cộng hưởng lẫn nhau (Nhân).
Cấu trúc Cộng (Additive) — Tác động các kênh độc lập150
📐 Phương trình: Y = Baseline + β₁·Media₁ + β₂·Media₂ + Control
Cấu trúc Nhân (Multiplicative) — Các kênh cộng hưởng150
📐 Phương trình: Y = Baseline × Media₁^β₁ × Media₂^β₂ (Log-Linear: ln Y = ln Base + β₁·ln Media₁ + ...)
💡 Điểm mấu chốt phương pháp luận: "Cộng" và "Nhân" là 2 dạng cấu trúc toán học của phương trình MMM, không phải tên 2 thư viện riêng biệt.
• Cấu trúc Cộng (được Google Meridian chọn mặc định): Giả định các kênh độc lập (luôn = 150), giúp tính toán Bayes ổn định và đo lường ROI minh bạch.
• Cấu trúc Nhân: Thể hiện sự cộng hưởng giữa các kênh (hiệu ứng "1 + 1 > 2") → tổng kết quả đạt 184 (phần tăng thêm +34 nhờ Branding làm đòn bẩy thúc đẩy hiệu suất cho Search & Social).
• Thực tế triển khai: Muốn mô hình đo được hiệu ứng cộng hưởng (ví dụ: Branding thúc đẩy Search Ads), nhà phân tích chỉ cần tạo thêm cột Biến tương tác (Interaction Term: Branding × Search).
📌 Hướng dẫn lựa chọn khi triển khai thực tế:
• Nên chọn Cấu trúc Cộng: Khi mới bắt đầu làm MMM, dữ liệu còn giới hạn, hoặc các kênh chạy độc lập. Giúp thuật toán MCMC Bayes dễ hội tụ và diễn giải ROI trực tiếp.
• Nên dùng Cấu trúc Nhân (hoặc Interaction terms): Khi có chiến dịch phối hợp phễu mạnh mẽ (Branding đẩy Performance Ads) và dữ liệu đủ dày.
Chương 04
Đánh giá độ tin cậy kết quả của mô hình MMM
Mô hình MMM không bao giờ cho ra con số "đúng tuyệt đối 100%". Điều team marketing thực sự cần xác định là: kết quả mô hình đủ tin cậy đến đâu để làm cơ sở ra quyết định phân bổ ngân sách. Để trả lời câu hỏi này, chúng ta không bám vào một chỉ số đơn lẻ mà cần kiểm chứng qua nhiều tầng bằng chứng thực tế.
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.
Ví dụ kiểm chứng mô hình · Tại sao 2 mô hình cùng khớp quá khứ nhưng lại cho kết quả phân bổ khác nhau?
Minh họa phương pháp Kiểm chứng mô hình (Model Validation): Cả Mô hình A và B cùng tái hiện số liệu quá khứ tốt như nhau, nhưng chỉ có Thử nghiệm thực tế (A/B Test / Geo-lift) mới chứng minh được mô hình nào phân bổ đúng hiệu quả.
1 1. Cùng khớp lịch sửCả 2 mô hình đều bám sát dữ liệu KPI quá khứ.
2 2. Kiểm tra HoldoutTạm ẩn vài tháng gần nhất, cả 2 mô hình đều dự báo tốt nên chưa thể phân biệt.
3 3. Thử nghiệm thực tếChỉ thử nghiệm tắt Branding mới phân xử được mô hình nào phân bổ chuẩn xác.
KPI thực tếMô hình AMô hình B
Cách mỗi mô hình phân rã KPI thành phần nền + contribution các kênh (tổng 100)
Mô hình A✗ Phân bổ sai mức đóng góp của Branding
Nền (baseline)SearchKhác
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)BrandingSearchKhác
Branding 24% · Search 10%: Mô hình B cho rằng Branding đóng góp lớn
Hai mô hình tái hiện dữ liệu lịch sử giống nhau. Chỉ nhìn vào đường dự báo thì chưa thể biết mô hình nào phân bổ đúng.
Thử nghiệm cho câu trả lời: Khi tắt Branding tại khu vực thử nghiệm, KPI thực tế giảm mạnh, đúng như Mô hình B dự báo. Mô hình A đánh giá thấp mức đóng góp của Branding nên dự báo KPI gần như không đổi, và đã sai.
📌 Bài học cốt lõi: Mô hình MMM chỉ phát huy hiệu quả tối đa khi được kiểm chứng và nắn chỉnh bằng Thử nghiệm thực tế (A/B Test / Geo-lift). Không nên tin mù quáng vào một mô hình MMM chạy suông chỉ vì đường dự báo quá khứ của nó nhìn đẹp mắt.
Những dấu hiệu cảnh báo cần kiểm tra (Model Red Flags)
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.
Quảng cáo "báo cáo ảo" vượt cả tổng doanh thu (Baseline âm)
Doanh số tự nhiên khi tắt quảng cáo (Baseline) bị tính ra con số âm. Ví dụ: Game thu về 100 triệu nhưng mô hình phán quảng cáo đóng góp 120 triệu, ép doanh số tự nhiên thành -20 triệu. Đây là lỗi mô hình "nhận vơ" công trạng vượt quá thực tế.
Chi tiền một đằng, báo cáo hiệu quả một nẻo
Một kênh chiếm tới 80% ngân sách chi tiêu nhưng mô hình lại báo chỉ đóng góp 1–2% (hoặc ngược lại) mà không có lý do kinh doanh rõ ràng.
Quảng cáo "nhận vơ" công của Dịp lễ hoặc Event Game
Doanh số tăng vọt do mùa vụ Tết hoặc đợt Khuyến mãi, nhưng mô hình lại quy toàn bộ phần tăng này cho kênh quảng cáo tình cờ được đẩy mạnh cùng thời điểm.
Số liệu trên mô hình lệch xa kết quả chạy thử A/B Test
Mô hình MMM tính toán hiệu quả một đường, nhưng khi tắt/bật quảng cáo ngoài đời thực (Geo-lift test / A/B Test) thì kết quả thực tế lại ra một nẻo.
Đọc kết quả theo khoảng ước lượng, tránh phụ thuộc vào một con số đơn lẻ
Kết quả mô hình MMM nên được hiểu như một khoảng ước lượng tin cậy (ví dụ: chỉ số ROAS của kênh TikTok nằm trong khoảng từ 1.5 đến 2.2 chứ không phải cố định một con số 1.8). Nếu khoảng ước lượng này quá rộng (chứng tỏ dữ liệu chưa đủ độ sắc nét), team chỉ nên dùng mô hình để định hướng chiến lược chung thay vì phân bổ chi tiết từng đồng ngân sách.
Chương 05
Tối ưu hóa phân bổ ngân sách marketing
Tính năng Tối ưu phân bổ ngân sách (Budget Optimization) không phải là "phép thuật" cho ra một con số đúng tuyệt đối. Mục tiêu chính là giải bài toán thực tế: nên dồn đồng ngân sách tiếp theo vào kênh nào để đạt performance tốt nhất, dựa trên trần ngân sách và dư địa tăng trưởng (room scale) của từng kênh.
Trong mô phỏng bên dưới, ngân sách được tính bằng USD/tháng, còn chỉ số đo lường performance là NRU (Số người dùng mới đăng ký) 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.
🔀Ai quyết định tổngBạn tự đặt tổng và chỉ chia lại, hay để công cụ tự tăng chi 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.
Các kịch bản lập kế hoạch ngân sách (Business Scenarios)
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.
Nhận diện 4 cạm bẫy rủi ro khi dùng MMM (Risk Radar)
Chọn một rủi ro để soi 3 góc nhìn: Dữ liệu gặp vấn đề gì → Kết luận nào dễ bị hiểu sai → Hướng tối ưu mô hình.
🔴 Vấn đề dữ liệu
⚠️ Kết luận dễ hiểu sai
🛠️ Hướng tối ưu mô hình
3 nguyên tắc khi dùng MMM cho quyết định
⚖️Kiểm chứng mô hình bằng thử nghiệm thực tế
Mô hình MMM tìm ra quy luật từ dữ liệu quá khứ, chứ không đảm bảo 100% mối quan hệ nhân quả ngoài đời. Trước các quyết định lớn (như cắt hoàn toàn hoặc tăng gấp đôi ngân sách 1 kênh), luôn cần dùng thử nghiệm thực tế (A/B Test hoặc Geo-experiment) để đối chiếu trước.
🔄Cập nhật dữ liệu định kỳ cho bối cảnh mới
Khi sản phẩm có cập nhật lớn, thị trường biến động hoặc chiến lược marketing thay đổi, các quy luật từ dữ liệu cũ sẽ không còn đúng. Hãy liên tục bổ sung dữ liệu mới và chạy lại (Refresh) mô hình định kỳ (2–3 tháng/lần) để đảm bảo khuyến nghị luôn sát thực tế.
🧮Chọn KPI đầu vào là số đếm thực tế, tránh dùng tỷ lệ %
Đầu vào cho mô hình MMM bắt buộc phải là số đếm tuyệt đối phản ánh mục tiêu kinh doanh cuối cùng (như Doanh thu, Lượt cài đặt Installs, Số đơn hàng). Tuyệt đối không dùng các tỷ lệ % (như CTR %, Retention %, Conversion Rate %) vì toán học MMM không thể cộng dồn các chỉ số phần trăm qua các tuần.
Lưu ý: Click/Impression là số đếm nhưng thuộc mid-funnel — cần thận trọng nếu chọn làm KPI chính, vì nó chỉ là bước trung gian chứ không phải mục tiêu doanh thu cuối cùng.