Paradoks atrybucji i ekonometria post-cookie
Współczesna ekonometria marketingowa znajduje się w punkcie zwrotnym, zmagając się z fundamentalnym paradoksem: modele matematyczne nigdy nie były bardziej zaawansowane obliczeniowo, a jednocześnie poziom zaufania decydentów biznesowych do generowanych przez nie "czarnych skrzynek" systematycznie spada. Dyrektorzy finansowi oraz prezesi firm e-commerce słusznie kwestionują raporty, w których suma przypisanych konwersji (ang. attributed conversions) z poszczególnych platform reklamowych przewyższa rzeczywistą sprzedaż zarejestrowaną w systemie transakcyjnym, lub w których kanały o znikomym zasięgu wykazują nieproporcjonalnie wysoki i stabilny zwrot z inwestycji (ROAS). Problem ten nie wynika zazwyczaj z niedostatecznej ilości danych, lecz z błędnego założenia epistemologicznego, że korelacja zmiennych w szeregach czasowych jest tożsama z przyczynowością⁶. W erze post-cookie, gdy deterministyczne śledzenie użytkownika zanika na skutek regulacji prawnych i ograniczeń technologicznych (np. ITP, ATT), modelowanie miksu marketingowego (MMM) staje się jedynym źródłem prawdy o efektywności mediów⁷. Jednak jego wiarygodność nie może opierać się na prostym dopasowaniu krzywej do danych historycznych metodą najmniejszych kwadratów. Analiza literatury z zakresu wnioskowania przyczynowego (ang. Causal Inference) wskazuje jednoznacznie, że poprawna walidacja modelu wymaga przejścia z paradygmatu czysto obserwacyjnego na interwencyjny, wykorzystania statystyki bayesowskiej do zarządzania niepewnością oraz rygorystycznej kalibracji wyników za pomocą eksperymentów inkrementalnych. Celem niniejszego artykułu jest głęboka dekonstrukcja mechanizmów, które odróżniają model statystycznie poprawny od modelu biznesowo użytecznego, oraz wyjaśnienie, dlaczego bez „kotwic” w postaci eksperymentów (ang. ground truth), każda alokacja budżetu pozostaje jedynie matematyczną spekulacją obarczoną ryzykiem błędu systematycznego.
Fundamentem zrozumienia ograniczeń klasycznego modelowania ekonometrycznego w marketingu jest drabina przyczynowości zdefiniowana przez Judeę Pearla, laureata nagrody Turinga. Większość standardowych modeli regresyjnych wykorzystywanych w biznesie operuje wyłącznie na najniższym szczeblu tej drabiny, czyli na asocjacji (obserwacji), odpowiadając na pytanie: Co zazwyczaj dzieje się ze sprzedażą, gdy wydatki na telewizję są wysokie?. Jest to podejście obarczone fundamentalnym błędem poznawczym, ponieważ ignoruje strukturę przyczynowo-skutkową, w której zmienne zakłócające (ang. confounders), takie jak sezonowość, pogoda czy aktywność konkurencji, mogą sztucznie zawyżać korelację między wydatkami a przychodem. Model, który "widzi", że sprzedaż lodów rośnie równolegle z wydatkami na reklamy okularów przeciwsłonecznych, przypisze tym reklamom wysoką efektywność, ignorując wspólną przyczynę obu zjawisk, jaką jest temperatura. Biznes wymaga jednak odpowiedzi z drugiego szczebla drabiny Pearla – interwencji (reprezentowanej przez operator do-calculus): Co stanie się ze sprzedażą, jeśli celowo podwoimy budżet, zmieniając dotychczasowy wzorzec wydatkowania?¹. Modele oparte wyłącznie na danych obserwacyjnych mają naturalną tendencję do "przeuczenia" (ang. overfitting) i mylenia korelacji z przyczynowością, co w literaturze fachowej określane jest mianem iluzji sterowania. Aby model MMM mógł służyć do predykcji i optymalizacji budżetu, musi on wykraczać poza pasywną rejestrację współwystępowania zdarzeń, integrując wiedzę o strukturze przyczynowej zjawiska, co w praktyce oznacza konieczność matematycznego odseparowania inkrementalnego wpływu marketingu od naturalnego popytu bazowego, który wystąpiłby nawet przy zerowych nakładach reklamowych.
Rozwiązaniem problemu współliniowości zmiennych (ang. multicollinearity) – sytuacji, w której wydatki na różne kanały, np. Facebook i Google Ads, rosną i maleją w tych samych okresach – oraz braku wystarczającej liczby punktów danych w stosunku do liczby estymowanych parametrów, jest zastosowanie podejścia bayesowskiego. W przeciwieństwie do klasycznej statystyki częstościowej (ang. frequentist), która traktuje parametry modelu jako stałe, nieznane wielkości możliwe do precyzyjnego wyliczenia przy nieskończonej próbie, podejście bayesowskie traktuje je jako zmienne losowe opisane rozkładami prawdopodobieństwa. Pozwala to na wprowadzenie do modelu wiedzy a priori (tzw. priors), która stabilizuje estymację w warunkach zaszumionych lub skąpych danych². Priory te nie służą do manipulowania wynikiem pod z góry ustaloną tezę polityczną wewnątrz firmy, lecz pełnią krytyczną funkcję regularyzacyjną – zapobiegają przyjmowaniu przez model wartości nierealistycznych z punktu widzenia ekonomii czy logiki biznesowej. Przykładem takiej regularyzacji jest wymuszenie dodatnich współczynników dla wydatków mediowych (chyba że badamy efekt kanibalizacji) lub ograniczenie maksymalnego możliwego zwrotu z inwestycji do wartości spotykanych w danej branży. Właściwie skonstruowany proces wnioskowania bayesowskiego (ang. Bayesian Workflow) zakłada iteracyjne budowanie modelu, w którym priory są konfrontowane z danymi empirycznymi, tworząc rozkłady posterior – będące matematyczną syntezą wiedzy eksperckiej i informacji zawartej w danych historycznych². Dzięki temu model może poprawnie oszacować wpływ kanałów o małej zmienności wydatków (np. strategie Always-on w Paid Search), które w klasycznej regresji metodą najmniejszych kwadratów (OLS) często są uznawane za statystycznie nieistotne (wysoka wartość p-value) lub są błędnie estymowane z olbrzymim przedziałem ufności.
