MMM Nedir? Pazarlama Karması Modellemesi Rehberi (2026)

MMM nedir? MMM (Marketing Mix Modeling, pazarlama karması modellemesi), haftalık reklam harcaması, satış ve dış etkenler (mevsim, fiyat, kampanya) verisinden her pazarlama kanalının satışa katkısını istatistiksel olarak tahmin eden bir ölçüm yöntemidir. Kullanıcı düzeyinde veri kullanmadığı için çerez kısıtlarından etkilenmez ve 'bütçenin bir sonraki lirası hangi kanala gitmeli?' sorusuna cevap verir.

MMM tek başına bir araç değil, bir ölçüm yaklaşımıdır. En iyi sonucu, platform ilişkilendirmesi ve artımsallık testleriyle birlikte kullanıldığında verir; bu üçlü, modern ölçüm yığınının temelidir.

MMM nasıl çalışır?

Model, satışı iki parçaya ayırır: reklam olmasa da gerçekleşecek baz satış ve kanalların yarattığı artımsal satış. Her kanal için iki etki tahmin edilir. Adstock (gecikmeli etki), bu haftaki reklamın gelecek haftalardaki satışa da katkı vermesidir. Doygunluk ise harcama arttıkça her ek liranın getirisinin azalmasıdır. Günümüz MMM araçları genellikle Bayesçi yöntemlerle çalışır ve her tahmini bir belirsizlik aralığıyla verir.

• Baz satış: marka bilinirliği, organik trafik, tekrar müşteriler; tipik olarak toplamın büyük kısmı.
• Kanal katkısı: her kanalın artımsal satışı ve buna bağlı ROI tahmini.
• Marjinal ROI: bir sonraki birim harcamanın getirisi; bütçe kararları için ortalama ROI'den daha önemlidir.
• Kontrol değişkenleri: mevsimsellik, fiyat değişimleri, promosyonlar, stok durumu.

MMM ile ilişkilendirme (attribution) arasındaki fark nedir?

İlişkilendirme, tek tek kullanıcı yolculuklarını izleyerek dönüşümü temas noktalarına dağıtır; MMM ise toplu veriden kanal katkısını tahmin eder. İlişkilendirme hızlı ve ayrıntılıdır ama çerez kaybından ve platformların kendi temas noktalarını öne çıkarmasından etkilenir. MMM yavaş ve kaba ölçeklidir ama TV, açık hava ve etkileyici pazarlaması gibi izlenemeyen kanalları da kapsar. Ayrıntı için ilişkilendirme modelleri yazımıza bakın.

• Platform ilişkilendirmesi: günlük optimizasyon, kreatif ve anahtar kelime kararları.
• Artımsallık testi: belirli bir kanal veya kampanyanın gerçek etkisini deneyle kanıtlamak (artımsal ROAS ve testler).
• MMM: çeyreklik veya yıllık bütçe dağılımı, kanal karması ve senaryo planlama.

Doygunluk eğrisi bütçe kararını nasıl değiştirir?

Doygunluk eğrisi, bir kanala harcama arttıkça ek gelirin nasıl yavaşladığını gösterir. Temsilî örnekte haftalık harcama 10K'dan 20K'ya çıktığında ek gelir 38'den 66'ya yükseliyor; 80K'dan 90K'ya çıktığında ise yalnız 2 birim artıyor. Bu noktada aynı bütçeyi eğrisi henüz dikleşmemiş başka bir kanala kaydırmak genellikle daha verimlidir.

Google Meridian mı, Meta Robyn mu?

İki yaygın açık kaynaklı araç vardır. Google Meridian, Bayesçi yapıda, bölge (geo) düzeyinde modellemeyi ve deney sonuçlarını önsel bilgi olarak eklemeyi destekler; Şubat 2026'da kod gerektirmeyen bir senaryo planlayıcı eklendi. Meta Robyn, R tabanlıdır ve otomatik hiperparametre araması ile daha hızlı ilk sonuç verir. Sektör değerlendirmelerinde Robyn'in kuruluşların çoğu için daha hızlı bir başlangıç, Meridian'ın ise daha fazla veri ve modelleme uzmanlığı isteyen daha kapsamlı bir seçenek olduğu vurgulanıyor.

• Veri ihtiyacı: ikisi için de genellikle en az 2 yıllık haftalık veri; Meridian ulusal düzeyde 3 yıl önerir.
• Kanal sayısı: pratikte 5-7 ana kanal; çok fazla küçük kanal modeli istikrarsızlaştırır.
• Süre: veri denetiminden doğrulanmış ilk modele tipik olarak 8-14 hafta.
• Ekip: istatistik bilgisi olan bir analist veya dış destek.

MMM projesi adım adım nasıl yürütülür?

1. Veri toplama: kanal bazında haftalık harcama ve gösterim, haftalık satış veya dönüşüm, fiyat, promosyon ve mevsim bilgisi.
2. Veri denetimi: eksik haftalar, para birimi, kanal adlandırma tutarlılığı; en çok zaman burada harcanır.
3. Model kurma: adstock ve doygunluk parametreleriyle ilk model; tahminlerin geçmiş satışı ne kadar açıkladığı kontrol edilir.
4. Kalibrasyon: varsa artımsallık testi sonuçlarıyla modeli karşılaştırma ve düzeltme.
5. Senaryo planlama: bütçe kaydırma senaryoları; kararı marjinal ROI'ye göre verme.
6. Yenileme: modeli çeyrekte bir güncelleme; pazar ve kreatif değiştikçe katsayılar da değişir.

MMM'nin sınırları nelerdir?

• Korelasyon riski: harcamalar hep birlikte artıp azalıyorsa model kanalları birbirinden ayıramaz; harcamada doğal çeşitlilik gerekir.
• Kaba çözünürlük: kampanya veya kreatif düzeyinde karar vermez; kanal düzeyinde kalır.
• Belirsizlik: ROI tahminleri aralıkla gelir; tek bir sayıya indirgemek yanıltır.
• Gecikme: haftalık veri ve yeniden eğitim ihtiyacı nedeniyle günlük optimizasyona uygun değildir.

Ads Sensor MMM sürecinde nerede durur?

Ads Sensor bir MMM aracı değildir; model kurmaz. Ancak MMM'nin en çok zaman alan ön koşulunu, yani tutarlı ve birleşik kanal verisini sağlar: Meta, Google Ads, TikTok, Criteo ve GA4'ü tek panelde birleştirir, platformlar arası gelir ve ROAS karşılaştırması sunar ve uygulanan her değişikliğin öncesini ve sonrasını otomatik izler. Günlük optimizasyonu Ads Sensor ile, çeyreklik bütçe kararını MMM ile vermek birbirini tamamlayan bir düzendir. Beta başvurusu yapabilirsiniz.