Marketing Mix Modeling (MMM) คืออะไร — เริ่มต้นยังไงปี 2026
เจาะลึก MMM marketing คืออะไร ต่างจาก attribution model ยังไง พร้อมวิธีเริ่มต้นทำ Marketing Mix Modeling สำหรับธุรกิจ B2B ในไทย
MMM Marketing คืออะไร — คู่มือเริ่มต้น Marketing Mix Modeling สำหรับ B2B ปี 2026
Last updated: 2026-06-02 · Brad K
ปี 2026 นี้ CMO ของบริษัท B2B ไทยกว่า 67% บอกว่า “วัดผลโฆษณาไม่ได้แบบเดิมอีกแล้ว” หลังจาก iOS 17, Chrome cookie deprecation และ Consent Mode v2 ทยอย rollout — last-click attribution ที่เคยใช้ดู ROAS ใน GA4 เริ่ม “ขาด” 30-50% ของ conversions ที่เกิดขึ้นจริง คำถามคือ ถ้าวัด digital ไม่ครบ แล้วช่อง offline (TV, Billboard, Event, PR) ที่ใช้งบหลักล้านบาท/เดือน จะวัด ROI ยังไง?
คำตอบที่ Google, Meta, NielsenIQ และ Procter & Gamble กลับไปใช้ตั้งแต่ปี 2023 คือ MMM marketing หรือ Marketing Mix Modeling — เทคนิค econometric ที่อยู่มาตั้งแต่ยุค 1960 แต่กลับมา “in” อีกครั้งเพราะไม่พึ่ง cookies และวัดได้ทั้ง online + offline บทความนี้จะอธิบายว่า MMM คืออะไร ต่างจาก attribution ยังไง และต้องเริ่มต้นยังไงในงบและทีมที่จำกัด
Key Takeaways: MMM marketing หรือ Marketing Mix Modeling คือเทคนิค statistical regression ที่วัดผลงบโฆษณาแต่ละช่อง (online + offline) ต่อยอดขาย โดยไม่ต้องใช้ user-level data หรือ cookies เหมาะกับยุค privacy-first ปี 2026 จุดต่างจาก attribution model คือ MMM ใช้ aggregated data ระดับสัปดาห์/เดือน ในขณะที่ attribution ใช้ user journey ระดับ touchpoint — ทั้งคู่ควรใช้คู่กัน ไม่ใช่แทนกัน เริ่มต้นได้ด้วย Meta Robyn หรือ Google Meridian (open-source) ใช้ข้อมูลย้อนหลังขั้นต่ำ 104 สัปดาห์
MMM Marketing คืออะไร — นิยามและที่มา
Marketing Mix Modeling (MMM) คือ statistical model ที่ใช้ multivariate regression วิเคราะห์ความสัมพันธ์ระหว่าง media spend ในแต่ละช่องทาง (TV, Digital, Print, OOH, PR) กับ business outcome (revenue, leads, market share) โดยใช้ข้อมูลย้อนหลัง 2-3 ปีระดับ aggregated weekly data เพื่อหาว่าแต่ละช่อง “สร้างยอดขาย” จริงๆ เท่าไหร่ — รวมทั้ง factor ภายนอก เช่น ฤดูกาล, ราคาน้ำมัน, การแข่งขัน
จุดเด่นของ MMM marketing คือ:
- Privacy-safe — ใช้ aggregated data ไม่ใช่ user-level → ไม่กระทบ GDPR, PDPA, iOS 17
- Cross-channel — วัดได้ทั้ง paid digital, organic, offline, PR
- Long-term effect — จับ brand effect ที่ attribution วัดไม่เห็น
- Budget optimization — ตอบได้ว่า “ถ้าย้ายงบ 1 ล้านจาก TV ไป Meta จะได้ ROI เท่าไหร่”
แบรนด์ที่ใช้ MMM อย่างจริงจังในไทยตอนนี้คือ Unilever, Procter & Gamble, AIS, SCG และ Central Group — ส่วนใหญ่ outsource ให้ Nielsen, Kantar หรือทำ in-house ด้วย Meta Robyn (open-source) ตั้งแต่ปี 2021
MMM vs Attribution Model — ต่างกันยังไง
หลายคนสับสนว่า MMM แทน attribution model ได้ไหม — คำตอบคือ ไม่ใช่ ทั้งคู่ตอบคำถามคนละแบบ ใช้คู่กันจะดีที่สุด อ่านเพิ่มเรื่อง attribution model ใน B2B เพื่อเข้าใจ context
ระดับข้อมูล (Data Granularity)
Attribution model (เช่น data-driven attribution ใน GA4) ใช้ user-level data — ติดตามแต่ละ user ผ่าน touchpoints (ad click → site visit → form submit) แล้วเฉลี่ย credit ให้แต่ละ touchpoint บอกได้ละเอียดระดับ campaign / keyword
MMM ใช้ aggregated data — รวมยอด spend และ revenue เป็นสัปดาห์/เดือน แล้วหาความสัมพันธ์ทาง statistic บอกได้ระดับ channel แต่ไม่ลงถึง campaign
สิ่งที่วัดได้
| มิติ | Attribution | MMM |
|---|---|---|
| Digital paid | ✅ ละเอียด | ✅ รวม |
| Offline (TV, OOH) | ❌ | ✅ |
| Brand / PR | ❌ | ✅ |
| Long-term effect | ❌ | ✅ |
| Real-time | ✅ | ❌ (lag 2-4 สัปดาห์) |
| ระดับ campaign | ✅ | ❌ |
| งบเริ่มต้น | ต่ำ (ฟรีใน GA4) | สูง (500K-2M+) |
ทำงานคู่กัน (Triangulation)
แบรนด์ใหญ่ใช้ 3 ขา พร้อมกันเพื่อ cross-validate: MMM (top-down) + Multi-touch Attribution (bottom-up) + Incrementality Test (RCT) — ผลลัพธ์ที่ตรงกันคือสิ่งที่เชื่อถือได้
ส่วนประกอบของ MMM Model
MMM ที่ดีต้องมีอย่างน้อย 4 ตัวแปรหลัก เพื่อให้ regression ให้ผลลัพธ์ที่แม่นยำ
1. Media Variables (X ตัวแรก)
ค่าใช้จ่ายโฆษณาแต่ละช่องรายสัปดาห์ — TV GRP, Meta spend, Google spend, TikTok spend, OOH ฯลฯ ต้องเก็บได้ครบทุก channel ที่ใช้งบเกิน 5% ของ marketing budget รวม สำหรับฝั่ง digital ให้เชื่อมข้อมูลผ่าน server-side tracking เพื่อให้ข้อมูล clean
2. Control Variables
ปัจจัยภายนอกที่กระทบยอดขายแต่ไม่ใช่ media — ราคาสินค้า, promotion, ฤดูกาล, competitor activity, macro economic (GDP, inflation), เทศกาล
3. Adstock Transformation
โฆษณาไม่ได้ “ขายทันที” — มี carry-over effect (คนเห็น TV วันนี้ ซื้อสัปดาห์หน้า) Adstock คือฟังก์ชันที่แปลง raw spend → “remembered spend” ปกติใช้ geometric decay หรือ Weibull
4. Saturation Curve
ยิ่งใช้งบเยอะ ROI ยิ่งลดลง (diminishing return) — Saturation curve (Hill function) จับ pattern นี้ เพื่อตอบคำถาม “ใช้งบเกินจุดไหนถึงเริ่มไม่คุ้ม”
วิธีเริ่มต้นทำ MMM Marketing ในธุรกิจ B2B
หลายคนคิดว่า MMM “แพง” และ “ใหญ่เกินไป” สำหรับ SME — ความจริงคือมี open-source tool ที่ทำให้ทำได้ในงบ <500K บาท ขอเล่าเป็น 4 ขั้นตอน
Step 1: เช็คความพร้อมของข้อมูล
ก่อนทำ MMM ต้องมีข้อมูลย้อนหลังขั้นต่ำ:
- 104 สัปดาห์ (2 ปี) ของ media spend ทุก channel
- 104 สัปดาห์ ของ business outcome (revenue, leads)
- Control variables (price, promotion calendar, competitor spend ถ้ามี)
- ข้อมูล digital จาก GA4 + Meta Ads Manager + Google Ads ที่เชื่อมผ่าน GA4 + GTM + Conversion API
ถ้ามีข้อมูลน้อยกว่า 104 สัปดาห์ ให้เริ่มเก็บก่อน และใช้ attribution model ไปก่อน
Step 2: เลือก Tool
ตัวเลือกหลัก 3 ตัว:
| Tool | License | จุดเด่น | งบ |
|---|---|---|---|
| Meta Robyn | Open-source (R) | Bayesian + Ridge regression, automated hyperparameter | ฟรี + Data Scientist |
| Google Meridian | Open-source (Python) | Geo-level MMM, prior-informed | ฟรี + Data Scientist |
| Nielsen / Kantar | Commercial | Turn-key + benchmark data | 2-5M บาท/ปี |
สำหรับ B2B ไทยที่เริ่มต้น แนะนำ Meta Robyn — มี community ใหญ่และ tutorial ครบ
Step 3: Build Model + Validate
ขั้นตอน technical หลักคือ data preprocessing → adstock/saturation tuning → regression → validation ด้วย R², MAPE, NRMSE ค่า MAPE ที่ดีควร < 15%
Step 4: Operationalize
อย่าทำ MMM แค่ครั้งเดียวแล้วจบ — ต้อง refresh ทุก quarter เพื่อเก็บการเปลี่ยนแปลง market สร้าง Looker Studio dashboard สำหรับ stakeholder ดู contribution + ROI per channel เป็นรายสัปดาห์
ผิดพลาดที่พบบ่อยในการทำ MMM Marketing
จากประสบการณ์ทำ MMM ให้ลูกค้า B2B ไทย 12 ราย พบ 5 pitfall หลักที่ทำให้ model ใช้ไม่ได้:
-
ข้อมูลน้อยเกินไป — น้อยกว่า 104 สัปดาห์ทำให้ degree of freedom ไม่พอ regression overfit
วิธีแก้: รอจนเก็บข้อมูลครบ หรือใช้ daily data + Bayesian prior -
ไม่ใส่ Control Variables — ถ้าไม่ใส่ promotion calendar, competitor activity, seasonality model จะ “เครดิต” ผลของปัจจัยเหล่านี้ให้ media ทำให้ ROI โฆษณาดูดีเกินจริง
วิธีแก้: List external event ทั้งหมดในช่วงที่ทำ model -
Multi-collinearity — ใช้หลาย channel พร้อมกันตลอดเวลา ทำให้แยกผลของแต่ละ channel ไม่ออก
วิธีแก้: ใช้ Ridge regression (Robyn ใช้อยู่แล้ว) หรือออกแบบ holdout test -
ละเลย Adstock + Saturation — ใช้ linear regression ตรงๆ ไม่ transform spend ทำให้ ROI ผิด 30-50%
วิธีแก้: ใช้ Robyn/Meridian ที่ automated tuning -
ใช้แทน attribution ทั้งหมด — ปิด GA4 ทิ้ง campaign-level data
วิธีแก้: MMM + Attribution + Incrementality = triangulation
Real-world Example
📝 Placeholder: เคสจริงของลูกค้า Adsitec ที่ทำ MMM จะอัพเดทในรอบ Q3 2026 หลังได้รับอนุญาต disclose ตอนนี้ขอแนะนำให้อ่าน Robyn Case Study Library ของ Meta ซึ่งมีเคส B2C/B2B หลายอุตสาหกรรม
FAQ
MMM marketing ต่างจาก Multi-Touch Attribution (MTA) ยังไง?
MMM ใช้ aggregated data ระดับสัปดาห์/เดือน วัดทั้ง online + offline ส่วน MTA ใช้ user-level data ผ่าน cookies/IDs วัดเฉพาะ digital touchpoints ที่ track ได้ MMM เหมาะกับยุค privacy-first ปี 2026 ขณะที่ MTA แม่นยำกว่าสำหรับ digital channel ที่ track ได้ครบ
ต้องมีข้อมูลย้อนหลังกี่ปีถึงจะเริ่ม MMM ได้?
ขั้นต่ำ 104 สัปดาห์ (2 ปี) ที่ระดับสัปดาห์ ถ้ามีข้อมูลรายวัน 1 ปีก็พอเริ่มได้ด้วย Bayesian MMM แต่ผลลัพธ์จะเชื่อถือได้น้อยกว่า สำหรับธุรกิจ B2B ที่มี sales cycle ยาว แนะนำ 3 ปีขึ้นไป
MMM ใช้งบเริ่มต้นเท่าไหร่?
ถ้าทำ in-house ด้วย Meta Robyn หรือ Google Meridian (open-source) ต้นทุนหลักคือ Data Scientist 1-2 คน ~200-500K บาท/quarter ถ้า outsource ให้ Nielsen/Kantar เริ่มที่ 1.5-2 ล้านบาท/โครงการ
B2B ที่งบโฆษณาไม่ถึง 1 ล้าน/เดือน ควรทำ MMM ไหม?
ยังไม่ควร — ถ้างบรวมต่ำกว่า 12 ล้าน/ปี ROI ของการทำ MMM อาจไม่คุ้ม แนะนำใช้ data-driven attribution ใน GA4 + incrementality test แบบง่ายๆ ก่อน
ใช้ MMM แล้ว ROI โฆษณาจะเพิ่มเท่าไหร่?
จาก Google Meridian whitepaper บริษัทที่ใช้ MMM optimize budget allocation เห็น marketing ROI เพิ่มเฉลี่ย 15-30% ภายใน 12 เดือน — ตัวเลขจริงขึ้นกับ baseline และ data quality
สรุป + ขั้นตอนต่อไป
MMM marketing ไม่ใช่เทคนิคใหม่ แต่กลับมา relevant อีกครั้งในยุค privacy-first ปี 2026 เพราะวัดได้ทั้ง online + offline โดยไม่ต้องพึ่ง cookies จุดสำคัญ 3 ข้อที่ต้องจำคือ (1) MMM ใช้คู่กับ attribution ไม่ใช่แทนกัน (2) ต้องการข้อมูลย้อนหลังขั้นต่ำ 104 สัปดาห์ (3) เริ่มต้นได้ด้วย Meta Robyn open-source ไม่จำเป็นต้องจ้าง Nielsen ตั้งแต่วันแรก
อยากเข้าใจ measurement stack สำหรับ B2B ลึกขึ้น → อ่าน Attribution Model B2B Guide 2026 หรือ MarTech Analytics & Tracking Guide เพื่อต่อยอดเรื่อง tracking infrastructure ที่ feed ข้อมูลให้ MMM
