Математический расчет эффективности рекламы вместо предположений

Насыщение бюджета (diminishing returns)
Для каналов с достаточным количеством точек модель применяет нелинейную функцию насыщения (Hill‑трансформация), чтобы учесть, что добавление бюджета даёт всё меньший прирост результата при высоких уровнях инвестиций.

Память рекламы и «шлейф» (adstock)
Для каждого канала мы подбираем скорость затухания эффекта: часть реакции приходится на текущий период, часть — растягивается на последующие недели/месяцы, но не дольше примерно 3 месяцев. Используется смесь двух экспоненциальных ядер разной скорости — это даёт реалистичный профиль «быстрого» и «долгого» эффекта.

Brand awareness как модератор
Если в данных есть показатели ba_, модель учитывает, что реклама работает по‑разному при разном уровне узнаваемости бренда: сперва мы умножаем эффект каналов на уровень awareness, а уже потом считаем шлейф.

Регуляризованные модели (ElasticNetCV, Ridge)
Для отбора факторов и оценки коэффициентов используются ElasticNetCV и Ridge‑регрессия: они помогают отсечь шумовые и дублирующие факторы, не допуская переобучения.

Борьба с мультиколлинеарностью
Коррелирующие медиаканалы группируются, и к ним применяется групповая регуляризация: модель распределяет общий эффект внутри кластера каналов, а не задваивает его.

Кросс‑валидация по временным сплитам
Модель проверяется на нескольких «отрезках времени» (train/val/test), а не только на всём ряде сразу. Это даёт более устойчивые оценки и честную оценку качества.

Несколько метрик точности: R², MAE, MAPE, SMAPE.

Индекс доверия модели (0–100%)
Мы собираем в один индекс несколько аспектов: качество на тесте, стабильность коэффициентов при переобучении на разных кусках ряда, наличие мультиколлинеарности, достаточность данных и поведение остатков. Чем выше индекс, тем смелее можно опираться на выводы.