Media Mix Modeling (MMM): Definice a Jak Funguje

Media mix modeling (MMM) je statistická technika, která odhaduje, jak velký příspěvek má každý marketingový kanál k prodejům nebo konverzím v agregátu, přičemž využívá historická data o výdajích a výsledcích namísto sledování na úrovni jednotlivců. Místo toho, aby sledovala kliknutí jedné osoby až k nákupu, se MMM dívá na týdenní nebo měsíční součty – kolik jste utratili za native reklamu, placené vyhledávání a televizi oproti tomu, kolik jednotek se prodalo – a poté vytvoří model, který tento vzorec vysvětluje.

Proč existuje#

Každá metoda atribuce má svou slepou skvrnu. Modely založené na kliknutí přisuzují příliš velkou zásluhu tomu kanálu, který je nejblíže prodeji, a sledování na úrovni osoby potřebuje trvalý identifikátor napříč touchpointy, což se díky útlumu cookies a omezením sledování v aplikacích stává obtížněji udržitelné. MMM se oběma problémům vyhýbá, protože nikdy nepotřebuje identifikovat jednotlivého uživatele ani jej sledovat napříč zařízeními. Funguje výhradně na agregovaných, kanálových datech, což jej činí odolným vůči otázkám soukromí a použitelným i pro offline kanály, jako je televize, rádio nebo out-of-home, které vůbec nevytvářejí stopu, na kterou by se dalo kliknout.

Co vstupuje do modelu#

Typický MMM provádí regresi prodejů vůči týdenním výdajům na reklamu na kanál, plus kontrolním proměnným: sezónnosti, změnám cen, aktivitě konkurence a akcím. Výstupem je sada koeficientů ukazujících odhadovaný příspěvek každého kanálu a jeho křivku klesajících výnosů – bod, kde každý další dolar výdajů začne produkovat méně přírůstkového prodeje než dolar předchozí. Tento vzorec klesajících výnosů často odpovídá tomu, co se objevuje i na úrovni kreativ, kde trvalá frekvence vede k únavě z kreativ dávno předtím, než by to zachytil model na úrovni kanálu. Základní prodeje, tedy to, co byste prodali s nulovým marketingem, jsou odděleny od prodejů poháněných marketingem, aby model náhodou nepřipsal reklamám poptávku, která by existovala tak jako tak.

MMM versus živá kontrolní skupina#

Živý experiment přírůstkovosti vám poskytne přesné, experimentálně ověřené číslo liftu pro jeden kanál v rámci jednoho testovacího okna, za cenu pozastavení nebo snížení reálných výdajů. MMM běží nepřetržitě na pozadí s využitím dat, která již máte, a pokrývá všechny kanály najednou, ale jeho přesnost závisí na dostatečné historické variaci výdajů, aby bylo možné oddělit efekt jednoho kanálu od druhého. Mnoho analytických týmů používá výsledky z kontrolních skupin ke kalibraci a validaci svých MMM koeficientů, protože model, který odporuje čistému experimentálnímu výsledku, pravděpodobně postrádá nějakou proměnnou.

Kam se vejde native a sociální média do MMM#

Native sítě a sociální platformy jsou obvykle modelovány jako samostatné položky, protože jejich reakční křivky se liší: síť jako Taboola má tendenci mít delší, pomaleji rostoucí křivku než těsně cílená vyhledávací kampaň, a inventář nakoupený prostřednictvím demand-side platformy často vykazuje opět jiný tvar. Než můžete postavit obhajitelný model, potřebujete čisté kanálové sledování konverzí a data o výdajích správně rozdělená, což je v praxi obvykle ta nejtěžší část celého cvičení. Sledování toho, kolik konkurenčních výdajů a objemu kreativ se pohybuje na dané síti pomocí nástroje jako je platforma ad intelligence od OpenAdLibrary, je užitečnou kontrolou zdravého rozumu, zda modelovaný příspěvek kanálu odpovídá tomu, co se na trhu skutečně děje, a zda je hlášený ROAS vedle něj věrohodný.

Omezení#

MMM potřebuje významné množství historických dat, obvykle rok nebo více týdenních pozorování, aby bylo možné vytvořit stabilní model. Také reaguje pomalu: koeficient kanálu se neaktualizuje v reálném čase tak, jako to dělá dashboard platformy, takže MMM funguje lépe jako strategický nástroj pro čtvrtletní plánování než pro denní optimalizaci. Korelované výdaje, tedy zvyšování rozpočtu na dvou kanálech pokaždé ve stejnou dobu, také statisticky ztěžuje oddělení jejich individuálních efektů, což je problém známý jako kolinearita, a žádná míra dovedností v nákupu médií neopraví model, kterému chybí data, která potřebuje.