Media Mix Modeling (MMM): Definition og hvordan det fungerer

Media mix modeling (MMM) er en statistisk teknik, der estimerer, hvor meget hver marketingkanal bidrager til salg eller konverteringer samlet set, ved hjælp af historiske udgifts- og resultatdata frem for individuel sporing. I stedet for at følge én persons klik hele vejen til et køb, ser MMM på ugentlige eller månedlige totaler, hvor meget du brugte på native, betalt søgning og TV i forhold til hvor mange enheder solgt, og tilpasser derefter en model, der forklarer mønsteret.

Hvorfor det findes#

Hver attributionsmetode har en blind vinkel. Klikbaserede modeller overtilskriver den kanal, der ligger tættest på salget, og personsporing har brug for en vedvarende identifikator på tværs af berøringspunkter, noget cookiedepreciering og app-sporingsbegrænsninger har gjort sværere at opretholde. MMM omgår begge problemer, fordi den aldrig behøver at identificere en individuel bruger eller spore dem på tværs af en enhed. Den arbejder udelukkende på aggregerede kanaldata, hvilket gør den privatlivsresistent og brugbar selv for offline-kanaler som TV, radio eller udendørsreklamer, der slet ikke producerer et klikbart spor.

Hvad der indgår i modellen#

En typisk MMM regresserer salg mod ugentligt annonceforbrug pr. kanal, plus kontrolvariable: sæsonudsving, prisændringer, konkurrentaktivitet og kampagner. Outputtet er et sæt koefficienter, der viser hver kanals estimerede bidrag og dens aftagende afkastkurve, det punkt, hvor en ekstra dollar i forbrug begynder at producere mindre inkrementelt salg end dollaren før. Dette mønster med aftagende afkast afspejler ofte, hvad der også viser sig på kreativt niveau, hvor vedvarende frekvens driver kreativ træthed længe før en kanalniveaumodel ville fange det. Basissalg, hvad du ville sælge med nul markedsføring, adskilles fra marketingdrevet salg, så modellen ikke ved et uheld tilskriver annoncer efterspørgsel, der alligevel eksisterede.

MMM versus et live holdout#

Et live incrementalitetseksperiment giver dig et præcist, eksperimentelt verificeret løftetal for én kanal over ét testvindue, på bekostning af at pause eller reducere reelle udgifter. MMM kører kontinuerligt i baggrunden ved hjælp af data, du allerede har, og dækker alle kanaler på én gang, men dens præcision afhænger af at have tilstrækkelig historisk udgiftsvariation til at adskille én kanals effekt fra en andens. Mange analytikerteams bruger holdout-resultater til at kalibrere og validere deres MMM-koefficienter, da en model, der modsiger et rent eksperimentelt resultat, sandsynligvis mangler en variabel.

Hvor native og sociale medier passer ind i en MMM#

Native netværk og sociale platforme modelleres normalt som separate linjeposter, fordi deres responskurver er forskellige: et netværk som Taboola har tendens til at have en længere, langsommere opbyggende kurve end en snævert målrettet søgekampagne, og inventory købt gennem en demand-side platform viser ofte endnu en anden form. Før du kan bygge en forsvarlig model, har du brug for ren konverteringssporing på kanalniveau og udgiftsdata opdelt korrekt, normalt den sværeste del af øvelsen i praksis. At se, hvor meget konkurrentudgifter og kreativ volumen flytter sig på et givet netværk, ved hjælp af et værktøj som OpenAdLibrary's annonceintelligens platform, er en nyttig realitetstjek på, om en kanals modellerede bidrag stemmer overens med, hvad der faktisk sker på markedet, og om rapporteret ROAS er plausibel ved siden af det.

Begrænsninger#

MMM har brug for en meningsfuld mængde historisk data, normalt et år eller mere med ugentlige observationer, for at tilpasse en stabil model. Den reagerer også langsomt: en kanals koefficient opdateres ikke i realtid, som et platformdashboard gør, så MMM fungerer bedre som et strategisk kvartalsplanlægningsværktøj end et dagligt optimeringsværktøj. Korrelerede udgifter, at hæve budgettet på to kanaler samtidigt hver gang, gør det også statistisk svært at adskille deres individuelle effekter, et problem kendt som kollinearitet, og ingen mængde mediekøb færdigheder fikser en model, der mangler de data, den har brug for.