Μοντελοποίηση Μικτής Διαφήμισης (MMM): Ορισμός & Λειτουργία

Η μοντελοποίηση μικτής διαφήμισης (MMM) είναι μια στατιστική τεχνική που υπολογίζει πόσο συμβάλει κάθε κανάλι μάρκετινγκ στις πωλήσεις ή τις μετατροπές συνολικά, χρησιμοποιώντας ιστορικά δεδομένα δαπανών και αποτελεσμάτων αντί για παρακολούθηση σε επίπεδο ατόμου. Αντί να ακολουθεί το κλικ ενός άτομου μέχρι την αγορά, η MMM εξετάζει συνολικά εβδομαδιαία ή μηνιαία ποσά, πόσο δαπανήθηκε σε native, paid search και TV σε σχέση με πόσες μονάδες πουλήθηκαν, και στη συνέχεια προσαρμόζει ένα μοντέλο που εξηγεί το μοτίβο.

Γιατί υπάρχει#

Κάθε μέθοδο κατανομής έχει ένα κενό. Τα μοντέλα βασισμένα σε κλικ υπερεκτιμούν το κανάλι που βρίσκεται πιο κοντά στην πώληση, και η παρακολούθηση σε επίπεδο ατόμου απαιτεί ένα μόνιμο αναγνωριστικό σε όλες τις επαφές, κάτι που η υποβάθμιση των cookies και οι περιορισμοί στην παρακολούθηση εφαρμογών έχουν καταστήσει πιο δύσκολο να διατηρηθεί. Η MMM παρακάμπτει και τα δύο προβλήματα επειδή δεν χρειάζεται ποτέ να αναγνωρίσει έναν ατομικό χρήστη ή να τον παρακολουθήσει σε μια συσκευή. Λειτουργεί εξ ολοκλήρου σε συγκεντρωτικά δεδομένα σε επίπεδο καναλιού, κάτι που την καθιστά ανθεκτική στην ιδιωτικότητα και χρησιμοποιήσιμη ακόμη και για offline κανάλια όπως TV, ραδιόφωνο ή out-of-home που δεν παράγουν καθόλου ένα μονοπάτι με κλικ.

Τι περιλαμβάνεται στο μοντέλο#

Μια τυπική MMM εκτελεί regression των πωλήσεων σε σχέση με τις εβδομαδιαίες δαπάνες διαφήμισης ανά κανάλι, συν μεταβλητές ελέγχου: εποχικότητα, μεταβολές τιμών, δραστηριότητα ανταγωνιστών και προωθητικές ενέργειες. Το αποτέλεσμα είναι ένα σύνολο συντελεστών που δείχνουν την υπολογισμένη συμβολή κάθε καναλιού και την καμπύλη φθίνουσας απόδοσης, το σημείο όπου ένα επιπλέον δολάριο δαπάνης αρχίζει να παράγει λιγότερη επαγωγική πώληση από το προηγούμενο δολάριο. Αυτό το μοτίβο φθίνουσας απόδοσης συχνά αντιστοιχεί και σε αυτό που εμφανίζεται στο επίπεδο του δημιουργικού περιεχομένου, όπου συνεχής frequency οδηγεί σε δημιουργική εξάντληση πολύ πριν ένα μοντέλο σε επίπεδο καναλιού το αντιληφθεί. Οι βασικές πωλήσεις, όσα θα πουλήσεις χωρίς μάρκετινγκ, διαχωρίζονται από τις πωλήσεις που προκλήθηκαν από μάρκετινγκ, έτσι το μοντέλο δεν αποδίδει κατά λάθος στις διαφημίσεις ζήτηση που υπήρχε ήδη.

MMM σε σύγκριση με ένα πραγματικό πείραμα ελέγχου#

Ένα πραγματικό πείραμα επαγωγικής αύξησης παρέχει έναν ακριβή, πειραματικά επαληθευμένο αριθμό αύξησης για ένα κανάλι σε ένα συγκεκριμένο διάστημα δοκιμής, με το κόστος της παύσης ή μείωσης πραγματικών δαπανών. Η MMM λειτουργεί συνεχώς στο παρασκήνιο χρησιμοποιώντας δεδομένα που ήδη έχεις, καλύπτοντας όλα τα κανάλια ταυτόχρονα, αλλά η ακρίβεια της εξαρτάται από την ύπαρξη αρκετής ιστορικής διακύμανσης στις δαπάνες για να διαχωρίσει την επίδραση ενός καναλιού από ένα άλλο. Πολλές ομάδες αναλυτικών δεδομένων χρησιμοποιούν τα αποτελέσματα των δοκιμών ελέγχου για να βαθμονομήσουν και να επαληθεύσουν τους συντελεστές της MMM, καθώς ένα μοντέλο που αντιτίθεται σε ένα καθαρό πειραματικό αποτέλεσμα πιθανώς λείπει κάποια μεταβλητή.

Πώς τα native και τα social κανάλια ενσωματώνονται σε μια MMM#

Τα native δίκτυα και οι κοινωνικές πλατφόρμες συνήθως μοντελοποιούνται ως ξεχωριστές γραμμές επειδή οι καμπύλες απάντησης τους διαφέρουν: ένα δίκτυο όπως Taboola τείνει να έχει μια πιο μακριά, πιο αργά αναπτυσσόμενη καμπύλη από μια στόχευση με ακρίβεια σε μια καμπάνια search, και το inventory που αγοράζεται μέσω μιας πλατφόρμας από τη πλευρά της ζήτησης συχνά παρουσιάζει ένα άλλο σχήμα ξανά. Πριν μπορέσεις να κατασκευάσεις ένα αξιοπιστό μοντέλο, χρειάζεσαι καθαρή παρακολούθηση μετατροπών σε επίπεδο καναλιού και δεδομένα δαπανών διαχωρισμένα σωστά, συνήθως το πιο δύσκολο κομμάτι της διαδικασίας στην πράξη. Παρακολουθώντας πόσο δαπάνη ανταγωνιστών και δημιουργικό περιεχόμενο κινείται σε ένα συγκεκριμένο δίκτυο, χρησιμοποιώντας ένα εργαλείο όπως η πλατφόρμα πληροφοριών διαφήμισης του OpenAdLibrary, είναι ένας χρήσιμος έλεγχος λογικής για το αν η υπολογισμένη συμβολή ενός καναλιού στο μοντέλο συμφωνεί με όσα πραγματικά συμβαίνουν στην αγορά, και αν το αναφερόμενο ROAS είναι εύλογο σε σχέση με αυτό.

Περιορισμοί#

Η MMM χρειάζεται ένα σημαντικό ποσό ιστορικών δεδομένων, συνήθως ένα έτος ή περισσότερο εβδομαδιαίων παρατηρήσεων, για να προσαρμόσει ένα σταθερό μοντέλο. Επίσης αντιδρά αργά: ο συντελεστής ενός καναλιού δεν θα ανανεώνεται σε πραγματικό χρόνο όπως ένα dashboard πλατφόρμης, επομένως η MMM λειτουργεί καλύτερα ως ένα εργαλείο στρατηγικού σχεδιασμού ανά τρίμηνο παρά ως εργαλείο καθημερινής βελτιστοποίησης. Συσχετισμένες δαπάνες, αύξηση του budget σε δύο κανάλια ταυτόχρονα κάθε φορά, καθιστούν επίσης στατιστικά δύσκολο τον διαχωρισμό των ατομικών επιδράσεων τους, ένα πρόβλημα γνωστό ως collinearity, και καμία δεξιοτεχνία σε αγορά διαφημιστικού χώρου δεν διορθώνει ένα μοντέλο που λείπει τα δεδομένα που χρειάζεται.