Media Mix Modeling (MMM): Määritelmä ja toimintaperiaate

Media mix modeling (MMM) on tilastollinen tekniikka, joka arvioi, kuinka paljon kukin markkinointikanava vaikuttaa myyntiin tai konversioihin aggregaatissa, käyttäen historiallisia käyttökustannus- ja tulostietoja yksilötason seurannan sijaan. Sen sijaan, että seurattaisiin yhden henkilön klikkausta ostoon asti, MMM tarkastelee viikoittaisia tai kuukausittaisia summia: kuinka paljon käytit native-, maksulliseen hakuun ja TV-mainontaan verrattuna myytyjen yksiköiden määrään, ja sovittaa sitten mallin, joka selittää kuvion.

Miksi sitä käytetään#

Jokaisella attribuutiomenetelmällä on sokea piste. Klikkiin perustuvat mallit yliarvioivat sen kanavan osuuden, joka on lähinnä myyntiä, ja henkilötason seuranta vaatii pysyvän tunnisteen kosketuspisteiden yli – jotain, minkä evästeiden käytön vähentäminen ja sovellusseurannan rajoitukset ovat vaikeuttaneet ylläpitää. MMM kiertää molemmat ongelmat, koska se ei koskaan tarvitse tunnistaa yksittäistä käyttäjää tai seurata häntä laitteiden yli. Se toimii kokonaan aggregoiduilla, kanavatason tiedoilla, mikä tekee siitä yksityisyysturvallisen ja käyttökelpoisen jopa offline-kanaville, kuten TV:lle, radiolle tai ulkomainonnalle, jotka eivät tuota lainkaan klikattavaa jälkeä.

Mitä malliin sisältyy#

Tyypillinen MMM regressoi myynnin viikoittaisten mainoskustannusten perusteella kanavaa kohden sekä kontrollimuuttujia: kausivaihtelua, hintamuutoksia, kilpailijan toimintaa ja kampanjoita. Tuloksena on joukko kertoimia, jotka osoittavat kunkin kanavan arvioidun osuuden ja sen vähenevien tuottojen käyrän, pisteen, jossa ylimääräinen käyttökustannusdollari alkaa tuottaa vähemmän lisämyyntiä kuin edellinen dollari. Tämä vähenevien tuottojen kuvio heijastuu usein myös luovalla tasolla, jossa jatkuva taajuus aiheuttaa luovan väsymyksen kauan ennen kuin kanavatason malli sen huomaisi. Perusmyynti, mitä myisit ilman markkinointia, erotetaan markkinoinnin ajamasta myynnistä, jotta malli ei vahingossa anna mainoksille kunniaa kysynnästä, joka olisi ollut olemassa muutenkin.

MMM verrattuna live-holdout-kokeiluun#

Live-inkrementaalisuuskoe antaa sinulle tarkan, kokeellisesti varmennetun lisäysluvun yhdelle kanavalle yhden testi-ikkunan ajan, hinnalla pysäyttää tai vähentää todellisia käyttökustannuksia. MMM toimii jatkuvasti taustalla käyttäen jo olemassa olevaa dataa, kattaen kaikki kanavat kerralla, mutta sen tarkkuus riippuu siitä, onko tarpeeksi historiallista käyttökustannusvaihtelua erottaakseen yhden kanavan vaikutuksen toisesta. Monet analytiikkatiimit käyttävät holdout-tuloksia MMM-kerrointensa kalibrointiin ja validointiin, koska malli, joka on ristiriidassa puhtaan kokeellisen tuloksen kanssa, todennäköisesti puuttuu muuttujasta.

Miten native- ja sosiaalisen median kanavat sopivat MMM:ään#

Native-verkostot ja sosiaalisen median alustat mallinnetaan yleensä erillisinä rivikohteina, koska niiden vastekäyrät eroavat: verkosto, kuten Taboola, pyrkii olemaan pidemmän, hitaammin rakentuvan käyrän kuin tiukasti kohdennettu hakukampanja, ja inventaario, joka ostetaan tarjontapuolen alustan kautta, näyttää usein taas toisenlaisen muodon. Ennen kuin voit rakentaa puolustettavan mallin, tarvitset puhtaat kanavatason konversioseuranta- ja käyttökustannustiedot oikein eriteltyinä, mikä on yleensä käytännön harjoituksen vaikein osa. Seuranta, kuinka paljon kilpailijan käyttökustannuksia ja luovan sisällön määrää liikkuu tietyllä verkostolla OpenAdLibraryn mainostiedustelu- alustan kaltaisella työkalulla, on hyödyllinen järjenkäyttötesti siitä, vastaako kanavan mallinnettu osuus sitä, mitä markkinoilla todella tapahtuu, ja onko raportoitu ROAS uskottava sen rinnalla.

Rajoitukset#

MMM tarvitsee merkittävän määrän historiallista dataa, yleensä vuoden tai enemmän viikoittaisia havaintoja, jotta vakaat mallit voidaan sovittaa. Se myös reagoi hitaasti: kanavan kerroin ei päivity reaaliajassa kuten alustan kojelauta, joten MMM toimii paremmin strategisena neljännesvuosittaisena suunnittelutyökaluna kuin päivittäisenä optimointityökaluna. Korreloidut käyttökustannukset, kahden kanavan budjetin nostaminen samaan aikaan joka kerta, tekevät myös tilastollisesti vaikeaksi erottaa niiden yksittäiset vaikutukset, ongelma, joka tunnetaan kollineaarisuutena, eikä mikään määrä median ostotaitoa korjaa mallia, josta puuttuu tarvittava data.