मीडिया मिक्स मॉडलिंग (MMM): परिभाषा और यह कैसे काम करती है

मीडिया मिक्स मॉडलिंग (MMM) एक सांख्यिकीय तकनीक है जो व्यक्तिगत-स्तरीय ट्रैकिंग के बजाय ऐतिहासिक खर्च और परिणाम डेटा का उपयोग करके अनुमान लगाती है कि प्रत्येक मार्केटिंग चैनल एग्रीगेट में बिक्री या कन्वर्ज़न में कितना योगदान देता है। एक व्यक्ति के क्लिक को खरीदारी तक फॉलो करने के बजाय, MMM साप्ताहिक या मासिक कुल, नेटिव, पेड सर्च और टीवी पर आपने कितना खर्च किया और कितनी इकाइयाँ बेचीं, को देखती है, फिर एक मॉडल फिट करती है जो पैटर्न की व्याख्या करता है।

यह क्यों मौजूद है#

हर एट्रिब्यूशन विधि की एक अंधी जगह होती है। क्लिक-आधारित मॉडल उस चैनल को अधिक क्रेडिट देते हैं जो बिक्री के सबसे करीब बैठता है, और व्यक्ति-स्तरीय ट्रैकिंग के लिए टचपॉइंट्स में एक स्थायी पहचानकर्ता की आवश्यकता होती है, कुछ ऐसा जिसे कुकी डिप्रिसिएशन और ऐप ट्रैकिंग प्रतिबंधों ने बनाए रखना कठिन बना दिया है। MMM दोनों समस्याओं से बचती है क्योंकि इसे कभी भी किसी व्यक्तिगत उपयोगकर्ता की पहचान करने या उन्हें डिवाइस में ट्रैक करने की आवश्यकता नहीं होती। यह पूरी तरह से एग्रीगेटेड, चैनल-स्तरीय डेटा पर काम करती है, जो इसे प्राइवेसी-रिज़िलिएंट बनाता है और ऑफ़लाइन चैनल जैसे टीवी, रेडियो या आउट-ऑफ-होम के लिए भी उपयोगी बनाता है जो बिल्कुल भी क्लिक करने योग्य ट्रेल नहीं बनाते।

मॉडल में क्या शामिल होता है#

एक विशिष्ट MMM बिक्री को प्रति चैनल साप्ताहिक एड स्पेंड के खिलाफ रिग्रेस करती है, साथ ही कंट्रोल वेरिएबल्स: सीज़नैलिटी, मूल्य परिवर्तन, प्रतियोगी गतिविधि, और प्रमोशन। आउटपुट गुणांकों का एक सेट होता है जो प्रत्येक चैनल के अनुमानित योगदान और उसके डिमिनिशिंग-रिटर्न्स कर्व को दर्शाता है, वह बिंदु जहां खर्च का एक अतिरिक्त डॉलर पिछले डॉलर की तुलना में कम इंक्रीमेंटल बिक्री उत्पन्न करना शुरू कर देता है। यह डिमिनिशिंग-रिटर्न्स पैटर्न अक्सर क्रिएटिव स्तर पर भी दिखाई देता है, जहां निरंतर फ़्रीक्वेंसी लंबे समय पहले क्रिएटिव फ़ैटीग को चलाती है, इससे पहले कि एक चैनल-स्तरीय मॉडल इसे पकड़ पाए। बेस सेल्स, जो आप शून्य मार्केटिंग के साथ बेचेंगे, को मार्केटिंग-संचालित बिक्री से अलग किया जाता है, ताकि मॉडल गलती से उस मांग के लिए विज्ञापनों को क्रेडिट न दे जो पहले से मौजूद थी।

MMM बनाम एक लाइव होल्डआउट#

एक लाइव इंक्रीमेंटैलिटी प्रयोग आपको एक टेस्ट विंडो में एक चैनल के लिए एक सटीक, प्रयोगात्मक रूप से सत्यापित लिफ्ट नंबर देता है, वास्तविक खर्च को रोकने या कम करने की कीमत पर। MMM आपके पास पहले से मौजूद डेटा का उपयोग करके लगातार बैकग्राउंड में चलती है, एक साथ हर चैनल को कवर करती है, लेकिन इसकी सटीकता पर्याप्त ऐतिहासिक खर्च विविधता रखने पर निर्भर करती है ताकि एक चैनल के प्रभाव को दूसरे से अलग किया जा सके। कई एनालिटिक्स टीमें अपने MMM गुणांकों को कैलिब्रेट और वैलिडेट करने के लिए होल्डआउट परिणामों का उपयोग करती हैं, क्योंकि एक मॉडल जो एक साफ प्रयोगात्मक परिणाम का खंडन करता है, संभवतः एक वेरिएबल को याद कर रहा है।

MMM में नेटिव और सोशल कहाँ फिट होते हैं#

नेटिव नेटवर्क और सोशल प्लेटफ़ॉर्म आमतौर पर अलग-अलग लाइन आइटम के रूप में मॉडल किए जाते हैं क्योंकि उनके रिस्पॉन्स कर्व अलग होते हैं: Taboola जैसे नेटवर्क में एक टाइटली टारगेटेड सर्च अभियान की तुलना में लंबा, धीमी गति से बनने वाला कर्व होता है, और एक डिमांड-साइड प्लेटफ़ॉर्म के माध्यम से खरीदी गई इन्वेंटरी अक्सर एक और आकार दिखाती है। एक रक्षात्मक मॉडल बनाने से पहले, आपको साफ चैनल-स्तरीय कन्वर्ज़न ट्रैकिंग और सही तरीके से विभाजित खर्च डेटा की आवश्यकता होती है, जो व्यवहार में अभ्यास का सबसे कठिन हिस्सा होता है। किसी दिए गए नेटवर्क पर प्रतियोगी खर्च और क्रिएटिव वॉल्यूम कितना आगे बढ़ रहा है, OpenAdLibrary के एड इंटेलिजेंस प्लेटफ़ॉर्म जैसे टूल का उपयोग करके देखना, एक उपयोगी सैनिटी चेक है कि क्या एक चैनल का मॉडल योगदान बाजार में वास्तव में क्या हो रहा है, और क्या रिपोर्ट किया गया ROAS उसके आगे प्रशंसनीय है।

सीमाएँ#

MMM को एक स्थिर मॉडल फिट करने के लिए ऐतिहासिक डेटा की एक सार्थक मात्रा, आमतौर पर साप्ताहिक अवलोकनों का एक वर्ष या अधिक, की आवश्यकता होती है। यह धीरे-धीरे प्रतिक्रिया भी देती है: एक चैनल का गुणांक रीयल टाइम में अपडेट नहीं होगा जैसे कि एक प्लेटफ़ॉर्म डैशबोर्ड करता है, इसलिए MMM दैनिक ऑप्टिमाइज़ेशन टूल की तुलना में एक रणनीतिक त्रैमासिक-योजना टूल के रूप में बेहतर काम करती है। सहसंबद्ध खर्च, हर बार एक ही समय पर दो चैनलों पर बजट बढ़ाना, उनके व्यक्तिगत प्रभावों को अलग करना सांख्यिकीय रूप से कठिन बना देता है, एक समस्या जिसे कोलीनियरिटी के रूप में जाना जाता है, और कोई भी मीडिया बायिंग कौशल एक ऐसे मॉडल को ठीक नहीं कर सकता जिसे आवश्यक डेटा नहीं मिल रहा है।