Média Mix Modellezés (MMM): Definíció és Működése

A média mix modellezés (MMM) egy statisztikai technika, amely becsüli meg, hogy az egyes marketingcsatornák mennyire járulnak hozzá az értékesítéshez vagy konverziókhoz aggregált szinten, történelmi költség- és eredményadatok felhasználásával, nem pedig egyedi szintű követéssel. Ahelyett, hogy egy személy kattintását követné a vásárlásig, az MMM heti vagy havi összesítéseket vizsgál: mennyit költöttél natív, fizetett keresés és TV-re, szemben az eladott egységek számával, majd egy olyan modellt illeszt, amely megmagyarázza a mintát.

Miért létezik#

Minden attribúciós módszernek van vakfoltja. A kattintáson alapuló modellek túlbecsülik azt a csatornát, amely a legközelebb van az eladáshoz, és a személyenkénti követéshez egy állandó azonosítóra van szükség az érintéspontok között, amit a süti elavulása és az alkalmazáskövetési korlátozások nehezebbé tettek fenntartani. Az MMM kikerüli mindkét problémát, mert soha nem kell egyéni felhasználót azonosítania vagy követnie eszközök között. Kizárólag aggregált, csatornaszintű adatokon működik, ami adatvédelmi szempontból rugalmasabbá teszi és használhatóvá teszi még offline csatornák, például TV, rádió vagy out-of-home számára is, amelyek egyáltalán nem hoznak létre kattintható nyomvonalat.

Mi kerül a modellbe#

Egy tipikus MMM regressziót futtat az értékesítés és a csatornánkénti heti hirdetési költség között, plusz kontrollváltozókkal: szezonalitás, árváltozások, versenytársak tevékenysége és promóciók. A kimenet egy együtthatókészlet, amely megmutatja az egyes csatornák becsült hozzájárulását és csökkenő hozamú görbéjét, azt a pontot, ahol egy extra dollár költség kevesebb növekményes eladást termel, mint az előző dollár. Ez a csökkenő hozamú minta gyakran tükröződik a kreatív szinten is, ahol a tartós gyakoriság kreatív kimerülést okoz hosszú idővel azelőtt, hogy egy csatornaszintű modell észrevenné. Az alapértékesítés, amit nulla marketinggel eladnál, elkülönül a marketing által hajtott értékesítéstől, így a modell nem téveszti olyan igénynek tulajdonítani a hirdetéseket, ami amúgy is létezett volna.

MMM szemben egy élő kihagyásos teszttel#

Egy élő növekményességi kísérlet pontos, kísérletileg igazolt emelkedési számot ad egy csatornára egy tesztidőszak alatt, a valós költség felfüggesztésének vagy csökkentésének árán. Az MMM folyamatosan fut a háttérben a már rendelkezésre álló adatok felhasználásával, egyszerre lefedve minden csatornát, de pontossága attól függ, hogy van-e elegendő történelmi költségváltozatosság az egyes csatornák hatásainak elkülönítéséhez. Sok elemzőcsapat a kihagyásos eredményeket használja az MMM együtthatóinak kalibrálására és érvényesítésére, mivel egy olyan modell, amely ellentmond egy tiszta kísérleti eredménynek, valószínűleg hiányzik egy változó.

Hogyan illeszkedik a natív és a közösségi média egy MMM-be#

A natív hálózatok és közösségi platformok általában külön sorokként vannak modellezve, mert a válaszgörbéik eltérnek: egy olyan hálózat, mint a Taboola, általában hosszabb, lassabban épülő görbével rendelkezik, mint egy szűk célzású keresési kampány, és a keresleti oldali platformon vásárolt leltár gyakran egy teljesen más formát mutat. Mielőtt megépíthetnél egy megvédhető modellt, tiszta csatornaszintű konverziókövetésre és helyesen bontott költségadatokra van szükséged, ami gyakorlatban a gyakorlat legnehezebb része. Annak figyelése, hogy mennyi versenytársköltség és kreatív mennyiség mozog egy adott hálózaton, egy olyan eszköz, mint az OpenAdLibrary hirdetési intelligencia platformja, hasznos józan ész ellenőrzés arra, hogy egy csatorna modellezett hozzájárulása összhangban van-e a piacon valóban történő eseményekkel, és hogy a jelentett ROAS valószerű-e mellette.

Korlátok#

Az MMM-nek jelentős mennyiségű történelmi adatra van szüksége, általában egy év vagy több heti megfigyelésre, hogy stabil modellt illeszthessen. Emellett lassan reagál: egy csatorna együtthatója nem frissül valós időben, mint egy platform irányítópult, így az MMM jobban működik stratégiai negyedéves tervezési eszközként, mint napi optimalizálóként. A korrelált költség, amikor két csatorna költségvetését minden alkalommal egyszerre emeled, statisztikailag nehezebbé teszi az egyedi hatásaik elkülönítését, egy kollinearitásként ismert probléma, és semmilyen médiavásárlási készség nem javít egy olyan modellt, amelyből hiányzik a szükséges adat.