Media Mix Modeling (MMM): Definisi & Cara Kerjanya

Media mix modeling (MMM) adalah teknik statistik yang memperkirakan seberapa besar kontribusi setiap saluran pemasaran terhadap penjualan atau konversi secara agregat, menggunakan data pengeluaran dan hasil historis, bukan pelacakan tingkat individu. Alih-alih mengikuti klik satu orang hingga pembelian, MMM melihat total mingguan atau bulanan, seberapa banyak Anda mengeluarkan uang untuk native, pencarian berbayar, dan TV dibandingkan jumlah unit yang terjual, lalu menyesuaikan model yang menjelaskan polanya.

Mengapa ini ada#

Setiap metode atribusi memiliki titik buta. Model berbasis klik memberikan kredit berlebihan pada saluran yang paling dekat dengan penjualan, dan pelacakan tingkat pengguna memerlukan pengidentifikasi persisten di seluruh titik kontak, sesuatu yang depresiasi cookie dan pembatasan pelacakan aplikasi membuatnya lebih sulit dipertahankan. MMM menghindari kedua masalah tersebut karena tidak perlu mengidentifikasi pengguna individu atau melacak mereka di seluruh perangkat. Ia bekerja sepenuhnya pada data agregat tingkat saluran, yang membuatnya tahan privasi dan dapat digunakan bahkan untuk saluran offline seperti TV, radio, atau out-of-home yang sama sekali tidak menghasilkan jejak yang dapat diklik.

Apa yang masuk ke dalam model#

MMM tipikal meregresi penjualan terhadap pengeluaran iklan mingguan per saluran, ditambah variabel kontrol: musiman, perubahan harga, aktivitas pesaing, dan promosi. Outputnya adalah serangkaian koefisien yang menunjukkan estimasi kontribusi setiap saluran dan kurva diminishing returns-nya, titik di mana dolar pengeluaran tambahan mulai menghasilkan penjualan inkremental yang lebih sedikit daripada dolar sebelumnya. Pola diminishing returns ini sering kali mencerminkan apa yang juga muncul di tingkat kreatif, di mana frekuensi berkelanjutan mendorong kelelahan kreatif jauh sebelum model tingkat saluran menangkapnya. Penjualan dasar, apa yang akan Anda jual tanpa pemasaran, dipisahkan dari penjualan yang didorong pemasaran, sehingga model tidak secara tidak sengaja memberikan kredit pada iklan untuk permintaan yang sudah ada.

MMM versus holdout langsung#

Eksperimen inkrementalitas langsung memberi Anda angka peningkatan yang tepat dan terverifikasi secara eksperimental untuk satu saluran selama satu jendela pengujian, dengan biaya menghentikan atau mengurangi pengeluaran nyata. MMM berjalan terus menerus di latar belakang menggunakan data yang sudah Anda miliki, mencakup setiap saluran sekaligus, tetapi presisinya bergantung pada variasi pengeluaran historis yang cukup untuk memisahkan efek satu saluran dari yang lain. Banyak tim analitik menggunakan hasil holdout untuk mengkalibrasi dan memvalidasi koefisien MMM mereka, karena model yang bertentangan dengan hasil eksperimen yang bersih kemungkinan kehilangan variabel.

Di mana native dan sosial cocok dalam MMM#

Jaringan native dan platform sosial biasanya dimodelkan sebagai item baris terpisah karena kurva responsnya berbeda: jaringan seperti Taboola cenderung memiliki kurva yang lebih panjang dan lebih lambat dibandingkan kampanye pencarian yang ditargetkan secara ketat, dan inventaris yang dibeli melalui platform sisi permintaan sering kali menunjukkan bentuk lain lagi. Sebelum Anda dapat membangun model yang dapat dipertahankan, Anda memerlukan pelacakan konversi tingkat saluran yang bersih dan data pengeluaran yang dipecah dengan benar, biasanya bagian tersulit dari latihan ini dalam praktiknya. Mengamati seberapa banyak pengeluaran pesaing dan volume kreatif bergerak di jaringan tertentu, menggunakan alat seperti platform ad intelligence milik OpenAdLibrary, adalah pemeriksaan kewajaran yang berguna apakah kontribusi model suatu saluran sesuai dengan apa yang sebenarnya terjadi di pasar, dan apakah ROAS yang dilaporkan masuk akal dibandingkan dengannya.

Keterbatasan#

MMM membutuhkan data historis yang cukup banyak, biasanya satu tahun atau lebih pengamatan mingguan, untuk menyesuaikan model yang stabil. Ia juga bereaksi lambat: koefisien saluran tidak akan diperbarui secara real-time seperti yang dilakukan dasbor platform, sehingga MMM lebih baik digunakan sebagai alat perencanaan strategis triwulanan daripada alat optimasi harian. Pengeluaran yang berkorelasi, menaikkan anggaran pada dua saluran secara bersamaan setiap kali, juga membuatnya sulit secara statistik untuk memisahkan efek individualnya, masalah yang dikenal sebagai kolinearitas, dan tidak ada jumlah keahlian media buying yang dapat memperbaiki model yang kekurangan data yang diperlukan.