Media Mix Modeling (MMM): Definisjon og hvordan det fungerer

Media mix modeling (MMM) er en statistisk teknikk som estimerer hvor mye hver markedsføringskanal bidrar til salg eller konverteringer samlet sett, ved å bruke historiske utgifts- og resultatdata i stedet for sporingsdata på individnivå. I stedet for å følge én persons klikk gjennom til et kjøp, ser MMM på ukentlige eller månedlige totaler: hvor mye du brukte på native, betalt søk og TV mot hvor mange enheter som ble solgt, og tilpasser deretter en modell som forklarer mønsteret.

Hvorfor det finnes#

Hver attribusjonsmetode har et blindt punkt. Klikkbaserte modeller overkrediterer den kanalen som er nærmest salget, og sporingsmetoder på personnivå trenger en vedvarende identifikator på tvers av berøringspunkter, noe som deprekasjon av informasjonskapsler og restriksjoner for appsporing har gjort vanskeligere å opprettholde. MMM omgår begge problemene fordi den aldri trenger å identifisere en individuell bruker eller spore dem på tvers av en enhet. Den fungerer utelukkende på aggregerte, kanalnivå-data, noe som gjør den robust overfor personvernhensyn og brukbar selv for offline-kanaler som TV, radio eller utendørsreklame som ikke produserer et spor av klikk i det hele tatt.

Hva som går inn i modellen#

En typisk MMM regresserer salg mot ukentlig annonseutgift per kanal, pluss kontrollvariabler: sesongvariasjoner, prisendringer, konkurrentaktivitet og kampanjer. Resultatet er et sett med koeffisienter som viser hver kanals estimerte bidrag og dens avtagende avkastningskurve, punktet hvor en ekstra dollar i utgifter begynner å produsere mindre inkrementelt salg enn dollaren før den. Det avtagende avkastningsmønsteret speiler ofte det som også vises på kreativnivå, hvor vedvarende frekvens fører til kreativ utmattelse lenge før en kanalnivå-modell ville fanget det. Grunnleggende salg, det du ville solgt med null markedsføring, skilles ut fra markedsføringsdrivet salg, slik at modellen ikke ved et uhell krediterer annonser for etterspørsel som fantes uansett.

MMM kontra et live holdout-eksperiment#

Et live inkrementelt eksperiment gir deg et presist, eksperimentelt verifisert løftetall for én kanal over ett testvindu, på bekostning av å stanse eller redusere reelle utgifter. MMM kjører kontinuerlig i bakgrunnen ved å bruke data du allerede har, og dekker hver kanal samtidig, men dens presisjon avhenger av å ha nok historisk variasjon i utgifter til å skille en kanals effekt fra en annens. Mange analyse-team bruker holdout-resultater til å kalibrere og validere sine MMM-koeffisienter, siden en modell som motsier et rent eksperimentelt resultat sannsynligvis mangler en variabel.

Hvor native og sosiale medier passer inn i en MMM#

Native nettverk og sosiale plattformer modelleres vanligvis som separate linjeposter fordi deres responskurver er forskjellige: et nettverk som Taboola har en tendens til å ha en lengre, saktere byggende kurve enn en tett målrettet søkekampanje, og beholdning kjøpt gjennom en demand-side platform viser ofte enda en annen form igjen. Før du kan bygge en forsvarlig modell, trenger du ren kanalnivå konverteringssporing og utgiftsdata brutt ut riktig, vanligvis den vanskeligste delen av øvelsen i praksis. Å se hvor mye konkurrentutgifter og kreativ volum som beveger seg på et gitt nettverk, ved å bruke et verktøy som OpenAdLibrary's ad intelligence plattform, er en nyttig sunnhetskontroll på om en kanals modellerte bidrag stemmer overens med det som faktisk skjer i markedet, og om rapportert ROAS er plausibelt i forhold til det.

Begrensninger#

MMM trenger en meningsfull mengde historiske data, vanligvis et år eller mer med ukentlige observasjoner, for å tilpasse en stabil modell. Den reagerer også sakte: en kanals koeffisient vil ikke oppdateres i sanntid slik en plattform-dashboard gjør, så MMM fungerer bedre som et strategisk kvartalsplanleggingsverktøy enn et daglig optimaliseringsverktøy. Korrelerte utgifter, å øke budsjettet på to kanaler samtidig hver gang, gjør det også statistisk vanskelig å skille deres individuelle effekter, et problem kjent som kollinearitet, og ingen mengde medieinnkjøp fikser en modell som mangler dataene den trenger.