Media Mix Modeling (MMM): Definiție și Cum Funcționează

Media mix modeling (MMM) este o tehnică statistică care estimează cât de mult contribuie fiecare canal de marketing la vânzări sau conversii în agregat, folosind date istorice de cheltuieli și rezultate, în loc de urmărire la nivel individual. În loc să urmărească click-ul unei persoane până la o achiziție, MMM analizează totalurile săptămânale sau lunare, cât ai cheltuit pe native, căutare plătită și TV față de câte unități s-au vândut, apoi ajustează un model care explică acest tipar.

De ce există#

Fiecare metodă de atribuire are un punct slab. Modelele bazate pe click-uri atribuie în exces canalului cel mai apropiat de vânzare, iar urmărirea la nivel de persoană necesită un identificator persistent pe toate punctele de contact, un lucru pe care eliminarea cookie-urilor și restricțiile de urmărire în aplicații l-au făcut mai greu de menținut. MMM evită ambele probleme pentru că nu are niciodată nevoie să identifice un utilizator individual sau să îl urmărească pe un dispozitiv. Funcționează în întregime pe date agregate, la nivel de canal, ceea ce îl face rezistent la problemele de confidențialitate și utilizabil chiar și pentru canale offline precum TV, radio sau out-of-home care nu generează deloc o urmă clicabilă.

Ce intră în model#

Un model MMM tipic regresează vânzările împotriva cheltuielilor publicitare săptămânale pe canal, plus variabile de control: sezonalitate, schimbări de preț, activitatea concurenților și promoții. Rezultatul este un set de coeficienți care arată contribuția estimată a fiecărui canal și curba sa de randamente descrescătoare, punctul în care un dolar în plus de cheltuială începe să producă o vânzare incrementală mai mică decât dolarul precedent. Acest tipar de randamente descrescătoare reflectă adesea ceea ce apare și la nivelul creativ, unde frecvența susținută duce la oboseala creativă cu mult înainte ca un model la nivel de canal să o detecteze. Vânzările de bază, ceea ce ai vinde cu marketing zero, sunt separate de vânzările determinate de marketing, astfel încât modelul să nu atribuie accidental publicității o cerere care exista oricum.

MMM versus un experiment live cu grup de control#

Un experiment live de incrementalitate îți oferă un număr precis, verificat experimental, pentru creșterea unui canal într-o perioadă de testare, cu costul de a întrerupe sau reduce cheltuielile reale. MMM rulează continuu în fundal folosind date pe care le ai deja, acoperind toate canalele simultan, dar precizia sa depinde de existența unei variații istorice suficiente a cheltuielilor pentru a separa efectul unui canal de cel al altuia. Multe echipe de analiză folosesc rezultatele experimentelor cu grup de control pentru a calibra și valida coeficienții MMM, deoarece un model care contrazice un rezultat experimental clar probabil că lipsește o variabilă.

Cum se integrează native și social într-un MMM#

Rețelele native și platformele sociale sunt de obicei modelate ca elemente separate deoarece curbele lor de răspuns diferă: o rețea precum Taboola tinde să aibă o curbă mai lungă, cu construcție mai lentă decât o campanie de căutare țintită precis, iar inventarul cumpărat printr-o platformă de partea cererii arată adesea o altă formă. Înainte de a putea construi un model solid, ai nevoie de date curate de urmărire a conversiilor la nivel de canal și de date de cheltuieli segmentate corect, de obicei partea cea mai dificilă a exercițiului în practică. Observarea cât de multă cheltuială și volum creativ al concurenților se mișcă pe o anumită rețea, folosind un instrument precum platforma de inteligență publicitară OpenAdLibrary, este o verificare utilă pentru a vedea dacă contribuția modelată a unui canal se aliniază cu ceea ce se întâmplă de fapt pe piață și dacă ROAS-ul raportat este plauzibil în comparație.

Limitări#

MMM necesită o cantitate semnificativă de date istorice, de obicei un an sau mai mult de observații săptămânale, pentru a ajusta un model stabil. De asemenea, reacționează lent: coeficientul unui canal nu se va actualiza în timp real așa cum face un tablou de bord al platformei, așa că MMM funcționează mai bine ca instrument de planificare strategică trimestrială decât ca unul de optimizare zilnică. Cheltuielile corelate, creșterea simultană a bugetului pe două canale de fiecare dată, fac și ele dificilă separarea statistică a efectelor lor individuale, o problemă cunoscută sub numele de coliniaritate, și nicio abilitate de achiziție media nu repară un model căruia îi lipsesc datele de care are nevoie.