Media Mix Modeling (MMM): นิยามและวิธีการทำงาน

Media mix modeling (MMM) เป็นเทคนิคทางสถิติที่ประมาณการว่าช่องทางการตลาดแต่ละช่องทางมีส่วนต่อยอดขายหรือการแปลงเป็นลูกค้าในภาพรวมมากน้อยเพียงใด โดยใช้ข้อมูลการใช้จ่ายและผลลัพธ์ในอดีต แทนที่จะเป็นการติดตามในระดับบุคคล แทนที่จะติดตามการคลิกของบุคคลหนึ่งไปจนถึงการซื้อ MMM จะพิจารณาผลรวมรายสัปดาห์หรือรายเดือน ดูว่าคุณใช้จ่ายไปเท่าไรกับเนทีฟ แซร์ชแบบจ่าย และโทรทัศน์ เทียบกับจำนวนหน่วยที่ขายได้ จากนั้นจึงสร้างโมเดลที่อธิบายรูปแบบนั้น

เหตุผลที่มีอยู่#

วิธีการจัดสรรเครดิต (attribution) ทุกวิธีมีจุดบอด โมเดลที่อิงตามการคลิกมักให้เครดิตมากเกินไปกับช่องทางที่อยู่ใกล้การขายที่สุด และการติดตามในระดับบุคคลต้องการตัวระบุผู้ใช้ที่คงที่ข้ามทุกจุดสัมผัส ซึ่งการเลิกใช้คุกกี้และข้อจำกัดการติดตามในแอปทำให้การรักษาสิ่งนี้ไว้ทำได้ยากขึ้น MMM หลีกเลี่ยงปัญหาทั้งสองนี้เพราะไม่จำเป็นต้องระบุตัวตนผู้ใช้แต่ละคนหรือติดตามพวกเขาข้ามอุปกรณ์เลย มันทำงานโดยใช้ข้อมูลในระดับช่องทางและภาพรวมทั้งหมด ซึ่งทำให้มันทนทานต่อประเด็นความเป็นส่วนตัวและสามารถใช้ได้แม้กับช่องทางออฟไลน์ เช่น โทรทัศน์ วิทยุ หรือสื่อกลางแจ้ง ที่ไม่ทิ้งร่องรอยการคลิกไว้เลย

สิ่งที่ถูกใส่เข้าไปในโมเดล#

MMM ทั่วไปจะทำการวิเคราะห์การถดถอย (regress) ยอดขายเทียบกับค่าใช้จ่ายโฆษณารายสัปดาห์ต่อช่องทาง บวกกับตัวแปรควบคุม: ความเป็นฤดูกาล การเปลี่ยนแปลงราคา กิจกรรมของคู่แข่ง และโปรโมชั่น ผลลัพธ์คือชุดของค่าสัมประสิทธิ์ที่แสดงถึงส่วนร่วมโดยประมาณของแต่ละช่องทางและเส้นโค้งผลตอบแทนที่ลดลง (diminishing-returns curve) ซึ่งคือจุดที่เงินหนึ่งดอลลาร์ที่ใช้จ่ายเพิ่มเติมเริ่มสร้างยอดขายเพิ่มเติมได้น้อยกว่าดอลลาร์ก่อนหน้า รูปแบบผลตอบแทนที่ลดลงนี้มักสะท้อนให้เห็นในระดับครีเอทีฟด้วยเช่นกัน ที่ซึ่งความถี่ที่ต่อเนื่องทำให้เกิดความล้าของครีเอทีฟ นานก่อนที่โมเดลระดับช่องทางจะตรวจจับได้ ยอดขายฐาน (Base sales) ซึ่งคือยอดขายที่คุณจะได้โดยไม่มีการตลาด จะถูกแยกออกจากยอดขายที่ขับเคลื่อนโดยการตลาด เพื่อที่โมเดลจะไม่ให้เครดิตกับโฆษณาโดยไม่ได้ตั้งใจสำหรับความต้องการที่มีอยู่แล้ว

MMM เทียบกับการทดลองแบบ live holdout#

การทดลองวัดการเพิ่มยอดขายแบบ live (live incrementality experiment) ให้ตัวเลขการเพิ่มยอดขายที่แม่นยำและได้รับการยืนยันจากการทดลองสำหรับหนึ่งช่องทางในช่วงเวลาทดสอบหนึ่ง โดยมีค่าใช้จ่ายคือการหยุดหรือลดการใช้จ่ายจริง ในขณะที่ MMM ทำงานต่อเนื่องในพื้นหลังโดยใช้ข้อมูลที่คุณมีอยู่แล้ว ครอบคลุมทุกช่องทางพร้อมกัน แต่ความแม่นยำของมันขึ้นอยู่กับการมีข้อมูลความแปรผันของการใช้จ่ายในอดีตที่เพียงพอเพื่อแยกผลกระทบของช่องทางหนึ่งจากอีกช่องทางได้ ทีมวิเคราะห์ข้อมูลหลายทีมใช้ผลลัพธ์จากการทดลองแบบ holdout เพื่อปรับเทียบและตรวจสอบความถูกต้องของค่าสัมประสิทธิ์ MMM ของพวกเขา เนื่องจากโมเดลที่ขัดแย้งกับผลการทดลองที่ชัดเจนมีแนวโน้มที่จะขาดตัวแปรบางอย่างไป

เนทีฟและโซเชียลอยู่ในตำแหน่งใดใน MMM#

เครือข่ายเนทีฟและแพลตฟอร์มโซเชียลมักถูกจำลองเป็นรายการแยกต่างหากเพราะเส้นโค้งการตอบสนองของพวกเขาแตกต่างกัน: เครือข่ายอย่าง Taboola มักมีเส้นโค้งที่ยาวและค่อยๆ สร้างผลกระทบช้ากว่าการรณรงค์แซร์ชแบบกำหนดเป้าหมายแน่นหนา และสินค้าคงคลังที่ซื้อผ่านแพลตฟอร์มฝั่งผู้ซื้อโฆษณา (demand-side platform) มักแสดงรูปร่างที่แตกต่างออกไปอีก ก่อนที่คุณจะสร้างโมเดลที่สามารถป้องกันได้ (defensible) คุณต้องการการติดตามการแปลงในระดับช่องทางที่สะอาดและข้อมูลการใช้จ่ายที่แบ่งแยกอย่างถูกต้อง ซึ่งมักเป็นส่วนที่ยากที่สุดในทางปฏิบัติ การสังเกตว่าคู่แข่งใช้จ่ายและมีปริมาณครีเอทีฟเคลื่อนไหวบนเครือข่ายใดเครือข่ายหนึ่งมากน้อยเพียงใด โดยใช้เครื่องมืออย่างแพลตฟอร์มข่าวกรองโฆษณา (ad intelligence) ของ OpenAdLibrary เป็นการตรวจสอบความสมเหตุสมผลที่มีประโยชน์ว่าส่วนร่วมของช่องทางที่โมเดลประมาณการมานั้นสอดคล้องกับสิ่งที่กำลังเกิดขึ้นจริงในตลาดหรือไม่ และROAS ที่รายงานมานั้นมีความเป็นไปได้เมื่อเทียบกับมันหรือไม่

ข้อจำกัด#

MMM ต้องการข้อมูลย้อนหลังในปริมาณที่มีนัยสำคัญ โดยปกติคือข้อมูลรายสัปดาห์อย่างน้อยหนึ่งปีหรือมากกว่า เพื่อสร้างโมเดลที่เสถียร มันยังตอบสนองช้า: ค่าสัมประสิทธิ์ของช่องทางจะไม่อัปเดตแบบเรียลไทม์เหมือนที่แดชบอร์ดของแพลตฟอร์มทำ ดังนั้น MMM จึงทำงานได้ดีกว่าในฐานะเครื่องมือวางแผนกลยุทธ์รายไตรมาสมากกว่าเครื่องมือปรับแต่งรายวัน นอกจากนี้ การใช้จ่ายที่สัมพันธ์กัน (correlated spend) เช่น การเพิ่มงบประมาณบนสองช่องทางพร้อมกันทุกครั้ง ทำให้ยากในทางสถิติที่จะแยกผลกระทบของแต่ละช่องทางออกจากกัน ซึ่งเป็นปัญหาที่เรียกว่า collinearity และไม่ว่าทักษะในการซื้อสื่อ (media buying) จะดีเพียงใดก็ไม่สามารถแก้ไขโมเดลที่ขาดข้อมูลที่มันต้องการได้