Medya Karışımı Modelleme (MMM): Tanım ve Nasıl Çalışır

Medya karışımı modelleme (MMM), tarihsel harcama ve sonuç verilerini kullanarak her pazarlama kanalının satışa ya da dönüşümlere katkısını toplu olarak tahmin eden istatistiksel bir tekniktir; bireysel‑seviye izleme yerine. Bir kişinin tıklamasını bir satın alma ile izlemek yerine, MMM haftalık ya da aylık toplamları inceler; örneğin yerel, ücretli arama ve TV'ye ne kadar harcadığınız ve kaç birim sattığınız gibi, ardından bu deseni açıklayan bir model oluşturur.

Neden var?#

Her atıf yöntemi bir kör nokta taşır. Tıklama‑bazlı modeller, satışa en yakın kanala fazla kredi verir; kişi‑seviyesi izleme ise temas noktaları arasında kalıcı bir tanımlayıcı gerektirir; çerezlerin ortadan kalkması ve uygulama izleme kısıtlamaları bu tanımlayıcıyı sürdürmeyi zorlaştırdı. MMM, bireysel bir kullanıcıyı tanımlamaya ya da bir cihazda izlemeye hiç ihtiyaç duymadığı için bu iki sorunu da aşar. Tamamen toplu, kanal‑seviyesi verilerle çalışır; bu da gizlilik açısından dayanıklı olmasını ve TV, radyo ya da out‑of‑home gibi tıklanabilir iz bırakmayan çevrim dışı kanallar için bile kullanılabilir olmasını sağlar.

Modelde neler yer alır?#

Tipik bir MMM, satışları kanal başına haftalık ad spend ile regresyon yapar ve kontrol değişkenleri ekler: mevsimsellik, fiyat değişiklikleri, rakip aktiviteleri ve promosyonlar. Çıktı, her kanalın tahmini katkısını ve azalan getiriler eğrisini gösteren bir dizi katsayıdır; ek bir harcama dolarının, bir önceki dolara göre daha az ek satış üretmeye başladığı nokta bu eğridir. Bu azalan‑getiri deseni, yaratıcı seviyede de kendini gösterir; sürdürülen frekans creative fatigue yaratır ve kanal‑seviyesi bir model bunu yakalamadan çok önce ortaya çıkar. Sıfır pazarlama ile elde edilecek temel satışlar, pazarlama‑kaynaklı satışlardan ayrılır; böylece model, zaten var olan talebi reklamlara bağlamaz.

MMM ve canlı holdout karşılaştırması#

Canlı bir artış deneyi, bir kanal için belirli bir test penceresinde kesin, deneysel olarak doğrulanmış bir artış sayısı verir; ancak bu, gerçek harcamayı duraklatma ya da azaltma maliyetiyle olur. MMM, zaten sahip olduğunuz verileri arka planda sürekli çalıştırır, tüm kanalları aynı anda kapsar; ancak kesinliği, bir kanalın etkisini diğerinden ayırmak için yeterli tarihsel harcama varyasyonu olup olmadığına bağlıdır. Birçok analiz ekibi, tutarlı bir deneysel sonuçla çelişen bir modelin muhtemelen bir değişkeni kaçırdığını düşündüklerinden, holdout sonuçlarını MMM katsayılarını kalibre etmek ve doğrulamak için kullanır.

Yerel ve sosyal medyanın MMM'de yeri#

Yerel ağlar ve sosyal platformlar genellikle ayrı satır olarak modellenir; çünkü yanıt eğrileri farklıdır: Taboola gibi bir ağ, sıkı hedeflenmiş bir arama kampanyasından daha uzun ve yavaş bir eğriye sahiptir; ayrıca bir demand-side platform üzerinden alınan envanter başka bir şekil gösterir. Savunulabilir bir model oluşturabilmek için temiz kanal‑seviyesi conversion tracking ve doğru şekilde ayrılmış harcama verilerine ihtiyaç vardır; bu genellikle uygulamada en zor adımdır. Rakip harcaması ve yaratıcı hacminin belirli bir ağda nasıl hareket ettiğini izlemek, OpenAdLibrary'nin ad intelligence platformu gibi bir araçla, bir kanalın modellediği katkının piyasada gerçekleşenlerle uyumlu olup olmadığını ve bildirilen ROAS değerinin mantıklı olup olmadığını kontrol etmek için faydalı bir akıl kontrolüdür.

Sınırlamalar#

MMM, anlamlı bir tarihsel veri miktarına ihtiyaç duyar; genellikle haftalık gözlemlerle bir yıl ya da daha fazla veri, istikrarlı bir model oluşturmak için gereklidir. Ayrıca yavaş tepki verir: bir kanalın katsayısı, bir platform kontrol panelinin yaptığı gibi gerçek zamanlı güncellenmez; bu yüzden MMM, günlük optimizasyondan çok stratejik çeyrek‑planlama aracı olarak daha iyi çalışır. Birden fazla kanal aynı anda bütçe artırdığında ortaya çıkan korele harcama, bireysel etkileri ayırmayı istatistiksel olarak zorlaştırır; bu durum kollinearite olarak bilinir ve hiçbir media buying becerisi eksik veriyi tamamlayamaz.