Медіамікс-моделювання (MMM): визначення та принцип роботи

Медіамікс-моделювання (MMM) — це статистичний метод, який оцінює, наскільки кожен маркетинговий канал сприяє продажам або конверсіям загалом, використовуючи історичні дані про витрати та результати, а не відстеження на рівні окремих осіб. Замість того, щоб слідкувати за одним кліком користувача до покупки, MMM аналізує щотижневі або щомісячні підсумки: скільки ви витратили на нативну рекламу, платний пошук і телебачення порівняно з кількістю проданих одиниць, а потім будує модель, яка пояснює цю закономірність.

Чому це існує#

Кожен метод атрибуції має сліпу зону. Клік-орієнтовані моделі надмірно приписують заслугу каналу, який знаходиться найближче до продажу, а відстеження на рівні особи потребує постійного ідентифікатора в точках взаємодії, що стало складніше підтримувати через відмову від файлів cookie та обмеження відстеження в додатках. MMM уникає обох проблем, оскільки ніколи не потребує ідентифікації окремого користувача або відстеження його на різних пристроях. Він працює повністю на агрегованих даних на рівні каналів, що робить його стійким до питань конфіденційності та придатним навіть для офлайн-каналів, як-от телебачення, радіо або зовнішня реклама, які взагалі не створюють клікабельного сліду.

Що входить до моделі#

Типова MMM регресує продажі залежно від щотижневих витрат на рекламу на канал, плюс контрольні змінні: сезонність, зміни цін, активність конкурентів та акції. Результатом є набір коефіцієнтів, що показують оцінений внесок кожного каналу та його криву спадної віддачі — точку, де додатковий долар витрат починає приносити менше граничних продажів, ніж попередній долар. Ця модель спадної віддачі часто відображає те, що відбувається і на рівні креативів, де тривала частота викликає креативну втому задовго до того, як це помітить модель на рівні каналу. Базові продажі — те, що ви продали б без маркетингу, — відокремлюються від продажів, зумовлених маркетингом, тому модель випадково не приписує рекламі попит, який існував і без неї.

MMM проти живого контрольного сегмента#

Експеримент із живою інкрементальністю дає точний, експериментально підтверджений показник приросту для одного каналу за один тестовий період, ціною призупинення або зменшення реальних витрат. MMM працює безперервно у фоновому режимі, використовуючи вже наявні дані, охоплюючи всі канали одночасно, але його точність залежить від наявності достатньої варіації історичних витрат, щоб відокремити вплив одного каналу від іншого. Багато аналітичних команд використовують результати контрольних сегментів для калібрування та валідації своїх коефіцієнтів MMM, оскільки модель, яка суперечить чистому експериментальному результату, ймовірно, пропускає якусь змінну.

Де нативна та соціальна реклама вписуються в MMM#

Нативні мережі та соціальні платформи зазвичай моделюються як окремі позиції, оскільки їхні криві відгуку відрізняються: мережа на кшталт Taboola має довшу, повільнішу криву, ніж вузькотаргетована пошукова кампанія, а інвентар, придбаний через платформу попиту, часто має ще іншу форму. Перш ніж побудувати обґрунтовану модель, вам потрібне чисте відстеження конверсій на рівні каналів і правильно розбиті дані про витрати — це зазвичай найскладніша частина на практиці. Спостереження за тим, скільки витрат і креативного обсягу конкурентів рухається в певній мережі, за допомогою такого інструменту, як платформа рекламної розвідки OpenAdLibrary, є корисною перевіркою того, чи узгоджується змодельований внесок каналу з тим, що насправді відбувається на ринку, і чи є звітний ROAS правдоподібним поруч із ним.

Обмеження#

MMM потребує значної кількості історичних даних, зазвичай рік або більше щотижневих спостережень, щоб побудувати стабільну модель. Він також реагує повільно: коефіцієнт каналу не оновлюється в реальному часі, як це робить панель приладів платформи, тому MMM краще працює як стратегічний інструмент квартального планування, ніж щоденної оптимізації. Корельовані витрати — підвищення бюджету на двох каналах одночасно щоразу — також роблять статистично важким відокремлення їхніх індивідуальних ефектів, проблема відома як колінеарність, і жодна майстерність медіабаїнгу не виправить модель, якій бракує необхідних даних.