Mô hình hỗn hợp truyền thông (MMM): Định nghĩa & Cách hoạt động

Mô hình hỗn hợp truyền thông (MMM) là một kỹ thuật thống kê ước tính mức độ đóng góp của mỗi kênh marketing vào doanh số hoặc chuyển đổi trong tổng thể, sử dụng dữ liệu chi tiêu và kết quả lịch sử thay vì theo dõi cấp cá nhân. Thay vì theo dõi một người dùng từ click tới mua hàng, MMM xem các tổng hợp hàng tuần hoặc hàng tháng, số tiền bạn chi cho native, paid search và TV so với số đơn vị bán ra, sau đó xây dựng mô hình giải thích mô hình này.

Tại sao nó tồn tại#

Mỗi phương pháp attribution đều có điểm mù. Các mô hình dựa trên click thường thừa nhận quá mức kênh nào gần giao dịch nhất, và việc theo dõi cấp người dùng cần một định danh liên tục qua các điểm chạm, điều mà việc giảm cookie và các hạn chế theo dõi ứng dụng đã làm khó duy trì. MMM tránh cả hai vấn đề vì nó không bao giờ cần xác định người dùng cá nhân hay theo dõi họ qua thiết bị. Nó hoạt động hoàn toàn trên dữ liệu tổng hợp, cấp kênh, giúp nó chịu được các yêu cầu bảo mật và có thể áp dụng ngay cả với các kênh offline như TV, radio hoặc out-of-home không tạo ra dấu vết click.

Những gì được đưa vào mô hình#

Một MMM điển hình hồi quy doanh số dựa trên chi tiêu hàng tuần ad spend theo kênh, cộng với các biến kiểm soát: tính mùa vụ, thay đổi giá, hoạt động của đối thủ và các chương trình khuyến mãi. Kết quả là một tập hợp các hệ số cho thấy đóng góp ước tính của mỗi kênh và đường cong giảm dần lợi nhuận, điểm mà một đồng đô la chi tiêu thêm bắt đầu tạo ra doanh số tăng thêm ít hơn so với đồng trước. Mô hình giảm dần này thường phản ánh những gì xảy ra ở mức sáng tạo, nơi tần suất duy trì gây creative fatigue lâu hơn so với mô hình cấp kênh có thể phát hiện. Doanh số cơ bản, tức là doanh số bạn có thể bán mà không có marketing, được tách ra khỏi doanh số do marketing tạo ra, vì vậy mô hình không vô tình ghi nhận quảng cáo cho nhu cầu đã tồn tại.

MMM so với một holdout trực tiếp#

Một thí nghiệm tăng trưởng trực tiếp cung cấp cho bạn một con số lift chính xác, được xác minh thực nghiệm cho một kênh trong một khoảng thời gian thử nghiệm, với chi phí tạm dừng hoặc giảm chi tiêu thực tế. MMM chạy liên tục trong nền bằng dữ liệu bạn đã có, bao phủ mọi kênh cùng lúc, nhưng độ chính xác của nó phụ thuộc vào việc có đủ biến đổi chi tiêu lịch sử để tách biệt ảnh hưởng của một kênh so với kênh khác. Nhiều nhóm phân tích sử dụng kết quả holdout để hiệu chỉnh và xác thực các hệ số MMM của họ, vì một mô hình mâu thuẫn với kết quả thực nghiệm sạch sẽ thường thiếu một biến nào đó.

Native và social trong MMM#

Các mạng native và nền tảng xã hội thường được mô hình hoá như các mục riêng vì đường cong phản hồi của chúng khác nhau: một mạng như Taboola có xu hướng có đường cong dài hơn, tăng chậm hơn so với một chiến dịch tìm kiếm được nhắm mục tiêu chặt chẽ, và inventory mua qua một demand-side platform thường lại có một hình dạng khác. Trước khi bạn có thể xây dựng một mô hình đáng tin cậy, bạn cần dữ liệu conversion tracking và chi tiêu cấp kênh được tách riêng đúng cách, thường là phần khó nhất trong thực tiễn. Theo dõi mức chi tiêu của đối thủ và khối lượng sáng tạo trên một mạng cụ thể, sử dụng công cụ như nền tảng ad intelligence của OpenAdLibrary, là một cách kiểm tra hợp lý xem liệu đóng góp mô hình của kênh có phù hợp với thực tế thị trường hay không, và liệu ROAS được báo cáo có hợp lý so với nó.

Hạn chế#

MMM cần một lượng dữ liệu lịch sử đáng kể, thường là một năm hoặc hơn các quan sát hàng tuần, để xây dựng một mô hình ổn định. Nó cũng phản hồi chậm: hệ số của một kênh sẽ không cập nhật ngay lập tức như bảng điều khiển của nền tảng, vì vậy MMM hoạt động tốt hơn như một công cụ lập kế hoạch chiến lược hàng quý hơn là tối ưu hoá hàng ngày. Chi tiêu đồng thời, tăng ngân sách trên hai kênh cùng lúc mỗi lần, cũng làm cho việc tách biệt hiệu ứng cá nhân của chúng trở nên khó khăn về mặt thống kê, một vấn đề được gọi là collinearity, và không có lượng media buying nào có thể khắc phục mô hình thiếu dữ liệu cần thiết.