Marketing Mix Modellezés (MMM)

A marketingmix modellezése egy statisztikai megközelítés, amely aggregált idősoros adatok felhasználásával becsüli meg a marketingtevékenységek és a külső tényezők hozzájárulását egy üzleti eredményhez, jellemzően az értékesítéshez vagy a bevételhez. Az egyes felhasználók nyomon követése helyett az eredményeket a csatorna, az ár, a promóció, a disztribúció, a szezonalitás, a versenytársak aktivitása és a gazdasági körülmények szerinti költésekhez viszonyítva vizsgálja, becsléseket készítve az egyes bemenetek hozzájárulásáról és csökkenő hozamáról.

A technika jóval a digitális hirdetések előtti időkből származik, mivel olyan fogyasztási cikkeket gyártó vállalatok számára fejlesztették ki, amelyek médiáját – beleértve a televíziót, a nyomtatott és a kültéri sajtót – soha nem lehetett egyéni szinten nyomon követni. A technika közelmúltbeli visszatérése a felhasználói szintű követés erodálódásának közvetlen következménye: mivel a harmadik féltől származó sütik, a mobilazonosítók és a webhelyeken átívelő mérések kevésbé megbízhatóvá váltak, az aggregált modellezés ismét relevánssá vált, mivel egyáltalán nem igényel felhasználói szintű adatokat, és ezért nincsenek rá hatással a hozzájárulási arányok és a platformkorlátozások.

Fő erősségei a lefedettség és a semlegesség. Magában foglalhatja azokat a csatornákat is, amelyeket a felhasználói szintű attribúció nem lát, mint például a televízió, a rádió, a nyomtatott sajtó, a szponzoráció és a házon kívüli hirdetések, a digitális csatornák mellett, és olyan nem marketing jellegű mozgatórugókat is beépíthet, mint az árazás, a szezonalitás és a makrogazdasági feltételek, amelyeket az attribúció teljesen figyelmen kívül hagy. Mivel minden csatornát egyetlen keretrendszeren belül értékelnek, elkerülhető a platformok által jelentett eredmények szisztematikus torzítása, ahol minden platform ugyanazokat a konverziókat állítja.

Korlátai ugyanilyen strukturálisak. Hosszú előzményeket igényel, jellemzően két-három évnyi konzisztens heti adatot, ami kizárja a fiatal vállalkozásokat és a jelentéstételben bekövetkezett jelentős változásokat követő időszakokat. A hatások becsléséhez valódi költésbeli eltérésekre van szükség, így az állandó költségvetéssel tartott csatornák nem értékelhetők. Csatornaszintű útmutatást ad, nem pedig kampány- vagy kreatív szintű részleteket, így nem tud tájékoztatást nyújtani a napi optimalizáláshoz. A csatornák közötti korrelált költések megnehezítik az egyes hozzájárulások elkülönítését. A modellspecifikációs döntések, beleértve az átviteli hatások és a telítési görbék kezelésének módját, lényegesen befolyásolják az eredményeket, ami azt jelenti, hogy két hozzáértő elemző ugyanazon adatokból eltérő válaszokat adhat.

Ezen korlátokra a gyakorlati válasz a trianguláció, nem pedig egyetlen módszerre való támaszkodás. A keverékmodellezés stratégiai képet ad a csatornák hozzájárulásáról és a költségvetés elosztásáról. Az inkrementális kísérletek ok-okozatilag validálják az egyes csatornákat, és felhasználhatók a modell priorjainak kalibrálására. Az attribúció taktikai, közel valós idejű jelet nyújt a folyamatos optimalizáláshoz. Mindegyik önmagában gyenge; együttesen használva az egyezésük növeli a bizalmat, az egyet nem értésük pedig meghatározza, hogy hol kell vizsgálni a folyamatokat.

A gyakorlati alkalmazás általában jobban függ az adatelőkészítéstől, mint a modellezési technikától, és az előkészítés jelentős. A költéseket következetesen kell összegyűjteni a csatornák és időszakok között, beleértve az ügynökségi díjakat és a termelési költségeket, ahol ezek lényegesen befolyásolják az összeget. Külső tényezőket kell felkutatni és összehangolni, beleértve a versenytársak tevékenységét, ahol lehetséges, az árváltozásokat, a disztribúció változásait, a releváns kategóriák időjárását és a makrogazdasági mutatókat. A promóciós időszakokat és az egyszeri eseményeket meg kell jelölni, hogy a modell ne tulajdonítsa hatásukat az egyidejűleg futó hirdetéseknek. A szervezetek gyakran ebben a szakaszban tapasztalják, hogy nem tudják heti részletességgel rekonstruálni saját költési előzményeiket, ami önmagában is egy olyan megállapítás, amelyre érdemes reagálni, függetlenül attól, hogy a modell elkészült-e vagy sem.

Az adaptáció jelentősen kiszélesedett a nyílt forráskódú implementációk és a Bayes-keretrendszerek megjelenésével, amelyek kisebb adathalmazokat kezelnek, és lehetővé teszik, hogy a kísérleti eredmények közvetlenül tájékoztassák a modellt. Az érték mindazonáltal az adatminőségtől és a szervezetek azon hajlandóságától függ, hogy reagáljanak a platformjelentéseknek ellentmondó eredményekre. A gyakorlatban maga a modellezés a következővel foglalkozik: adatelemzés, míg az általa megalapozott költségvetési döntések a következőkhöz tartoznak: növekedés menedzsment és a stratégiai tervezés és tanácsadás, mivel a csatornák közötti kiadások újraelosztása általában legalább annyira irányítási, mint analitikai kérdés.