Marketingmixmodellering (MMM)

Marketingmixmodellering is een statistische benadering die de bijdrage van marketingactiviteiten en externe factoren aan een bedrijfsresultaat, meestal omzet of winst, schat aan de hand van geaggregeerde tijdreeksgegevens. In plaats van individuele gebruikers te volgen, worden resultaten geregresseerd ten opzichte van uitgaven per kanaal, prijs, promotie, distributie, seizoensinvloeden, concurrentieactiviteit en economische omstandigheden. Dit levert schattingen op van de bijdrage van elke input en de afnemende meeropbrengsten daarvan.

Deze techniek bestond al lang vóór de opkomst van digitale reclame en werd ontwikkeld voor bedrijven in de consumentengoederensector, waarvan de media, waaronder televisie, print en buitenreclame, nooit op individueel niveau konden worden gevolgd. De recente hernieuwde populariteit is een direct gevolg van de afname van tracking op gebruikersniveau: doordat third-party cookies, mobiele identificatoren en cross-site metingen minder betrouwbaar zijn geworden, heeft geaggregeerde modellering weer aan relevantie gewonnen. Deze methode vereist namelijk helemaal geen gegevens op gebruikersniveau en is daarom niet afhankelijk van toestemmingspercentages en platformbeperkingen.

De belangrijkste sterke punten zijn de volledige dekking en neutraliteit. Het kan kanalen omvatten die gebruikersgerichte attributie niet kan zien, zoals televisie, radio, print, sponsoring en buitenreclame, naast digitale kanalen. Ook kan het niet-marketingfactoren zoals prijsstelling, seizoensinvloeden en macro-economische omstandigheden meenemen die attributie volledig negeert. Omdat alle kanalen binnen één raamwerk worden geëvalueerd, wordt de systematische vertekening van platformgerapporteerde resultaten vermeden, waarbij elk platform dezelfde conversies claimt.

De beperkingen zijn eveneens structureel. Het vereist lange historische gegevens, doorgaans twee tot drie jaar aan consistente wekelijkse data, wat jonge bedrijven en periodes na een grote verandering in de rapportage uitsluit. Het vereist daadwerkelijke variatie in uitgaven om effecten te kunnen inschatten, waardoor kanalen met een constant budget niet geëvalueerd kunnen worden. Het levert richtlijnen op kanaalniveau op in plaats van details op campagne- of creatief niveau, waardoor het geen informatie biedt voor dagelijkse optimalisatie. Gecorreleerde uitgaven over verschillende kanalen maken het moeilijk om individuele bijdragen te onderscheiden. En keuzes in modelspecificatie, waaronder de manier waarop carry-over-effecten en verzadigingscurven worden behandeld, hebben een aanzienlijke invloed op de resultaten, wat betekent dat twee bekwame analisten verschillende conclusies kunnen trekken uit dezelfde data.

De praktische oplossing voor deze beperkingen is triangulatie in plaats van te vertrouwen op één enkele methode. Mixmodellering biedt een strategisch overzicht van de bijdrage van kanalen en de budgettoewijzing. Incrementaliteitsexperimenten valideren specifieke kanalen op basis van hun causaliteit en kunnen worden gebruikt om de priors van het model te kalibreren. Attributie levert tactische, bijna realtime signalen voor optimalisatie tijdens de vlucht. Elk van deze methoden is op zichzelf zwak; in combinatie verhoogt overeenstemming het vertrouwen en wijst onenigheid op waar nader onderzoek nodig is.

De praktische implementatie hangt meestal meer af van de voorbereiding van de gegevens dan van de modelleertechniek, en die voorbereiding is aanzienlijk. Uitgaven moeten consistent worden verzameld over alle kanalen en perioden, inclusief bureaukosten en productiekosten waar deze een wezenlijke invloed hebben op het totaalbedrag. Externe factoren moeten worden verzameld en afgestemd, waaronder concurrentieactiviteiten waar mogelijk, prijswijzigingen, veranderingen in de distributie, het weer voor relevante categorieën en macro-economische indicatoren. Promotieperiodes en eenmalige evenementen moeten worden gemarkeerd, zodat het model hun effecten niet toeschrijft aan de reclame die toevallig tegelijkertijd liep. Organisaties ontdekken in deze fase vaak dat ze hun eigen uitgavenhistorie niet op wekelijkse schaal kunnen reconstrueren, wat op zich al een belangrijke bevinding is, ongeacht of het model uiteindelijk wordt gebouwd.

De acceptatie is aanzienlijk toegenomen door de komst van open-source implementaties en Bayesiaanse frameworks die kleinere datasets aankunnen en het mogelijk maken dat experimentele resultaten direct in het model worden meegenomen. De waarde hangt echter af van de datakwaliteit en de bereidheid van organisaties om actie te ondernemen op basis van resultaten die in tegenspraak zijn met de rapportage van het platform. In de praktijk ligt de modellering zelf bij de organisatie. Data analyticsterwijl de budgetbeslissingen die eraan ten grondslag liggen toebehoren aan groei management en strategische planning en advisering, aangezien het herverdelen van uitgaven over verschillende kanalen doorgaans evenzeer een kwestie van governance is als van analyse.