Моделирование маркетинг-микса (МММ)

Моделирование маркетингового микса — это статистический подход, который оценивает вклад маркетинговых мероприятий и внешних факторов в результат деятельности бизнеса, как правило, в продажи или выручку, используя агрегированные данные временных рядов. Вместо отслеживания отдельных пользователей, он проводит регрессионный анализ результатов в зависимости от расходов по каналам, ценам, акциям, дистрибуции, сезонности, деятельности конкурентов и экономическим условиям, получая оценки вклада каждого фактора и его убывающей отдачи.

Эта технология существовала задолго до появления цифровой рекламы, будучи разработанной для компаний, производящих потребительские товары, для которых отслеживание на индивидуальном уровне, включая телевидение, печатные издания и наружную рекламу, было невозможно. Ее недавнее возвращение к популярности является прямым следствием ослабления отслеживания на уровне пользователя: поскольку сторонние файлы cookie, мобильные идентификаторы и межсайтовые измерения стали менее надежными, агрегированное моделирование вновь обрело актуальность, так как оно вообще не требует данных на уровне пользователя и, следовательно, не зависит от уровня согласия и ограничений платформы.

Его главные преимущества — охват и нейтральность. Он может включать каналы, недоступные для анализа на уровне пользователя, такие как телевидение, радио, печатные издания, спонсорство и наружная реклама, наряду с цифровыми каналами, и может учитывать немаркетинговые факторы, такие как ценообразование, сезонность и макроэкономические условия, которые полностью игнорируются при анализе. Поскольку все каналы оцениваются в рамках единой системы, это позволяет избежать систематической предвзятости результатов, сообщаемых платформами, когда каждая платформа заявляет об одинаковых показателях конверсии.

Его ограничения носят структурный характер. Он требует длительной истории данных, как правило, двух-трех лет стабильных еженедельных наблюдений, что исключает молодые компании и любой период после существенных изменений в отчетности. Для оценки эффектов необходимы реальные колебания расходов, поэтому каналы с постоянным бюджетом не могут быть оценены. Он предоставляет рекомендации на уровне каналов, а не детали на уровне кампаний или креативов, поэтому не может использоваться для ежедневной оптимизации. Корреляция расходов по каналам затрудняет разделение индивидуальных вкладов. А выбор параметров модели, включая обработку эффектов переноса и кривых насыщения, существенно влияет на результаты, что означает, что два компетентных аналитика могут получить разные ответы на основе одних и тех же данных.

Практическим решением этих ограничений является триангуляция, а не опора на один метод. Моделирование смешанных каналов обеспечивает стратегическое представление о вкладе каналов и распределении бюджета. Эксперименты по инкрементальности подтверждают причинно-следственную связь конкретных каналов и могут использоваться для калибровки априорных данных модели. Атрибуция обеспечивает тактический сигнал в режиме, близком к реальному времени, для текущей оптимизации. Каждый из этих методов сам по себе слаб; при совместном использовании согласованность между ними повышает уверенность, а разногласия указывают на области для дальнейших исследований.

Практическое внедрение обычно зависит скорее от подготовки данных, чем от методов моделирования, и эта подготовка весьма существенна. Необходимо последовательно собирать данные о расходах по различным каналам и периодам, включая комиссионные агентствам и производственные затраты, если они существенно влияют на общую сумму. Необходимо учитывать и согласовывать внешние факторы, включая, по возможности, деятельность конкурентов, изменения цен, изменения в дистрибуции, погодные условия для соответствующих категорий товаров и макроэкономические показатели. Периоды проведения рекламных кампаний и разовые мероприятия должны быть отмечены, чтобы модель не приписывала их влияние рекламным кампаниям, проводившимся параллельно. На этом этапе организации часто обнаруживают, что не могут восстановить свою историю расходов с еженедельной детализацией, что само по себе является важным фактором, который стоит учитывать, независимо от того, будет ли построена модель.

С появлением реализаций с открытым исходным кодом и байесовских моделей, которые позволяют работать с меньшими наборами данных и напрямую использовать результаты экспериментов для построения модели, внедрение значительно расширилось. Тем не менее, ценность таких моделей зависит от качества данных и от готовности организаций принимать меры на основе результатов, противоречащих отчетности платформы. На практике же само моделирование осуществляется силами самих разработчиков. аналитика данных, в то время как бюджетные решения, на которые она опирается, относятся к управление ростом и стратегическое планирование и консалтингпоскольку перераспределение расходов между каналами обычно является вопросом управления в той же мере, что и аналитическим вопросом.