Pemodelan Bauran Pemasaran

Pemodelan Bauran Pemasaran (MMM) adalah teknik analisis statistik yang mengukur kontribusi setiap kanal pemasaran (dan faktor nonpemasaran) terhadap hasil bisnis seperti pendapatan, menggunakan data historis teragregasi alih-alih pelacakan tingkat pengguna.

MMM dikembangkan pada 1960-an untuk periklanan TV dan cetak dan kembali populer ketika pelacakan digital menjadi kurang andal—ini adalah satu-satunya pendekatan pengukuran yang sepenuhnya berfungsi tanpa pengenal tingkat pengguna atau kuki.

Atribusi bekerja pada tingkat pengguna individu, dengan melacak pelanggan tertentu sepanjang perjalanan mereka di berbagai titik kontak yang terlacak. MMM bekerja pada tingkat populasi, dengan menganalisis pola agregat pembelanjaan dan pendapatan dari waktu ke waktu untuk menyimpulkan kontribusi kanal.

Atribusi bersifat terperinci tetapi tidak lengkap (tidak mencakup kanal luring, interaksi sosial yang tidak terlihat, dan titik kontak yang tidak terlacak). MMM melihat gambaran statistik yang utuh, tetapi tidak dapat mengidentifikasi perjalanan pelanggan individu. Kedua pendekatan ini saling melengkapi, bukan bersaing.

Model MMM memerlukan data deret waktu mingguan atau bulanan untuk: pembelanjaan pemasaran berdasarkan kanal, pendapatan atau konversi, serta variabel eksternal yang memengaruhi penjualan secara independen dari pemasaran—termasuk pola musiman, aktivitas pesaing, perubahan harga, indikator makroekonomi, dan cuaca.

Kualitas hasil MMM berbanding lurus dengan kualitas dan kelengkapan masukannya. Kanal atau faktor eksternal yang hilang akan menyebabkan model salah mengatribusikan pengaruhnya kepada kanal yang ada dalam kumpulan data.

Salah satu hasil inti MMM adalah bagan dekomposisi pendapatan yang menunjukkan persentase total pendapatan yang diatribusikan kepada setiap kanal pemasaran, permintaan dasar (apa yang akan terjadi tanpa pemasaran), dan faktor eksternal.

Dekomposisi ini biasanya mengungkapkan bahwa porsi pendapatan yang lebih besar berasal dari permintaan dasar daripada yang diperkirakan sebagian besar tim pemasaran, sehingga mengkalibrasi ulang pembahasan tentang dampak total pemasaran dan nilai tambahan setiap kanal.

Efek berkelanjutan iklan merujuk pada efek yang terbawa dari iklan—gagasan bahwa pembelanjaan iklan hari ini terus memengaruhi penjualan pada minggu-minggu mendatang ketika ingatan dan kesadaran merek berkurang secara bertahap, bukan seketika.

Imbal hasil yang menurun menjelaskan bahwa setiap unit tambahan pembelanjaan dalam suatu kanal menghasilkan pendapatan tambahan yang lebih kecil daripada unit sebelumnya. MMM mengukur laju peluruhan efek berkelanjutan iklan dan titik imbal hasil yang menurun untuk setiap kanal.

Kurva kejenuhan menggambarkan hubungan antara pembelanjaan kanal dan hasil pendapatan—menunjukkan bahwa pendapatan tumbuh cepat pada tingkat pembelanjaan rendah, lalu mendatar ketika kanal mencapai titik jenuhnya.

Kurva ini, yang diperoleh dari hasil MMM, menjadi dasar optimasi anggaran: kurva tersebut menunjukkan kanal mana yang masih memiliki ruang untuk berkembang (pembelanjaan rendah, kurva curam) dibandingkan kanal mana yang sudah jenuh (pembelanjaan tinggi, kurva datar) dan anggarannya sebaiknya dialihkan ke kanal lain.

Robyn dari Meta (paket R) dan LightweightMMM dari Google (Python) adalah dua kerangka kerja MMM sumber terbuka terkemuka, yang membuat analisis bauran pemasaran canggih dapat diakses tanpa vendor eksklusif yang mahal.

Robyn menggunakan algoritme evolusioner untuk kalibrasi model otomatis dan secara langsung menghasilkan hasil pengoptimal anggaran serta kurva kejenuhan. LightweightMMM menggunakan inferensi Bayesian, sehingga memungkinkan kuantifikasi ketidakpastian dalam hasil model—keunggulan signifikan untuk mengomunikasikan interval kepercayaan kepada pengambil keputusan.

Pengoptimal anggaran MMM menerima kurva kejenuhan sebagai masukan dan menentukan alokasi total anggaran tetap yang memaksimalkan pendapatan yang diprediksi—pada dasarnya menemukan titik pada kurva setiap kanal yang memberikan pendapatan tambahan terbesar untuk setiap dolar yang dibelanjakan.

Rekomendasi MMM yang umum mencakup pengurangan pembelanjaan pada kanal TV atau iklan tampilan yang sudah jenuh dan pengalokasian ulang ke kanal digital yang masih memiliki ruang pertumbuhan, sering kali disertai rentang dampak pendapatan yang diproyeksikan.

MMM memerlukan setidaknya dua tahun data mingguan untuk menghasilkan hasil yang andal—deret waktu yang lebih singkat tidak dapat memisahkan pola musiman dari efek pemasaran yang sebenarnya. MMM juga memiliki jeda waktu: model biasanya diperbarui setiap kuartal, sehingga tidak dapat memberikan informasi untuk keputusan kampanye secara waktu nyata.

MMM juga kesulitan menangani kanal yang sangat berkorelasi (misalnya TV dan video online yang selalu berjalan bersamaan) dan tidak dapat mengukur efek penargetan pada tingkat audiens secara terperinci yang dapat ditangkap oleh atribusi tingkat pengguna.

Kerangka pengukuran canggih menggabungkan MMM untuk keputusan alokasi anggaran strategis (kanal mana yang akan diinvestasikan pada kuartal berikutnya) dengan atribusi untuk optimasi taktis selama kampanye berlangsung (kata kunci, audiens, dan materi iklan mana yang menghasilkan konversi hari ini).

MMM mengalibrasi model atribusi dengan mengungkapkan kanal mana yang secara sistematis diberi kredit terlalu besar atau terlalu kecil oleh atribusi, sehingga menciptakan siklus umpan balik yang meningkatkan akurasi kedua pendekatan pengukuran dari waktu ke waktu.

Teknik validasi yang umum untuk hasil MMM adalah menjalankan eksperimen kelompok pembanding geografis—menonaktifkan suatu kanal di serangkaian pasar uji sambil mempertahankannya di pasar kontrol—lalu membandingkan perbedaan pendapatan dengan kontribusi kanal yang diprediksi MMM.

Ketika hasil eksperimen kelompok pembanding mendekati prediksi MMM, keyakinan terhadap keakuratan model meningkat. Perbedaan yang signifikan menandakan bahwa masukan model mungkin tidak mencakup variabel penting atau spesifikasi efek berkelanjutan iklan perlu disesuaikan.

Uji pemahaman Anda tentang Pemodelan Bauran Pemasaran.

MMM mengukur kontribusi pendapatan kanal dari data agregat tanpa bergantung pada pelacakan tingkat pengguna—menjadikannya pendekatan pengukuran paling tahan lama di dunia yang mengutamakan privasi.

Kurva kejenuhan dan pengoptimal anggaran dari Robyn atau LightweightMMM menerjemahkan hasil model menjadi keputusan pengalokasian ulang yang dapat ditindaklanjuti. Menggabungkan MMM dengan atribusi menciptakan kerangka pengukuran lengkap: MMM untuk strategi, atribusi untuk taktik.