MMM vs Atribusi

Pemodelan Bauran Pemasaran (MMM) dan atribusi multisentuhan (MTA) sama-sama berusaha menjawab "apa yang mendorong penjualan?", tetapi dari arah yang berlawanan.

MMM bergerak dari atas ke bawah: menggunakan data agregat deret waktu tentang pengeluaran dan penjualan untuk memperkirakan kontribusi setiap kanal. MTA bergerak dari bawah ke atas: merangkai titik kontak pengguna individual menuju satu konversi.

Praktisi berpengalaman menggunakan keduanya karena mengetahui bahwa masing-masing memiliki titik buta yang sebagian dapat ditutupi oleh yang lain.

MMM melakukan regresi penjualan terhadap faktor pendorong pemasaran dan nonpemasaran dari waktu ke waktu. Hasilnya berupa elastisitas pada tingkat kanal dan dekomposisi penjualan menjadi kontribusi dasar dan inkremental.

Yang terpenting, MMM menangkap kanal luring (TV, radio, OOH) dan dampak jangka panjang yang tidak dapat dilihat oleh pelacakan pada tingkat pengguna.

MTA memberikan kredit sebagian kepada setiap titik kontak yang dilacak dan ditemui pengguna sebelum melakukan konversi. Modelnya berkisar dari klik terakhir hingga kredit bergaya Shapley berbasis data.

MTA unggul untuk perjalanan digital yang dapat dilacak dengan kuki dan memberikan atribusi kanal serta kampanye yang terperinci, hampir secara waktu nyata.

Inti pertukarannya: atribusi bersifat terperinci tetapi sempit; MMM bersifat luas tetapi kurang terperinci.

MTA dapat memberi tahu materi iklan mana yang menghasilkan konversi bagi pengguna, tetapi mengabaikan TV, rekomendasi dari mulut ke mulut, dan apa pun di luar jendela pelacakannya. MMM melihat keseluruhan anggaran, tetapi tidak dapat menelusuri hingga satu kampanye atau audiens tertentu.

Penghentian penggunaan kuki, ATT (App Tracking Transparency), dan aturan persetujuan telah mengikis sinyal tingkat pengguna yang menjadi andalan MTA.

Karena MMM hanya menggunakan data agregat, metode ini sebagian besar kebal terhadap perubahan tersebut. Inilah alasan utama MMM kembali populer di kalangan pengiklan besar.

Kedua metode berisiko menyamakan korelasi dengan kausalitas. Penelusuran sering mendapat kredit berlebihan karena menangkap permintaan yang sebenarnya diciptakan oleh saluran lain.

Inkrementalitas yang sebenarnya menjawab: apakah penjualan ini akan tetap terjadi tanpa belanja tersebut? Eksperimen geografis dan pengujian kelompok kontrol adalah standar emas yang menjadi acuan kalibrasi MMM dan MTA.

MTA melihat dalam jendela konversi selama beberapa hari hingga beberapa minggu. MMM dapat memodelkan efek berkelanjutan dan dampak merek jangka panjang selama berbulan-bulan melalui efek peluruhan iklan dan komponen tren.

Jika Anda menilai kampanye merek hanya dengan MTA, Anda akan secara sistematis meremehkannya karena hasilnya muncul di luar jendela tersebut.

MMM memerlukan riwayat mingguan selama 2–3 tahun: belanja per saluran, penjualan, harga, promosi, distribusi, dan faktor eksternal seperti cuaca atau indeks makroekonomi.

MTA memerlukan catatan peristiwa yang bersih dan dideduplikasi, dengan pengenal pengguna tetap di seluruh titik kontak, yang semakin sulit diperoleh.

Tumpukan pengukuran yang matang menggunakan triangulasi: MMM untuk alokasi anggaran strategis di seluruh saluran, MTA untuk pengoptimalan taktis dalam saluran, dan pengujian untuk mengalibrasi keduanya.

Ketika MMM dan MTA tidak sepakat, kesenjangan itu sendiri informatif karena sering menunjukkan jalur yang tidak terlacak atau mendapat kredit berlebihan.

MMM gagal ketika saluran bergerak bersamaan (kolinearitas), ketika riwayat terlalu singkat, atau ketika model terlalu disesuaikan dengan gangguan acak.

MTA gagal ketika pelacakan tidak lengkap, ketika bias klik terakhir mendominasi pelaporan, dan ketika konversi luring tidak pernah masuk ke dalam kumpulan data.

Tanyakan: apakah pertanyaannya strategis atau taktis? Apakah pertanyaan itu mencakup media luring? Apakah data tingkat pengguna dapat diandalkan dalam konteks ini?

Perencanaan anggaran tahunan untuk TV, media digital, dan ritel cenderung menggunakan MMM. Pengoptimalan akun penelusuran berbayar minggu depan cenderung menggunakan MTA. Validasi untuk keduanya cenderung menggunakan pengujian.

Uji pemahaman Anda tentang kapan MMM lebih unggul daripada atribusi.

MMM bersifat top-down, agregat, kebal terhadap perubahan privasi, dan sangat baik untuk alokasi strategis di seluruh media, termasuk media luring. MTA bersifat bottom-up, terperinci, dan paling baik untuk pengoptimalan digital taktis, tetapi rentan terhadap hilangnya pelacakan.

Tidak ada yang lengkap jika digunakan sendirian. Lakukan triangulasi terhadap MMM, MTA, dan pengujian, lalu biarkan pengujian inkrementalitas menyelesaikan perbedaan di antara ketiganya.