Pemodelan Campuran Pemasaran

Model MMM memerlukan data siri masa mingguan atau bulanan untuk: perbelanjaan pemasaran mengikut saluran, hasil atau penukaran, serta pemboleh ubah luaran yang mempengaruhi jualan secara bebas daripada pemasaran — termasuk kemusiman, aktiviti pesaing, perubahan harga, penunjuk makroekonomi dan cuaca.

Kualiti keluaran MMM berkadar terus dengan kualiti dan kelengkapan masukannya. Saluran atau faktor luaran yang tiada akan menyebabkan model tersalah mengaitkan kesannya dengan saluran yang terdapat dalam set data.

Salah satu keluaran utama MMM ialah carta penguraian hasil yang menunjukkan peratusan jumlah hasil yang dikaitkan dengan setiap saluran pemasaran, permintaan asas (perkara yang akan berlaku tanpa pemasaran) dan faktor luaran.

Penguraian ini biasanya mendedahkan bahawa bahagian hasil yang lebih besar datang daripada permintaan asas berbanding jangkaan kebanyakan pasukan pemasaran. Hal ini menentukur semula perbincangan tentang jumlah kesan pemasaran dan nilai tambahan setiap saluran.

Kesan bawaan iklan merujuk kepada kesan berterusan pengiklanan — idea bahawa perbelanjaan iklan hari ini terus mempengaruhi jualan pada minggu-minggu akan datang apabila ingatan dan kesedaran jenama merosot secara beransur-ansur, bukannya serta-merta.

Pulangan berkurangan menerangkan keadaan apabila setiap unit tambahan perbelanjaan dalam sesuatu saluran menghasilkan hasil tambahan yang lebih rendah berbanding unit sebelumnya. MMM mengukur kedua-dua kadar susut kesan bawaan iklan dan titik pulangan berkurangan bagi setiap saluran.

Lengkung ketepuan memplot hubungan antara perbelanjaan saluran dengan hasil yang dijana — menunjukkan bahawa hasil berkembang dengan pantas pada tahap perbelanjaan rendah, kemudian mendatar apabila saluran mencapai titik ketepuannya.

Lengkung ini, yang diperoleh daripada keluaran MMM, menjadi asas pengoptimuman belanjawan: lengkung ini mendedahkan saluran yang masih mempunyai ruang untuk berkembang (perbelanjaan rendah, lengkung curam) berbanding saluran yang telah tepu (perbelanjaan tinggi, lengkung mendatar) dan patut dialihkan belanjawannya ke tempat lain.

Robyn oleh Meta (pakej R) dan LightweightMMM oleh Google (Python) ialah dua rangka kerja MMM sumber terbuka yang terkemuka, menjadikan analisis campuran pemasaran yang canggih boleh diakses tanpa vendor proprietari yang mahal.

Robyn menggunakan algoritma evolusi untuk penentukuran model automatik serta menjana keluaran pengoptimum belanjawan dan lengkung ketepuan secara langsung. LightweightMMM menggunakan inferens Bayesian, yang membolehkan pengkuantitian ketidakpastian dalam keluaran model — kelebihan penting untuk menyampaikan selang keyakinan kepada pembuat keputusan.

Pengoptimum belanjawan MMM menerima lengkung ketepuan sebagai masukan dan menyelesaikan pengagihan jumlah belanjawan tetap yang memaksimumkan hasil yang diramalkan — pada asasnya mencari titik pada lengkung setiap saluran yang menyumbang hasil tambahan paling banyak bagi setiap dolar yang dibelanjakan.

Cadangan MMM yang lazim termasuk mengurangkan perbelanjaan dalam saluran TV atau paparan yang telah tepu dan mengagihkannya semula kepada saluran digital yang masih mempunyai ruang pertumbuhan, selalunya bersama julat unjuran kesan terhadap hasil.

MMM memerlukan sekurang-kurangnya dua tahun data mingguan untuk menghasilkan keputusan yang boleh dipercayai — siri masa yang lebih pendek tidak dapat membezakan pola bermusim daripada kesan pemasaran yang sebenar. MMM juga mempunyai kelewatan: model biasanya dikemas kini setiap suku tahun, jadi model tidak dapat memaklumkan keputusan kempen masa nyata.

MMM juga menghadapi kesukaran dengan saluran yang sangat berkorelasi (contohnya, TV dan video dalam talian yang sentiasa dijalankan bersama) dan tidak dapat mengukur kesan penyasaran terperinci pada peringkat khalayak yang dapat ditangkap oleh atribusi peringkat pengguna.

Rangka kerja pengukuran yang canggih menggabungkan MMM untuk keputusan pengagihan belanjawan strategik (saluran yang patut dilaburkan pada suku tahun akan datang) dengan atribusi untuk pengoptimuman taktikal kempen yang sedang berjalan (kata kunci, khalayak dan bahan kreatif yang menghasilkan penukaran hari ini).

MMM menentukur model atribusi dengan mendedahkan saluran yang atribusinya secara sistematik memberikan kredit berlebihan atau terlalu rendah, lalu mewujudkan gelung maklum balas yang meningkatkan ketepatan kedua-dua pendekatan pengukuran dari semasa ke semasa.

Teknik pengesahan yang lazim untuk keluaran MMM ialah menjalankan eksperimen penahanan mengikut geografi — mematikan sesuatu saluran dalam sekumpulan pasaran ujian sambil mengekalkannya dalam pasaran kawalan — dan membandingkan perbezaan hasil dengan sumbangan saluran yang diramalkan oleh MMM.

Apabila hasil eksperimen penahanan hampir dengan ramalan MMM, keyakinan terhadap ketepatan model meningkat. Percanggahan yang ketara menandakan bahawa masukan model mungkin tidak merangkumi pemboleh ubah utama atau spesifikasi kesan bawaan iklan perlu dilaraskan.

MMM mengukur sumbangan hasil setiap saluran daripada data teragregat tanpa bergantung pada penjejakan peringkat pengguna — menjadikannya pendekatan pengukuran yang paling tahan lama dalam dunia yang mengutamakan privasi.

Lengkung ketepuan dan pengoptimum belanjawan daripada Robyn atau LightweightMMM menterjemahkan keluaran model kepada keputusan pengagihan semula yang boleh dilaksanakan. Menggabungkan MMM dengan atribusi menghasilkan rangkaian pengukuran lengkap: MMM untuk strategi dan atribusi untuk taktik.