MMM versus attributie

MTA kent een gedeeltelijke bijdrage toe aan elk gevolgd contactmoment waarmee een gebruiker vóór de conversie in aanraking kwam. Modellen lopen uiteen van attributie op basis van de laatste klik tot datagestuurde toewijzing volgens Shapley-stijl.

De methode werkt uitstekend voor digitale klanttrajecten die met cookies kunnen worden gevolgd en geeft gedetailleerde kanaal- en campagnebijdragen die vrijwel realtime beschikbaar zijn.

De belangrijkste afweging: attributie is gedetailleerd maar beperkt; MMM is breed maar grof.

MTA kan je vertellen welke advertentievariant tot een conversie bij een gebruiker leidde, maar negeert televisie, mond-tot-mondreclame en alles buiten het meetvenster. MMM bekijkt het volledige budget, maar kan niet inzoomen op één campagne of doelgroep.

De uitfasering van cookies, ATT (App Tracking Transparency) en toestemmingsregels hebben het signaal op gebruikersniveau waar MTA van afhankelijk is verzwakt.

Omdat MMM alleen geaggregeerde gegevens gebruikt, heeft het nauwelijks last van deze veranderingen. Dat is de belangrijkste reden waarom MMM bij grote adverteerders weer sterk in opmars is.

Beide methoden lopen het risico correlatie met causaliteit te verwarren. Zoekadvertenties krijgen vaak te veel krediet omdat ze vraag opvangen die door andere kanalen is gecreëerd.

Echte incrementaliteit beantwoordt de vraag: zou deze verkoop zonder de uitgaven hebben plaatsgevonden? Geografische experimenten en controlegroep-experimenten zijn de gouden standaard waaraan MMM en MTA moeten worden gekalibreerd.

MTA kijkt binnen een conversievenster van dagen tot weken. MMM kan via adstock en trendtermen rekening houden met doorwerking en langetermijneffecten van merken die maanden beslaan.

Als je een merkcampagne alleen met MTA beoordeelt, onderschat je die systematisch omdat de opbrengst buiten het venster valt.

MMM heeft twee tot drie jaar aan wekelijkse historische gegevens nodig: uitgaven per kanaal, verkoop, prijs, promoties, distributie en externe factoren zoals weer of macro-economische indexen.

MTA heeft schone, ontdubbelde gebeurtenislogboeken nodig met blijvende gebruikers-ID's over verschillende contactmomenten heen. Die zijn steeds moeilijker te verkrijgen.

Volwassen meetsystemen gebruiken triangulatie: MMM voor strategische budgetverdeling over kanalen, MTA voor tactische optimalisatie binnen kanalen en experimenten om beide te kalibreren.

Als MMM en MTA van elkaar verschillen, is dat verschil op zichzelf informatief. Het wijst vaak op niet-gemeten of te zwaar toegeschreven paden.

MMM faalt wanneer kanalen zich gelijktijdig ontwikkelen (collineariteit), wanneer de historische periode te kort is of wanneer het model te sterk op ruis is afgestemd.

MTA faalt wanneer de meting onvolledig is, wanneer vertekening door de laatste klik de rapportage domineert en wanneer offlineconversies nooit in de gegevensset terechtkomen.

Vraag je af: is de vraag strategisch of tactisch? Omvat die ook offline media? Zijn gegevens op gebruikersniveau hier betrouwbaar?

Jaarlijkse budgetplanning voor televisie, digitale media en retail neigt naar MMM. Een account voor betaalde zoekadvertenties volgende week optimaliseren neigt naar MTA. Voor de validatie van beide zijn experimenten het meest geschikt.

MMM werkt van bovenaf, gebruikt geaggregeerde gegevens, is privacybestendig en is geschikt voor strategische verdeling over alle media, inclusief offline media. MTA werkt van onderaf, is gedetailleerd en is het meest geschikt voor tactische digitale optimalisatie, maar is kwetsbaar voor verlies van meetgegevens.

Geen van beide is op zichzelf volledig. Gebruik triangulatie met MMM, MTA en experimenten, en laat incrementaliteitsexperimenten geschillen tussen beide beslechten.