Modelowanie miksu marketingowego

Modelowanie marketing mix (MMM) to technika analizy statystycznej, która określa udział poszczególnych kanałów marketingowych (oraz czynników niezwiązanych z marketingiem) w wynikach biznesowych, takich jak przychód, na podstawie zagregowanych danych historycznych, a nie śledzenia na poziomie użytkownika.

Modelowanie marketing mix powstało w latach 60. XX wieku na potrzeby reklamy telewizyjnej i prasowej, a obecnie przeżywa renesans, ponieważ śledzenie cyfrowe staje się mniej wiarygodne — jest to jedyne podejście pomiarowe, które działa całkowicie bez identyfikatorów użytkowników i plików cookie.

Atrybucja działa na poziomie pojedynczego użytkownika, śledząc konkretnych klientów na kolejnych etapach ich ścieżki przez rejestrowane punkty styku. MMM działa na poziomie populacji, analizując zagregowane wzorce wydatków i przychodów w czasie w celu oszacowania udziału poszczególnych kanałów.

Atrybucja jest szczegółowa, ale niepełna — pomija działania offline, dark social i nieśledzone punkty styku. MMM zapewnia statystyczny obraz całości, ale nie umożliwia identyfikowania ścieżek pojedynczych klientów. Oba podejścia uzupełniają się, zamiast ze sobą konkurować.

Model MMM wymaga tygodniowych lub miesięcznych szeregów czasowych obejmujących: wydatki marketingowe według kanałów, przychód lub liczbę konwersji oraz zmienne zewnętrzne, które niezależnie od marketingu wpływają na sprzedaż — w tym sezonowość, działania konkurencji, zmiany cen, wskaźniki makroekonomiczne i pogodę.

Jakość wyników MMM jest wprost proporcjonalna do jakości i kompletności danych wejściowych. Brakujące kanały lub czynniki zewnętrzne sprawią, że model błędnie przypisze ich wpływ kanałom obecnym w zbiorze danych.

Jednym z kluczowych wyników MMM jest wykres dekompozycji przychodów pokazujący, jaki procent całkowitego przychodu przypisuje się poszczególnym kanałom marketingowym, popytowi bazowemu (czyli temu, co wydarzyłoby się przy zerowych nakładach marketingowych) oraz czynnikom zewnętrznym.

Taki rozkład zazwyczaj pokazuje, że większa część przychodu pochodzi z popytu bazowego, niż oczekuje większość zespołów marketingowych. Prowadzi to do bardziej realistycznej oceny całkowitego wpływu marketingu i przyrostowej wartości poszczególnych kanałów.

Adstock oznacza efekt przeniesienia działania reklamy — koncepcję, zgodnie z którą dzisiejsze wydatki reklamowe nadal wpływają na sprzedaż w kolejnych tygodniach, ponieważ pamięć o marce i świadomość marki stopniowo, a nie natychmiastowo, wygasają.

Malejące zwroty opisują sytuację, w której każda kolejna jednostka wydatków w danym kanale generuje mniejszy przychód przyrostowy niż poprzednia. MMM określa zarówno tempo wygasania efektu adstock, jak i punkt malejących zwrotów dla każdego kanału.

Krzywe nasycenia przedstawiają zależność między wydatkami na kanał a uzyskiwanym przychodem — pokazują, że przychód szybko rośnie przy niskim poziomie wydatków, a następnie się stabilizuje, gdy kanał osiąga punkt nasycenia.

Krzywe te, wyznaczane na podstawie wyników MMM, stanowią podstawę optymalizacji budżetu: pokazują, które kanały mają jeszcze przestrzeń do wzrostu (niskie wydatki, stroma krzywa), a które są nasycone (wysokie wydatki, płaska krzywa) i w przypadku których należy przekierować budżet gdzie indziej.

Robyn firmy Meta (pakiet R) oraz LightweightMMM firmy Google (Python) to dwa wiodące rozwiązania open source do modelowania marketing mix, dzięki którym zaawansowana analiza marketing mix jest dostępna bez korzystania z drogich, własnościowych usług dostawców.

Robyn wykorzystuje algorytmy ewolucyjne do automatycznej kalibracji modeli i bezpośrednio generuje wyniki optymalizacji budżetu oraz krzywe nasycenia. LightweightMMM korzysta z wnioskowania bayesowskiego, umożliwiając określanie niepewności wyników modelu — co stanowi istotną zaletę podczas przedstawiania decydentom przedziałów ufności.

Narzędzie optymalizacji budżetu MMM przyjmuje krzywe nasycenia jako dane wejściowe i wyznacza alokację stałego łącznego budżetu, która maksymalizuje prognozowany przychód — zasadniczo znajduje punkt na krzywej każdego kanału, w którym generuje on największy przychód przyrostowy na jednostkę wydatków.

Typowe rekomendacje MMM obejmują ograniczenie wydatków na nasycone kanały telewizyjne lub displayowe i przekierowanie ich do kanałów cyfrowych z niewykorzystanym potencjałem wzrostu, często wraz z prognozowanymi przedziałami wpływu na przychód.

MMM wymaga co najmniej dwóch lat danych tygodniowych, aby zapewnić wiarygodne wyniki — krótsze szeregi czasowe nie pozwalają oddzielić wzorców sezonowych od rzeczywistych efektów marketingowych. Model ma również opóźnienie: zwykle aktualizuje się go co kwartał, dlatego nie może wspierać podejmowania decyzji dotyczących kampanii w czasie rzeczywistym.

MMM ma również trudności z kanałami silnie skorelowanymi (np. telewizją i reklamą wideo online, które są zawsze prowadzone jednocześnie) i nie może mierzyć szczegółowych efektów targetowania odbiorców, które rejestruje atrybucja na poziomie użytkownika.

Zaawansowane podejście pomiarowe łączy MMM do podejmowania strategicznych decyzji dotyczących alokacji budżetu (w które kanały inwestować w następnym kwartale) z atrybucją do taktycznej optymalizacji trwających kampanii (które słowa kluczowe, grupy odbiorców i kreacje konwertują obecnie).

MMM kalibruje modele atrybucji, pokazując, w których miejscach atrybucja systematycznie zawyża lub zaniża udział kanałów, tworząc pętlę sprzężenia zwrotnego, która z czasem zwiększa dokładność obu podejść pomiarowych.

Typową techniką weryfikowania wyników MMM jest przeprowadzenie geograficznego eksperymentu typu holdout — wyłączenie kanału na wybranych rynkach testowych przy jednoczesnym utrzymaniu go na rynkach kontrolnych — a następnie porównanie różnicy w przychodach z prognozowanym przez MMM udziałem tego kanału.

Gdy wynik eksperymentu z grupą kontrolną jest zbliżony do prognozy MMM, rośnie zaufanie do dokładności modelu. Znaczące rozbieżności sygnalizują, że w danych wejściowych modelu może brakować kluczowych zmiennych lub że należy dostosować specyfikację modelu adstock.

Sprawdź swoją znajomość modelowania marketing mix.

MMM określa udział poszczególnych kanałów w przychodach na podstawie danych zagregowanych, bez zależności od śledzenia na poziomie użytkownika — dzięki temu jest najbardziej trwałym podejściem pomiarowym w świecie, w którym prywatność staje się priorytetem.

Krzywe nasycenia i narzędzia optymalizacji budżetu z Robyn lub LightweightMMM przekładają wyniki modelu na konkretne decyzje o przesunięciu budżetu. Połączenie MMM z atrybucją tworzy kompletny zestaw pomiarowy: MMM służy strategii, atrybucja — taktyce.