Моделирование маркетингового комплекса

Моделирование маркетингового комплекса (MMM) — это метод статистического анализа, который оценивает вклад каждого маркетингового канала и немаркетинговых факторов в такие бизнес-результаты, как выручка, используя агрегированные исторические данные вместо отслеживания пользователей на индивидуальном уровне.

MMM было разработано в 1960-х годах для телевизионной и печатной рекламы и переживает новое развитие по мере того, как цифровое отслеживание становится менее надёжным. Это единственный подход к измерению, который полностью работает без идентификаторов пользователей и файлов cookie.

Атрибуция работает на уровне отдельного пользователя, отслеживая путь конкретных клиентов через зафиксированные точки контакта. MMM работает на уровне совокупности пользователей, анализируя во времени агрегированные закономерности расходов и выручки, чтобы определить вклад каналов.

Атрибуция детализирована, но неполна: она не учитывает офлайн-каналы, скрытые переходы из социальных сетей и неотслеживаемые точки контакта. MMM статистически охватывает всю картину, но не может определить путь отдельного клиента. Эти два подхода дополняют друг друга, а не конкурируют.

Для модели MMM необходимы временные ряды с еженедельными или ежемесячными данными о расходах на маркетинг по каналам, выручке или конверсиях, а также о внешних переменных, которые независимо от маркетинга влияют на продажи, включая сезонность, активность конкурентов, изменения цен, макроэкономические показатели и погоду.

Качество результата MMM прямо пропорционально качеству и полноте входных данных. Отсутствующие каналы или внешние факторы заставят модель ошибочно приписать их влияние каналам, представленным в наборе данных.

Один из основных результатов MMM — диаграмма разложения выручки, показывающая, какая доля общей выручки приходится на каждый маркетинговый канал, базовый спрос (то, что произошло бы при нулевых маркетинговых расходах) и внешние факторы.

Такое разложение обычно показывает, что доля выручки от базового спроса больше, чем ожидает большинство маркетинговых команд. Это меняет представление об общем влиянии маркетинга и дополнительной ценности каждого канала.

Эффект переноса рекламы означает, что сегодняшние расходы на рекламу продолжают влиять на продажи в последующие недели: память о бренде и осведомлённость о нём постепенно ослабевают, а не исчезают мгновенно.

Убывающая отдача означает, что каждая дополнительная единица расходов на канал приносит меньше дополнительной выручки, чем предыдущая. MMM оценивает и скорость затухания эффекта переноса рекламы, и точку убывающей отдачи для каждого канала.

Кривые насыщения показывают связь между расходами на канал и получаемой выручкой: при небольших расходах выручка быстро растёт, а затем рост замедляется, когда канал достигает точки насыщения.

Эти кривые, построенные на основе результатов MMM, служат основой оптимизации бюджета: они показывают, у каких каналов ещё есть потенциал роста (небольшие расходы, крутой участок кривой), а какие уже насыщены (большие расходы, пологая кривая) и требуют перераспределения бюджета.

Robyn от Meta (пакет R) и LightweightMMM от Google (Python) — две ведущие системы MMM с открытым исходным кодом, делающие сложный анализ маркетингового комплекса доступным без дорогостоящих коммерческих поставщиков.

Robyn использует эволюционные алгоритмы для автоматической настройки модели и напрямую формирует результаты оптимизации бюджета и кривые насыщения. LightweightMMM использует байесовский вывод, позволяя оценивать неопределённость результатов модели. Это особенно важно при передаче лицам, принимающим решения, информации о доверительных интервалах.

Оптимизатор бюджета MMM получает на вход кривые насыщения и рассчитывает распределение фиксированного общего бюджета, максимизирующее прогнозируемую выручку. Иными словами, он находит на кривой каждого канала точку, которая приносит наибольшую дополнительную выручку на единицу расходов.

Типичные рекомендации MMM включают сокращение расходов на насыщенные каналы, такие как TV или медийная реклама, и перераспределение средств в цифровые каналы с сохранившимся потенциалом роста, часто с указанием диапазона прогнозируемого влияния на выручку.

Для надёжных результатов MMM требуются еженедельные данные как минимум за два года: более короткие временные ряды не позволяют отделить сезонные закономерности от реального влияния маркетинга. Кроме того, модели имеют задержку: обычно их обновляют ежеквартально, поэтому они не могут использоваться для принятия решений по кампаниям в реальном времени.

MMM также испытывает трудности при работе с тесно взаимосвязанными каналами, например TV и онлайн-видео, которые всегда запускаются вместе, и не может измерять детализированное влияние таргетинга на уровне аудиторий, фиксируемое атрибуцией на уровне пользователей.

Продвинутая система измерения объединяет MMM для принятия стратегических решений о распределении бюджета (в какие каналы инвестировать в следующем квартале) с атрибуцией для тактической оптимизации текущих кампаний (какие ключевые слова, аудитории и рекламные материалы конвертируются сегодня).

MMM калибрует модели атрибуции, показывая, где атрибуция систематически завышает или занижает вклад каналов. Это создаёт цикл обратной связи, который со временем повышает точность обоих подходов к измерению.

Распространённый метод проверки результатов MMM — проведение географического эксперимента с контрольной группой: канал отключают в части тестовых рынков, сохраняя его на контрольных рынках, а затем сравнивают разницу в выручке с прогнозируемым MMM вкладом этого канала.

Если результат эксперимента с контрольной группой близок к прогнозу MMM, уверенность в точности модели возрастает. Существенные расхождения указывают на то, что во входных данных модели могут отсутствовать важные переменные или что необходимо скорректировать параметры эффекта переноса рекламы.

Проверьте, насколько хорошо Вы понимаете моделирование маркетингового комплекса.

MMM оценивает вклад каналов в выручку на основе агрегированных данных, не завися от отслеживания пользователей на индивидуальном уровне. Поэтому это наиболее устойчивый подход к измерению в мире, где приоритетом является конфиденциальность.

Кривые насыщения и оптимизаторы бюджета из Robyn или LightweightMMM превращают результаты модели в практические решения о перераспределении средств. Объединение MMM с атрибуцией создаёт полноценную систему измерения: MMM отвечает за стратегию, а атрибуция — за тактику.