Digital Marketing Academy · บทเรียน

ข้อมูลนำเข้าและตัวแปร

งบที่ใช้ ฤดูกาล และฐานข้อมูล

ข้อมูลนำเข้าและตัวแปร เป็นบทเรียน Digital Marketing Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Digital Marketing Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน

โครงสร้างของข้อมูลนำเข้า MMM

คุณภาพของ MMM ดีได้เท่ากับคุณภาพของข้อมูลนำเข้าเท่านั้น ข้อมูลเหล่านี้แบ่งเป็นสามกลุ่ม ได้แก่ ตัวแปรสื่อ (คันโยกที่คุณควบคุมได้) ตัวแปรควบคุม (ปัจจัยที่คุณควบคุมไม่ได้) และตัวแปรตาม (สิ่งที่คุณต้องการพยากรณ์)

การกำหนดข้อมูลเหล่านี้ให้ถูกต้องในระดับความละเอียดและความถี่ที่เหมาะสมคือส่วนใหญ่ของงานในการสร้างแบบจำลองที่น่าเชื่อถือ

dependent : sales or revenue (weekly)
media     : spend or impressions per channel
controls  : price, promo, seasonality, macro
transforms: adstock, saturation

ตัวแปรตาม

เลือกผลลัพธ์ที่สะอาด เช่น จำนวนหน่วยที่ขาย รายได้ หรือลูกค้าใหม่ ควรกำหนดให้สอดคล้องกันว่าเป็นยอดรวมสุทธิหรือยอดรวมก่อนหักรายการต่าง ๆ และไม่รวมสินค้าที่คืนหรือไม่

สร้างแบบจำลองในระดับความละเอียดที่คุณนำไปดำเนินการได้จริง ซึ่งโดยทั่วไปคือข้อมูลรายสัปดาห์ระดับประเทศหรือภูมิภาค ข้อมูลรายวันเพิ่มสัญญาณรบกวน ส่วนข้อมูลรายเดือนบดบังการเปลี่ยนแปลงต่าง ๆ

ตัวแปรสื่อ: การใช้จ่ายเทียบกับการแสดงผล

คุณสามารถป้อนข้อมูลสื่อเป็นการใช้จ่ายหรือการเปิดรับสื่อ เช่น จำนวนการแสดงผล คะแนนเรตติ้งรวม หรือการคลิก จำนวนการแสดงผลช่วยแยกการส่งมอบโฆษณาออกจากต้นทุน ซึ่งมีความสำคัญเมื่อค่าต้นทุนต่อการแสดงผลพันครั้งเปลี่ยนแปลงมาก

แนวทางที่พบได้บ่อยคือ สร้างแบบจำลองเส้นโค้งการตอบสนองจากจำนวนการแสดงผล แล้วจึงแปลงกลับเป็นการใช้จ่ายเพื่อคำนวณ ROI ควรใช้หน่วยให้สอดคล้องกันภายในช่องทางเดียวกันเสมอ

TV     -> GRPs
Search -> clicks or spend
Social -> impressions
OOH    -> spend (no impression feed)

การสะสมผลโฆษณา (ผลตกค้าง)

ผลของโฆษณายังคงอยู่หลังช่วงที่โฆษณาเผยแพร่สิ้นสุดลง การสะสมผลโฆษณาจะจำลองการลดลงของผลดังกล่าว เพื่อให้ยอดขายในสัปดาห์นี้สะท้อนสื่อจากสัปดาห์ก่อน ๆ

อัตราการลดลงแลมบ์ดาควบคุมความทรงจำของแบบจำลอง โดย 0.0 หมายถึงไม่มีผลตกค้าง ส่วน 0.8 หมายถึงมีหางผลกระทบยาว TV มักมีการสะสมผลโฆษณาสูงกว่าการค้นหา

adstock_t = media_t + lambda * adstock_(t-1)

lambda=0.3 (search): fast decay
lambda=0.7 (TV):     slow decay, long memory

การอิ่มตัว (ผลตอบแทนลดลง)

การเพิ่มการใช้จ่ายเป็นสองเท่าแทบไม่เคยทำให้ยอดขายเพิ่มเป็นสองเท่า การแปลงสำหรับการอิ่มตัวช่วยสะท้อนผลตอบแทนที่ลดลง เพื่อไม่ให้แบบจำลองคาดการณ์ต่อแบบเส้นตรงไปตลอด

การแปลงแบบฮิลล์หรือแบบลอการิทึมจะทำให้เส้นโค้งการตอบสนองโค้งงอ และกำหนดเพดานที่สมเหตุสมผลกับช่วงการดำเนินงานที่มีประสิทธิภาพให้แต่ละช่องทาง

Hill:  response = x^a / (x^a + k^a)

low spend  -> steep gains
high spend -> flattening curve (saturated)

ตัวแปรควบคุม

ตัวแปรควบคุมช่วยดูดซับปัจจัยที่ไม่ใช่สื่อ เพื่อไม่ให้เครดิตปัจจัยเหล่านั้นถูกมอบให้โฆษณาอย่างไม่ถูกต้อง ปัจจัยสำคัญ ได้แก่ ราคา การส่งเสริมการขาย การจัดจำหน่ายหรือความพร้อมจำหน่าย กิจกรรมของคู่แข่ง และดัชนีเศรษฐกิจมหภาค

การละเว้นตัวแปรควบคุมที่มีอิทธิพลสูงจะทำให้สัมประสิทธิ์ของสื่อมีความเอนเอียง และมักทำให้ช่องทางที่บังเอิญดำเนินการในช่วงจัดโปรโมชันได้รับเครดิตสูงเกินจริง

price        : average selling price
promo        : 0/1 flag or % discount depth
distribution : stores or % ACV
competitor   : share of voice / spend
macro        : consumer confidence, CPI

ฤดูกาลและแนวโน้ม

ผลิตภัณฑ์จำนวนมากมีรูปแบบตามฤดูกาลที่ชัดเจน ให้จับรูปแบบเหล่านี้ด้วยตัวแปรบ่งชี้รายเดือนหรือรายสัปดาห์ พจน์ฟูริเยร์ หรือดัชนีฤดูกาล พร้อมเพิ่มพจน์แนวโน้มเพื่อสะท้อนการเติบโตหรือการลดลงพื้นฐาน

หากไม่มีสิ่งเหล่านี้ ยอดขายที่เพิ่มขึ้นตามฤดูกาลจะไหลไปอยู่ในตัวแปรสื่อที่บังเอิญดำเนินการในช่วงฤดูกาลสูงสุด

fourier: sin(2*pi*t/52), cos(2*pi*t/52)
trend:   t (linear) or spline
holiday: black_friday_flag, holiday_flag

การแยกยอดฐานกับผลลัพธ์ส่วนเพิ่ม

MMM แยกยอดฐาน (สิ่งที่จะขายได้หากไม่มีสื่อใหม่: คุณค่าของแบรนด์ การจัดจำหน่าย และราคา) ออกจากผลลัพธ์ส่วนเพิ่มที่เกิดจากสื่อ

แบบจำลองที่ดีมักแสดงยอดฐานขนาดใหญ่และมีเสถียรภาพ หากสื่อสามารถ “อธิบาย” ยอดขายได้เกือบทั้งหมด ตัวแปรควบคุมน่าจะยังอ่อนเกินไป

total_sales = base + sum(media_contributions)

base        : 70%
incremental : 30% (split across channels)

ข้อควรระวังเกี่ยวกับพหุสหสัมพันธ์

เมื่อช่องทางต่าง ๆ ดำเนินการพร้อมกัน แบบจำลองจะไม่สามารถแยกผลของแต่ละช่องทางออกจากกันได้ และสัมประสิทธิ์จะไม่เสถียร บางครั้งถึงกับเปลี่ยนเครื่องหมาย

ตรวจวินิจฉัยด้วยเมทริกซ์สหสัมพันธ์และ VIF วิธีลดปัญหาคือทำให้การใช้จ่ายแตกต่างกันไปตามเวลา เพิ่มความแตกต่างเชิงภูมิศาสตร์ หรือใช้ค่าก่อนหน้าแบบเบย์เพื่อทำให้ค่าประมาณมีเสถียรภาพ

corr(TV, Social) = 0.91  -> high collinearity
VIF > 10                 -> unstable estimate
fix: stagger flights, add geo splits, priors

รายการตรวจสอบการจัดระเบียบตัวแปร

จัดแนวอนุกรมข้อมูลทั้งหมดให้ใช้ปฏิทินและเขตเวลาเดียวกัน จงเติมช่องว่างอย่างมีเจตนา อย่าใช้ศูนย์โดยไม่แจ้ง เพราะศูนย์อาจหมายถึง “ไม่มีการใช้จ่าย” หรือ “ไม่มีข้อมูล”

ปรับลดทอนอนุกรมข้อมูลทางการเงินเพื่อสะท้อนเงินเฟ้อ หากช่วงเวลาที่ใช้ยาวนาน และบันทึกการแปลงข้อมูลทุกขั้นตอนเพื่อให้ทำซ้ำผลลัพธ์ได้

การรวมข้อมูลนำเข้าเข้าด้วยกัน

เมทริกซ์การออกแบบขั้นสุดท้ายประกอบด้วยตัวแปรควบคุมดิบและสื่อที่ผ่านการแปลงแล้ว แต่ละคอลัมน์ของสื่อจะผ่านการสะสมผลโฆษณาและการอิ่มตัวก่อนเข้าสู่การถดถอย

ลำดับของกระบวนการประมวลผลนี้มีความสำคัญ คือจัดการผลตกค้างก่อน (ผลเกิดขึ้นเมื่อใด) แล้วจัดการการอิ่มตัวเป็นลำดับที่สอง (ผลมีขนาดเท่าใด)

raw_TV -> adstock(lambda=0.7) -> saturation(Hill)
        -> column TV_eff in model

sales = base + b1*TV_eff + b2*Search_eff
             + b3*price + b4*promo + season

ตรวจสอบความเข้าใจอย่างรวดเร็ว

ระบุการแปลงที่เหมาะสมสำหรับปรากฏการณ์แต่ละประเภท

สรุปทบทวน

ข้อมูลนำเข้า MMM ได้แก่ ตัวแปรตาม ตัวแปรสื่อ (แปลงด้วยการสะสมผลโฆษณาแล้วจึงจัดการการอิ่มตัว) และตัวแปรควบคุม (ราคา การส่งเสริมการขาย การจัดจำหน่าย ฤดูกาล และเศรษฐกิจมหภาค)

ตัวแปรควบคุมที่แข็งแรงช่วยป้องกันการมอบเครดิตให้สื่อสูงเกินจริง และอนุกรมข้อมูลที่สะอาด ใช้ขนาดมาตรฐานอย่างสอดคล้อง และมีเอกสารกำกับอย่างดี คือรากฐานของแบบจำลองที่น่าเชื่อถือ

คำถามที่พบบ่อย

บทเรียน “ข้อมูลนำเข้าและตัวแปร” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “ข้อมูลนำเข้าและตัวแปร” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Digital Marketing Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “ข้อมูลนำเข้าและตัวแปร”

งบที่ใช้ ฤดูกาล และฐานข้อมูล คุณปฏิบัติ Digital Marketing Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Digital Marketing Academy หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Digital Marketing Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน

บทเรียน “ข้อมูลนำเข้าและตัวแปร” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Digital Marketing Academy นี้ได้ไหม

ได้ บทเรียน Digital Marketing Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ Digital Marketing Academy