การสร้างแบบจำลองส่วนผสมทางการตลาด

การสร้างแบบจำลองส่วนประสมการตลาด (MMM) เป็นเทคนิคการวิเคราะห์ทางสถิติที่วัดปริมาณการมีส่วนร่วมของแต่ละช่องทางการตลาด รวมถึงปัจจัยที่ไม่ใช่การตลาด ต่อผลลัพธ์ทางธุรกิจ เช่น รายได้ โดยใช้ข้อมูลในอดีตแบบรวมแทนการติดตามระดับผู้ใช้

MMM ได้รับการพัฒนาขึ้นในช่วงทศวรรษ 1960 สำหรับโฆษณา TV และสิ่งพิมพ์ และกลับมาได้รับความนิยมอีกครั้งเมื่อการติดตามดิจิทัลมีความน่าเชื่อถือน้อยลง โดยเป็นแนวทางการวัดผลเดียวที่ทำงานได้อย่างสมบูรณ์โดยไม่ใช้ตัวระบุระดับผู้ใช้หรือคุกกี้

การระบุแหล่งที่มาทำงานในระดับผู้ใช้แต่ละราย โดยติดตามลูกค้าเฉพาะรายตลอดเส้นทางผ่านจุดสัมผัสที่ติดตามได้ ส่วน MMM ทำงานในระดับประชากร โดยวิเคราะห์รูปแบบค่าใช้จ่ายและรายได้รวมตามช่วงเวลาเพื่ออนุมานการมีส่วนร่วมของแต่ละช่องทาง

การระบุแหล่งที่มามีรายละเอียดสูงแต่ไม่ครบถ้วน เพราะไม่ครอบคลุมออฟไลน์ โซเชียลที่ติดตามไม่ได้ และจุดสัมผัสที่ไม่ได้ติดตาม ส่วน MMM มองเห็นภาพรวมทางสถิติ แต่ไม่สามารถระบุเส้นทางของลูกค้าแต่ละรายได้ แนวทางทั้งสองจึงช่วยเสริมกัน ไม่ได้แข่งขันกัน

แบบจำลอง MMM ต้องใช้ข้อมูลอนุกรมเวลารายสัปดาห์หรือรายเดือนสำหรับค่าใช้จ่ายการตลาดแยกตามช่องทาง รายได้หรือคอนเวอร์ชัน และตัวแปรภายนอกที่ส่งผลต่อยอดขายโดยไม่ขึ้นกับการตลาด ซึ่งรวมถึงฤดูกาล กิจกรรมของคู่แข่ง การเปลี่ยนแปลงราคา ตัวชี้วัดเศรษฐกิจมหภาค และสภาพอากาศ

คุณภาพของผลลัพธ์จาก MMM แปรผันโดยตรงตามคุณภาพและความครบถ้วนของข้อมูลนำเข้า ช่องทางหรือตัวแปรภายนอกที่ขาดหายไปจะทำให้แบบจำลองระบุผลกระทบของสิ่งเหล่านั้นผิด โดยโยนผลกระทบไปเป็นของช่องทางที่มีอยู่ในชุดข้อมูล

ผลลัพธ์สำคัญของ MMM คือแผนภูมิแยกรายได้ที่แสดงว่ารายได้ทั้งหมดในสัดส่วนเท่าใดมาจากแต่ละช่องทางการตลาด อุปสงค์พื้นฐาน (สิ่งที่จะเกิดขึ้นหากไม่มีการตลาด) และปัจจัยภายนอก

โดยทั่วไปการแยกส่วนนี้จะแสดงให้เห็นว่ารายได้สัดส่วนที่มากกว่าที่ทีมการตลาดส่วนใหญ่คาดไว้มาจากอุปสงค์พื้นฐาน ซึ่งช่วยปรับมุมมองในการพูดคุยเกี่ยวกับผลกระทบทั้งหมดของการตลาดและมูลค่าเพิ่มของแต่ละช่องทาง

แอดสต็อกหมายถึงผลต่อเนื่องของโฆษณา ซึ่งเป็นแนวคิดว่าค่าใช้จ่ายโฆษณาในวันนี้ยังคงมีอิทธิพลต่อยอดขายในสัปดาห์ต่อ ๆ ไป เนื่องจากความทรงจำและการรับรู้แบรนด์ค่อย ๆ ลดลงแทนที่จะหายไปทันที

ผลตอบแทนที่ลดลงอธิบายว่าเงินที่ใช้จ่ายเพิ่มแต่ละหน่วยในช่องทางหนึ่งสร้างรายได้เพิ่มน้อยกว่าเงินหน่วยก่อนหน้าอย่างไร MMM คำนวณทั้งอัตราการเสื่อมของแอดสต็อกและจุดที่ผลตอบแทนเริ่มลดลงสำหรับแต่ละช่องทาง

เส้นโค้งความอิ่มตัวแสดงความสัมพันธ์ระหว่างค่าใช้จ่ายของช่องทางกับผลลัพธ์ด้านรายได้ โดยแสดงให้เห็นว่ารายได้เติบโตอย่างรวดเร็วเมื่อใช้จ่ายในระดับต่ำ จากนั้นจะเริ่มราบเรียบเมื่อช่องทางไปถึงจุดอิ่มตัว

เส้นโค้งเหล่านี้ซึ่งได้มาจากผลลัพธ์ของ MMM เป็นพื้นฐานของการเพิ่มประสิทธิภาพงบประมาณ โดยแสดงให้เห็นว่าช่องทางใดยังมีพื้นที่ให้เติบโต (ใช้จ่ายต่ำ เส้นโค้งชัน) เทียบกับช่องทางใดที่อิ่มตัวแล้ว (ใช้จ่ายสูง เส้นโค้งราบ) และควรย้ายงบไปยังที่อื่น

Robyn ของ Meta (แพ็กเกจ R) และ LightweightMMM ของ Google (Python) เป็นกรอบการทำงาน MMM แบบโอเพนซอร์สชั้นนำสองรายการ ทำให้สามารถเข้าถึงการวิเคราะห์ส่วนประสมการตลาดขั้นสูงได้โดยไม่ต้องพึ่งผู้จำหน่ายที่มีซอฟต์แวร์กรรมสิทธิ์ราคาแพง

Robyn ใช้อัลกอริทึมเชิงวิวัฒนาการเพื่อปรับเทียบแบบจำลองโดยอัตโนมัติ และสร้างผลลัพธ์เครื่องมือเพิ่มประสิทธิภาพงบประมาณกับเส้นโค้งความอิ่มตัวได้โดยตรง LightweightMMM ใช้การอนุมานแบบเบย์ ทำให้สามารถวัดปริมาณความไม่แน่นอนของผลลัพธ์แบบจำลองได้ ซึ่งเป็นข้อได้เปรียบสำคัญเมื่อต้องสื่อสารช่วงความเชื่อมั่นแก่ผู้มีอำนาจตัดสินใจ

เครื่องมือเพิ่มประสิทธิภาพงบประมาณของ MMM รับเส้นโค้งความอิ่มตัวเป็นข้อมูลนำเข้า และคำนวณการจัดสรรงบประมาณรวมคงที่ที่ทำให้รายได้คาดการณ์สูงสุด โดยพื้นฐานแล้วคือการหาจุดบนเส้นโค้งของแต่ละช่องทางที่สร้างรายได้เพิ่มต่อเงินหนึ่งดอลลาร์ที่ใช้จ่ายได้มากที่สุด

คำแนะนำจาก MMM ที่พบโดยทั่วไป ได้แก่ ลดค่าใช้จ่ายในช่องทาง TV หรือโฆษณาแบบดิสเพลย์ที่อิ่มตัวแล้ว และจัดสรรงบประมาณใหม่ไปยังช่องทางดิจิทัลที่ยังมีพื้นที่ให้เติบโต พร้อมช่วงผลกระทบต่อรายได้ที่คาดการณ์ไว้ในหลายกรณี

MMM ต้องใช้ข้อมูลรายสัปดาห์อย่างน้อยสองปีเพื่อสร้างผลลัพธ์ที่น่าเชื่อถือ เนื่องจากอนุกรมเวลาที่สั้นกว่านั้นไม่สามารถแยกรูปแบบตามฤดูกาลออกจากผลกระทบทางการตลาดที่แท้จริงได้ นอกจากนี้ยังมีระยะหน่วงด้วย โดยทั่วไปแบบจำลองจะอัปเดตรายไตรมาส จึงไม่สามารถใช้ประกอบการตัดสินใจเกี่ยวกับแคมเปญแบบทันทีได้

MMM ยังทำงานได้ยากกับช่องทางที่มีความสัมพันธ์กันสูง เช่น TV และวิดีโอออนไลน์ที่ลงโฆษณาพร้อมกันเสมอ และไม่สามารถวัดผลกระทบจากการกำหนดเป้าหมายระดับกลุ่มผู้ชมแบบละเอียด ซึ่งการระบุแหล่งที่มาระดับผู้ใช้สามารถวัดได้

กรอบการวัดผลขั้นสูงจะใช้ MMM สำหรับการตัดสินใจจัดสรรงบประมาณเชิงกลยุทธ์ เช่น ควรลงทุนในช่องทางใดในไตรมาสหน้า และใช้การระบุแหล่งที่มาสำหรับการเพิ่มประสิทธิภาพเชิงยุทธวิธีระหว่างที่แคมเปญกำลังดำเนินอยู่ เช่น คำหลัก กลุ่มผู้ชม และชิ้นงานโฆษณาใดที่ทำให้เกิดคอนเวอร์ชันในวันนี้

MMM ช่วยปรับเทียบแบบจำลองการระบุแหล่งที่มา โดยเปิดเผยว่าการระบุแหล่งที่มาให้เครดิตแก่ช่องทางใดมากหรือน้อยเกินจริงอย่างเป็นระบบ ทำให้เกิดวงจรป้อนกลับที่ช่วยเพิ่มความแม่นยำของแนวทางการวัดผลทั้งสองแบบเมื่อเวลาผ่านไป

เทคนิคทั่วไปในการตรวจสอบผลลัพธ์ของ MMM คือการทดลองแบบกันพื้นที่ โดยปิดช่องทางหนึ่งในตลาดทดสอบชุดหนึ่ง ขณะที่ยังคงเปิดช่องทางนั้นในตลาดควบคุม แล้วเปรียบเทียบความแตกต่างของรายได้กับการมีส่วนร่วมของช่องทางนั้นตามที่ MMM คาดการณ์ไว้

เมื่อผลการทดลองแบบกันกลุ่มใกล้เคียงกับการคาดการณ์ของ MMM ความเชื่อมั่นในความแม่นยำของแบบจำลองจะเพิ่มขึ้น ความแตกต่างอย่างมีนัยสำคัญบ่งชี้ว่าข้อมูลนำเข้าของแบบจำลองอาจขาดตัวแปรสำคัญ หรือการกำหนดรูปแบบแอดสต็อกอาจต้องปรับแก้

ทดสอบความเข้าใจของคุณเกี่ยวกับการสร้างแบบจำลองส่วนประสมการตลาด

MMM คำนวณการมีส่วนร่วมต่อรายได้ของแต่ละช่องทางจากข้อมูลรวม โดยไม่ต้องพึ่งการติดตามระดับผู้ใช้ ทำให้เป็นแนวทางการวัดผลที่ยั่งยืนที่สุดในโลกที่ให้ความสำคัญกับความเป็นส่วนตัวเป็นอันดับแรก

เส้นโค้งความอิ่มตัวและเครื่องมือเพิ่มประสิทธิภาพงบประมาณจาก Robyn หรือ LightweightMMM ช่วยแปลงผลลัพธ์ของแบบจำลองให้เป็นการตัดสินใจจัดสรรงบประมาณใหม่ที่นำไปปฏิบัติได้ การใช้ MMM ร่วมกับการระบุแหล่งที่มาจะสร้างชุดการวัดผลที่ครบถ้วน โดยใช้ MMM สำหรับกลยุทธ์ และการระบุแหล่งที่มาสำหรับยุทธวิธี