Digital Marketing Academy · บทเรียน

MMM กับการระบุแหล่งที่มา

จากภาพรวมสู่รายละเอียดกับจากรายละเอียดสู่ภาพรวม

MMM กับการระบุแหล่งที่มา เป็นบทเรียน Digital Marketing Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Digital Marketing Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน

มุมมองสองแบบต่อคำถามเดียวกัน

การสร้างแบบจำลองส่วนประสมทางการตลาด (MMM) และการระบุแหล่งที่มาแบบหลายจุดสัมผัส (MTA) ต่างพยายามตอบคำถามว่า "อะไรเป็นตัวขับเคลื่อนยอดขาย" แต่เริ่มต้นจากคนละทิศทาง

MMM เป็นแนวทางจากบนลงล่าง โดยใช้ข้อมูลรวมเกี่ยวกับการใช้จ่ายและยอดขายแบบอนุกรมเวลาเพื่อประเมินส่วนสนับสนุนของแต่ละช่องทาง ส่วน MTA เป็นแนวทางจากล่างขึ้นบน โดยเชื่อมจุดสัมผัสรายบุคคลของผู้ใช้เข้าด้วยกันจนถึงการเปลี่ยนเป็นลูกค้าหนึ่งครั้ง

ผู้ปฏิบัติงานที่มีความเชี่ยวชาญใช้ทั้งสองวิธี โดยทราบว่าแต่ละวิธีมีจุดบอดที่อีกวิธีหนึ่งช่วยชดเชยได้บางส่วน

สิ่งที่ MMM วัดได้จริง

MMM วิเคราะห์การถดถอยของยอดขายเทียบกับปัจจัยขับเคลื่อนด้านการตลาดและนอกการตลาดตามเวลา ผลลัพธ์คือค่าความยืดหยุ่นระดับช่องทาง และการแยกองค์ประกอบยอดขายเป็นส่วนสนับสนุนพื้นฐานกับส่วนสนับสนุนที่เพิ่มขึ้น

สิ่งสำคัญคือ MMM ครอบคลุมช่องทางออฟไลน์ (TV วิทยุ OOH) และผลกระทบระยะยาวที่การติดตามในระดับผู้ใช้ไม่สามารถมองเห็นได้

sales_t = base
        + b1*TV_t
        + b2*Search_t
        + b3*Social_t
        + b4*OOH_t
        + seasonality_t
        + error_t

สิ่งที่การระบุแหล่งที่มาวัดได้จริง

MTA จัดสรรเครดิตเป็นสัดส่วนให้แก่จุดสัมผัสที่ติดตามได้แต่ละจุดซึ่งผู้ใช้พบก่อนเปลี่ยนเป็นลูกค้า แบบจำลองมีตั้งแต่การให้เครดิตแก่คลิกสุดท้ายไปจนถึงเครดิตตามแนวคิดแชปลีย์ที่ขับเคลื่อนด้วยข้อมูล

วิธีนี้โดดเด่นกับเส้นทางดิจิทัลที่ติดตามด้วยคุกกี้ได้ และให้เครดิตระดับช่องทางและแคมเปญที่ละเอียดเกือบจะทันที

journey: Display -> Search -> Email -> Convert

last_click:   Display=0.0  Search=0.0  Email=1.0
linear:       Display=0.33 Search=0.33 Email=0.33
data_driven:  Display=0.18 Search=0.55 Email=0.27

ความละเอียดเทียบกับความครอบคลุม

ข้อแลกเปลี่ยนหลักคือ การระบุแหล่งที่มาของผลลัพธ์มีความละเอียดแต่ครอบคลุมแคบ ขณะที่ MMM ครอบคลุมกว้างแต่มีความละเอียดหยาบ

MTA สามารถบอกได้ว่าชิ้นงานโฆษณาใดทำให้ผู้ใช้ดำเนินการตามเป้าหมาย แต่จะไม่พิจารณา TV การบอกต่อ และสิ่งใดก็ตามที่อยู่นอกช่วงเวลาติดตาม ส่วน MMM มองเห็นงบประมาณทั้งหมด แต่ไม่สามารถเจาะลึกไปถึงแคมเปญหรือกลุ่มผู้ชมเพียงกลุ่มเดียวได้

dimension      MMM            MTA
----------     -----------    -----------
data           aggregate      user-level
offline media  yes            no
granularity    channel        campaign/ad
privacy-proof  yes            no

การเปลี่ยนแปลงด้านความเป็นส่วนตัว

การเลิกใช้คุกกี้ ATT (ความโปร่งใสในการติดตามแอป) และกฎเกี่ยวกับความยินยอม ทำให้สัญญาณระดับผู้ใช้ที่ MTA ต้องพึ่งพาเสื่อมลง

เนื่องจาก MMM ใช้เฉพาะข้อมูลรวมระดับภาพรวม จึงแทบไม่ได้รับผลกระทบจากการเปลี่ยนแปลงเหล่านี้ นี่คือเหตุผลหลักที่ทำให้ MMM กลับมาได้รับความนิยมในหมู่ผู้ลงโฆษณารายใหญ่

สหสัมพันธ์ เหตุเป็นผล และผลลัพธ์ส่วนเพิ่ม

ทั้งสองวิธีมีความเสี่ยงที่จะสับสนระหว่างสหสัมพันธ์กับเหตุเป็นผล การค้นหามักได้รับเครดิตเกินจริง เพราะจับความต้องการที่ช่องทางอื่นเป็นผู้สร้างขึ้นมาได้

ผลลัพธ์ส่วนเพิ่มที่แท้จริงตอบคำถามว่า ยอดขายนี้จะเกิดขึ้นหรือไม่หากไม่มีการใช้จ่ายดังกล่าว การทดลองเชิงภูมิศาสตร์และการทดสอบกับกลุ่มกันไว้คือมาตรฐานสูงสุดที่ควรใช้ปรับเทียบ MMM และ MTA

Naive:  Search ROAS = 8.0  (looks amazing)
Geo holdout reveals 40% would convert anyway
Incremental ROAS = 8.0 * 0.60 = 4.8

ขอบเขตเวลาต่างกัน

MTA พิจารณาภายในช่วงเวลาการเปลี่ยนเป็นลูกค้าซึ่งกินเวลาตั้งแต่หลายวันถึงหลายสัปดาห์ ส่วน MMM สามารถจำลองผลตกค้างและผลกระทบระยะยาวของแบรนด์ที่กินเวลาหลายเดือนได้ด้วยการสะสมผลโฆษณาและพจน์แนวโน้ม

หากประเมินแคมเปญสร้างแบรนด์ด้วย MTA เพียงอย่างเดียว คุณจะประเมินคุณค่าของแคมเปญต่ำกว่าความเป็นจริงอย่างเป็นระบบ เพราะผลตอบแทนเกิดขึ้นนอกช่วงเวลาที่ติดตาม

ข้อกำหนดด้านข้อมูล

MMM ต้องใช้ข้อมูลย้อนหลังรายสัปดาห์เป็นเวลา 2-3 ปี ได้แก่ การใช้จ่ายแยกตามช่องทาง ยอดขาย ราคา การส่งเสริมการขาย การจัดจำหน่าย และปัจจัยภายนอก เช่น สภาพอากาศหรือดัชนีเศรษฐกิจมหภาค

MTA ต้องใช้บันทึกเหตุการณ์ที่สะอาดและตัดข้อมูลซ้ำ พร้อมตัวระบุผู้ใช้ที่คงอยู่ตลอดจุดสัมผัสต่าง ๆ ซึ่งเป็นข้อมูลที่หาได้ยากขึ้นเรื่อย ๆ

MMM rows (weekly):
week | sales | tv_spend | search_spend | price | promo
2024-W01 | 412k | 90k | 30k | 19.99 | 0
2024-W02 | 488k | 90k | 35k | 17.99 | 1

การตรวจสอบจากหลายมุม: ใช้ทั้งสองแบบ

ระบบการวัดผลที่พัฒนาแล้วจะตรวจสอบจากหลายมุม ได้แก่ ใช้ MMM เพื่อจัดสรรงบประมาณเชิงกลยุทธ์ข้ามช่องทาง ใช้ MTA เพื่อเพิ่มประสิทธิภาพภายในช่องทางในเชิงปฏิบัติการ และใช้การทดลองเพื่อปรับเทียบทั้งสองวิธี

เมื่อ MMM และ MTA ให้ผลไม่ตรงกัน ความแตกต่างนั้นเองก็ให้ข้อมูลที่มีประโยชน์ โดยมักชี้ไปยังเส้นทางที่ไม่ได้ติดตามหรือได้รับเครดิตเกินจริง

Measurement triangle:
  MMM        -> how much per channel (strategy)
  MTA        -> which campaign/ad   (tactics)
  Experiment -> ground truth        (calibration)

รูปแบบความล้มเหลวที่พบบ่อย

MMM ล้มเหลวเมื่อช่องทางต่าง ๆ เคลื่อนไหวไปพร้อมกันจนเกิดภาวะพหุสหสัมพันธ์ เมื่อประวัติข้อมูลสั้นเกินไป หรือเมื่อแบบจำลองปรับเข้ากับสัญญาณรบกวนมากเกินไป

MTA ล้มเหลวเมื่อการติดตามไม่ครบถ้วน เมื่อความเอนเอียงจากการคลิกสุดท้ายครอบงำการรายงาน และเมื่อการเปลี่ยนเป็นลูกค้าแบบออฟไลน์ไม่เคยถูกบันทึกเข้าสู่ชุดข้อมูล

การเลือกเครื่องมือที่เหมาะสม

ให้ถามว่า คำถามนี้เป็นเชิงกลยุทธ์หรือเชิงปฏิบัติการ ครอบคลุมสื่อออฟไลน์หรือไม่ และข้อมูลระดับผู้ใช้ในกรณีนี้เชื่อถือได้หรือไม่

การวางแผนงบประมาณประจำปีที่ครอบคลุม TV สื่อดิจิทัล และการค้าปลีก เหมาะกับ MMM มากกว่า การเพิ่มประสิทธิภาพบัญชีโฆษณาแบบชำระเงินบนการค้นหาในสัปดาห์หน้าเหมาะกับ MTA มากกว่า ส่วนการตรวจสอบความถูกต้องของทั้งสองวิธีเหมาะกับการทดลอง

if question == 'how split total budget?': use MMM
if question == 'which keyword/creative?':  use MTA
if question == 'is this truly incremental?': run experiment

ตรวจสอบความเข้าใจอย่างรวดเร็ว

ทดสอบความเข้าใจของคุณเกี่ยวกับสถานการณ์ที่ MMM เหนือกว่าการระบุแหล่งที่มาของผลลัพธ์

สรุปทบทวน

MMM เป็นวิธีจากบนลงล่าง ใช้ข้อมูลรวมระดับภาพรวม ไม่ได้รับผลกระทบจากข้อจำกัดด้านความเป็นส่วนตัว และเหมาะอย่างยิ่งสำหรับการจัดสรรงบประมาณเชิงกลยุทธ์ในสื่อทุกประเภท รวมถึงสื่อออฟไลน์ ส่วน MTA เป็นวิธีจากล่างขึ้นบน มีความละเอียดสูง และเหมาะที่สุดสำหรับการเพิ่มประสิทธิภาพสื่อดิจิทัลในเชิงปฏิบัติการ แต่มีความเสี่ยงจากการสูญเสียข้อมูลติดตาม

ไม่มีวิธีใดสมบูรณ์ได้ด้วยตัวเอง ควรตรวจสอบ MMM, MTA และการทดลองจากหลายมุม และใช้การทดสอบผลลัพธ์ส่วนเพิ่มเพื่อตัดสินข้อขัดแย้งระหว่างวิธีเหล่านี้

คำถามที่พบบ่อย

บทเรียน “MMM กับการระบุแหล่งที่มา” ฟรีหรือไม่

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

คุณจะเรียนรู้อะไรในบทเรียน “MMM กับการระบุแหล่งที่มา”

จากภาพรวมสู่รายละเอียดกับจากรายละเอียดสู่ภาพรวม 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 1 จากทั้งหมด 4 บทเรียน

บทเรียน “MMM กับการระบุแหล่งที่มา” 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