การอ่าน MMM
สัดส่วน योगदानและ ROI
การอ่าน MMM เป็นบทเรียน Digital Marketing Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Digital Marketing Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน
จากสัมประสิทธิ์สู่การตัดสินใจ
MMM ที่ปรับให้เข้ากับข้อมูลแล้วจะให้สัมประสิทธิ์ แผนภูมิการมีส่วนร่วม เส้นโค้งการตอบสนอง และสถิติความสอดคล้อง การอ่านผลลัพธ์เหล่านี้อย่างถูกต้องจะเปลี่ยนคณิตศาสตร์ให้เป็นการตัดสินใจด้านงบประมาณ
บทเรียนนี้จะพาคุณดูผลลัพธ์ที่นักวิเคราะห์ตรวจสอบอย่างละเอียดก่อนจะเชื่อถือแบบจำลอง
การแยกองค์ประกอบของการมีส่วนร่วม
ผลลัพธ์หลักจะแยกยอดขายทั้งหมดออกเป็นยอดฐานและผลลัพธ์ส่วนเพิ่มของแต่ละช่องทางตลอดช่วงเวลาที่พิจารณา
ให้อ่านว่า จากหน่วยสินค้าที่ขายได้ทั้งหมด มีกี่หน่วยที่จะเกิดขึ้นอยู่แล้ว (ยอดฐาน) และแต่ละช่องทางเพิ่มเข้ามากี่หน่วย ผลรวมของแต่ละส่วนควรสอดคล้องกับยอดขายจริง
channel contribution % of sales
base 1,400,000 70.0%
TV 280,000 14.0%
Search 180,000 9.0%
Social 100,000 5.0%
OOH 40,000 2.0%ROI / ROAS ของแต่ละช่องทาง
นำรายได้ส่วนเพิ่มของช่องทางหารด้วยการใช้จ่ายเพื่อคำนวณ ROI (หรือ ROAS) ค่านี้เป็นหน่วยเปรียบเทียบเดียวกันระหว่างช่องทางต่าง ๆ
ควรแยกให้ออกระหว่าง ROI เฉลี่ย (ตลอดช่วงเวลาทั้งหมด) กับ ROI ส่วนเพิ่ม (เงินหนึ่งหน่วยถัดไป) เพราะการตัดสินใจจัดสรรงบประมาณขึ้นอยู่กับค่าหลัง
channel spend inc_rev ROAS
Search 60,000 300,000 5.0
TV 140,000 560,000 4.0
Social 50,000 150,000 3.0
OOH 40,000 80,000 2.0ROI เฉลี่ยเทียบกับ ROI ส่วนเพิ่ม
เนื่องจากการอิ่มตัว ช่องทางที่มี ROI เฉลี่ยสูงอาจใกล้ถึงจุดสูงสุดแล้ว ทำให้เงินหนึ่งหน่วยถัดไปให้ผลตอบแทนเพียงเล็กน้อย
ROI ส่วนเพิ่มคือความชันของเส้นโค้งการตอบสนอง ณ ระดับการใช้จ่ายปัจจุบัน ควรจัดสรรงบประมาณใหม่ไปยังช่องทางที่มี ROI ส่วนเพิ่มสูงสุด ไม่ใช่ช่องทางที่มี ROI เฉลี่ยสูงสุด
Search avg ROAS = 5.0
but spend sits near saturation:
marginal ROAS = 1.8 (next $ underperforms)
Social avg = 3.0, marginal = 3.4 -> grow hereการอ่านเส้นโค้งการตอบสนอง
เส้นโค้งการตอบสนองของแต่ละช่องทางจะแสดงยอดขายส่วนเพิ่มเทียบกับการใช้จ่าย ช่วงต้นที่เส้นชันมีประสิทธิภาพ ส่วนช่วงที่เส้นราบคือช่วงอิ่มตัว
ค้นหาระดับการใช้จ่ายปัจจุบันบนเส้นโค้ง หากอยู่บนส่วนที่ราบ งบประมาณเพิ่มเติมจะสูญเปล่า หากอยู่บนส่วนที่ชัน แสดงว่ายังมีพื้นที่ให้เพิ่มงบได้
spend -> 10k 20k 40k 80k 160k
sales -> 50k 90k 140k 165k 175k
slope -> high ... ... low ~flat (saturated)เครื่องหมายและขนาดของสัมประสิทธิ์
ตรวจสอบความสมเหตุสมผลของเครื่องหมายก่อน สัมประสิทธิ์ของสื่อควรเป็นบวก ราคามักเป็นลบ และการส่งเสริมการขายควรเป็นบวก สัมประสิทธิ์ TV ที่เป็นลบเป็นสัญญาณของพหุสหสัมพันธ์หรือข้อผิดพลาดในแบบจำลอง
ขนาดของสัมประสิทธิ์ควรสมเหตุสมผลเมื่อเทียบกับค่าก่อนหน้าและเกณฑ์มาตรฐาน ไม่ใช่ดูเพียงว่ามีนัยสำคัญทางสถิติหรือไม่
b_TV = +0.42 (ok, positive)
b_search = +0.31 (ok)
b_price = -1.20 (ok, demand falls w/ price)
b_social = -0.05 (red flag: investigate)สถิติความสอดคล้องและการตรวจสอบความถูกต้อง
ค่าสัมประสิทธิ์การกำหนดแสดงความสอดคล้องกับข้อมูลที่ใช้สร้างแบบจำลอง แต่ค่าสูงอาจหมายถึงการปรับเข้ากับข้อมูลมากเกินไป ควรเชื่อถือค่าประเมินจากข้อมูลนอกตัวอย่างมากกว่า ได้แก่ MAPE บนช่วงข้อมูลกันไว้ทดสอบและการตรวจสอบไขว้แบบอนุกรมเวลา
ควรตรวจสอบค่าคลาดเหลือด้วย โดยควรมีลักษณะเหมือนสัญญาณรบกวนและไม่เหลือแนวโน้มหรือฤดูกาลที่แบบจำลองยังอธิบายไม่ได้
R2 (train) = 0.94
MAPE (holdout) = 7.8%
Durbin-Watson ~ 2.0 (no autocorrelation)
residuals : random, mean ~0ช่วงความไม่แน่นอน
ค่าประมาณจุดอาจหลอกเรา MMM แบบเบย์รายงานช่วงความน่าเชื่อถือ ส่วนแบบสถิติความถี่รายงานช่วงความเชื่อมั่น ช่องทางที่ช่วงค่าคร่อมศูนย์ไม่ได้มีผลบวกอย่างน่าเชื่อถือ
ควรนำเสนอผลเป็นช่วงแก่ผู้มีส่วนได้ส่วนเสีย เพื่อให้การตัดสินใจคำนึงถึงระดับที่แบบจำลองรู้จริง
channel ROAS 90% interval
Search 5.0 [4.1, 5.8] confident
TV 4.0 [2.9, 5.1] confident
OOH 2.0 [-0.3, 4.2] weak / uncertainการแยกองค์ประกอบตามเวลา
นอกเหนือจากยอดรวมตลอดช่วงเวลาแล้ว ควรดูการมีส่วนร่วมรายสัปดาห์ด้วย วิธีนี้จะแสดงว่าผลของช่องทางมีความสม่ำเสมอ พุ่งขึ้นเป็นช่วง ๆ หรือกำลังลดลง
ยอดพุ่งที่สอดคล้องกับช่วงเผยแพร่โฆษณาช่วยเพิ่มความเชื่อมั่น ส่วนการมีส่วนร่วมที่ปรากฏขึ้นทั้งที่ไม่มีการใช้จ่าย อาจบ่งชี้ว่าผลรั่วไหลมาจากตัวแปรควบคุมที่ขาดหาย
การปรับเทียบกับการทดลอง
การตรวจสอบความถูกต้องที่ดีที่สุดคือการเปรียบเทียบผลเพิ่มของช่องทางจาก MMM กับการทดลองเชิงภูมิศาสตร์แบบสุ่มหรือการทดลองวัดผลส่วนเพิ่มของการเปลี่ยนเป็นลูกค้า
หาก MMM ระบุว่า ROAS ของการค้นหาเท่ากับ 5 แต่การทดสอบเชิงภูมิศาสตร์ระบุว่าเท่ากับ 3 ให้ปรับเทียบใหม่ ซึ่งมักทำผ่านค่าก่อนหน้า แบบจำลองที่สอดคล้องกับผลการทดลองจะได้รับความเชื่อถือสำหรับช่องทางที่ยังไม่เคยทดสอบ
channel MMM_ROAS experiment_ROAS
Search 5.0 3.0 -> recalibrate down
Social 3.0 3.2 -> well calibratedสรุปสัญญาณเตือน
อย่าไว้วางใจแบบจำลองที่มีเครื่องหมายไม่สมเหตุสมผล มียอดฐานเล็กเกินไป มี ROI ที่ขัดกับเกณฑ์มาตรฐาน มีช่วงค่ากว้างแต่นำเสนอราวกับเป็นความแน่นอน หรือมีความสอดคล้องกับข้อมูลในตัวอย่างดีเยี่ยมแต่ให้ผลไม่ดีบนช่วงข้อมูลกันไว้ทดสอบ
การอ่าน MMM ต้องอาศัยความสงสัยอย่างมีวิจารณญาณพอ ๆ กับการคำนวณ
ตรวจสอบความเข้าใจอย่างรวดเร็ว
นำความแตกต่างระหว่างค่าเฉลี่ยกับค่าส่วนเพิ่มไปใช้ในการตัดสินใจจัดสรรงบประมาณ
สรุปทบทวน
อ่าน MMM ผ่านการแยกองค์ประกอบ (ยอดฐานเทียบกับผลลัพธ์ส่วนเพิ่ม) ค่า ROAS ของแต่ละช่องทาง และโดยเฉพาะเส้นโค้งการตอบสนองซึ่งแสดงผลตอบแทนส่วนเพิ่ม
ตรวจสอบเครื่องหมายของสัมประสิทธิ์ ความสอดคล้องบนช่วงข้อมูลกันไว้ทดสอบ ค่าคลาดเหลือ และช่วงความไม่แน่นอน พร้อมปรับเทียบกับการทดลอง การตัดสินใจควรอิง ROI ส่วนเพิ่ม ไม่ใช่ค่าเฉลี่ยที่ใช้เป็นตัวเลขหลัก
เรียนรู้ Digital Marketing Academy ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 63
- บทเรียน
- 239
คำถามที่พบบ่อย
บทเรียน “การอ่าน MMM” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การอ่าน MMM” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Digital Marketing Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Digital Marketing Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การอ่าน MMM”
สัดส่วน योगदानและ ROI 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 3 จากทั้งหมด 4 บทเรียน
บทเรียน “การอ่าน MMM” 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