Girdiler ve Değişkenler
Harcama, mevsimsellik ve temel değer.
Girdiler ve Değişkenler, CoddyKit'te ücretsiz bir Digital Marketing Academy dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Digital Marketing Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Digital Marketing Academy kursu toplamda 4 dersten oluşur.
MMM Girdilerinin Yapısı
Bir MMM, ancak girdileri kadar iyidir. Bu girdiler üç gruba ayrılır: medya değişkenleri (kontrol ettiğiniz kaldıraçlar), kontrol değişkenleri (sizin kontrolünüzde olmayan etkenler) ve bağımlı değişken (tahmin ettiğiniz sonuç).
Bunları doğru ayrıntı düzeyinde ve doğru sıklıkta elde etmek, güvenilir bir model oluşturma işinin büyük bölümünü oluşturur.
dependent : sales or revenue (weekly)
media : spend or impressions per channel
controls : price, promo, seasonality, macro
transforms: adstock, saturationBağımlı Değişken
Temiz bir sonuç seçin: satılan birimler, gelir veya yeni müşteriler. Sonucun brüt mü net mi olduğu ve iadelerin hariç tutulup tutulmadığı konusunda tutarlı olun.
Modeli, eyleme geçebileceğiniz ayrıntı düzeyinde, genellikle ulusal veya bölgesel haftalık düzeyde kurun. Günlük veriler gürültü ekler; aylık veriler ise dinamikleri gizler.
Medya Değişkenleri: Harcama ve Gösterimler
Medya verisini harcama veya erişim olarak (gösterimler, brüt erişim puanları, tıklamalar) modele verebilirsiniz. Gösterimler, yayınlanmayı maliyetten ayırır; bin gösterim başına maliyetlerin değiştiği durumlarda bu önemlidir.
Yaygın bir yaklaşım şudur: tepki eğrisi için gösterimler üzerinden model kurun, ardından ROI hesaplamak üzere yeniden harcamaya dönüştürün. Bir kanal içindeki birimleri her zaman tutarlı tutun.
TV -> GRPs
Search -> clicks or spend
Social -> impressions
OOH -> spend (no impression feed)Reklam Birikimi (Taşınan Etki)
Reklamın etkileri yayın dönemi sona erdikten sonra da sürer. Reklam birikimi, bu azalmayı modelleyerek bu haftanın satışlarının önceki haftalardaki medyayı yansıtmasını sağlar.
Azalma oranı λ, etkinin ne kadar süre hatırlandığını kontrol eder: 0.0 taşınan etki olmadığı, 0.8 ise etkinin uzun bir kuyruğa sahip olduğu anlamına gelir. TV genellikle aramadan daha yüksek reklam birikimine sahiptir.
adstock_t = media_t + lambda * adstock_(t-1)
lambda=0.3 (search): fast decay
lambda=0.7 (TV): slow decay, long memoryDoygunluk (Azalan Getiriler)
Harcamanın iki katına çıkması satışları nadiren iki katına çıkarır. Doygunluk dönüşümleri, azalan getirileri yakalar; böylece model sonsuza kadar doğrusal bir şekilde dışa vurum yapmaz.
Hill veya log dönüşümleri tepki eğrisini büker; her kanala gerçekçi bir üst sınır ve verimli bir işletim aralığı kazandırır.
Hill: response = x^a / (x^a + k^a)
low spend -> steep gains
high spend -> flattening curve (saturated)Kontrol Değişkenleri
Kontrol değişkenleri, medya dışındaki etkenleri soğurarak bunların yanlışlıkla reklamlara atfedilmesini önler. Temel değişkenler şunlardır: fiyat, promosyonlar, dağıtım ve bulunabilirlik, rakip faaliyetleri ve makroekonomik endeksler.
Güçlü bir kontrol değişkenini çıkarmak, medya katsayılarını yanlı hâle getirir; çoğu zaman promosyon döneminde yayın yapmış olan kanalın etkisini olduğundan fazla gösterir.
price : average selling price
promo : 0/1 flag or % discount depth
distribution : stores or % ACV
competitor : share of voice / spend
macro : consumer confidence, CPIMevsimsellik ve Trend
Birçok ürün güçlü mevsimsel örüntülere sahiptir. Bunları ay/hafta kukla değişkenleri, Fourier terimleri veya mevsimsel bir endeksle; temel büyüme ya da düşüşü ise bir trend terimiyle yakalayın.
Bunlar olmadan, yoğun sezonda yayın yapmış olan medya değişkenlerine mevsimsel satış artışları sızar.
fourier: sin(2*pi*t/52), cos(2*pi*t/52)
trend: t (linear) or spline
holiday: black_friday_flag, holiday_flagTemel ve Artımlı Ayrımı
MMM, bir temeli (yeni medya harcaması sıfırken satacağınız miktarı: marka değeri, dağıtım, fiyat) medyanın yönlendirdiği artımlı katkılardan ayırır.
Sağlıklı bir model çoğu zaman büyük ve istikrarlı bir temel gösterir. Medya neredeyse her şeyi "açıklıyorsa" kontrol değişkenleri muhtemelen yeterince güçlü değildir.
total_sales = base + sum(media_contributions)
base : 70%
incremental : 30% (split across channels)Çoklu Doğrusal Bağlantı Tuzakları
Kanallar aynı dönemlerde yayın yaptığında model bunların etkilerini birbirinden ayıramaz ve katsayılar kararsız hâle gelir; bazen işaretleri bile tersine döner.
Tanılamak için korelasyon matrislerini ve VIF'i kullanın. Harcamayı zaman içinde değiştirerek, bölgesel farklılık ekleyerek veya tahminleri istikrara kavuşturmak için Bayesçi önsel bilgiler kullanarak etkisini azaltın.
corr(TV, Social) = 0.91 -> high collinearity
VIF > 10 -> unstable estimate
fix: stagger flights, add geo splits, priorsDeğişken Temizliği Kontrol Listesi
Tüm serileri aynı takvim ve saat dilimine hizalayın. "Harcama yok" ile "veri yok" anlamlarını birbirine karıştıran sıfırlarla boşlukları sessizce doldurmak yerine bunu bilinçli olarak yapın.
Zaman aralığı uzunsa parasal serileri enflasyona göre düzeltin ve sonuçların yeniden üretilebilir olması için her dönüşümü belgeleyin.
Girdileri Birleştirme
Son tasarım matrisi, ham kontrol değişkenlerini dönüştürülmüş medya verileriyle katmanlandırır. Her medya sütunu regresyona girmeden önce reklam birikiminden geçirilmiş ve ardından doygunluğa uyarlanmıştır.
Bu işlem hattı sırası önemlidir: önce taşınan etki (etkinin ne zaman ortaya çıktığı), sonra doygunluk (ne kadarının ortaya çıktığı).
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 + seasonKısa Kontrol
Her olgu için doğru dönüşümü belirleyin.
Özet
MMM girdileri; bağımlı değişkeni, reklam birikimi ve ardından doygunlukla dönüştürülen medya değişkenlerini ve kontrol değişkenlerini (fiyat, promosyon, dağıtım, mevsimsellik, makroekonomik etkenler) içerir.
Güçlü kontrol değişkenleri medyanın hak ettiğinden fazla pay almasını önler; temiz, ölçekleri tutarlı ve iyi belgelenmiş seriler güvenilir bir modelin temelidir.
Sıkça Sorulan Sorular
“Girdiler ve Değişkenler” dersi ücretsiz mi?
Evet — “Girdiler ve Değişkenler” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Digital Marketing Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Digital Marketing Academy kursu toplamda 4 dersten oluşur.
“Girdiler ve Değişkenler” dersinde ne öğreneceğim?
Harcama, mevsimsellik ve temel değer. Digital Marketing Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Digital Marketing Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Digital Marketing Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.
“Girdiler ve Değişkenler” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Digital Marketing Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Digital Marketing Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- MMM ve Attribution Karşılaştırması
- Girdiler ve Değişkenler
- Bir MMM Okuma
- Bütçeyi Yeniden Dağıtma