Pazarlama Karması Modellemesi

Pazarlama Karması Modellemesi (MMM), kullanıcı düzeyinde izleme yerine toplu geçmiş verileri kullanarak her pazarlama kanalının ve pazarlama dışı faktörlerin gelir gibi iş sonuçlarına katkısını nicel olarak belirleyen istatistiksel bir analiz tekniğidir.

MMM, 1960'larda TV ve basılı reklamcılık için geliştirilmiştir ve dijital izleme daha az güvenilir hâle geldikçe yeniden önem kazanmıştır — kullanıcı düzeyindeki tanımlayıcılara veya çerezlere hiç ihtiyaç duymadan tamamen çalışabilen tek ölçüm yaklaşımıdır.

İlişkilendirme, bireysel kullanıcı düzeyinde çalışarak belirli müşterileri izlenen temas noktaları arasındaki yolculukları boyunca takip eder. MMM ise kitle düzeyinde çalışır; kanal katkısını çıkarsamak için zaman içindeki toplu harcama ve gelir örüntülerini analiz eder.

İlişkilendirme ayrıntılıdır ancak eksiktir; çevrimdışı, özel sosyal paylaşımlardan kaynaklanan ve izlenmeyen temas noktalarını gözden kaçırır. MMM istatistiksel olarak bütün resmi görür ancak bireysel müşteri yolculuklarını belirleyemez. Bu iki yaklaşım birbirleriyle rekabet etmekten çok birbirini tamamlar.

Bir MMM modeli şu veriler için haftalık veya aylık zaman serilerine ihtiyaç duyar: kanala göre pazarlama harcaması, gelir veya dönüşümler ve pazarlamadan bağımsız olarak satışları etkileyen dış değişkenler — bunlara mevsimsellik, rakip etkinlikleri, fiyat değişiklikleri, makroekonomik göstergeler ve hava durumu dahildir.

Bir MMM çıktısının kalitesi, girdilerin kalitesi ve eksiksizliğiyle doğru orantılıdır. Eksik kanallar veya dış faktörler, etkilerinin veri kümesinde bulunan kanallara yanlış biçimde atfedilmesine neden olur.

Temel bir MMM çıktısı; toplam gelirin yüzde kaçının her pazarlama kanalına, temel talebe (pazarlama hiç olmasaydı gerçekleşecek talebe) ve dış faktörlere atfedildiğini gösteren bir gelir ayrıştırma grafiğidir.

Bu ayrıştırma genellikle gelirin çoğunlukla pazarlama ekiplerinin beklediğinden daha büyük bir bölümünün temel talepten geldiğini ortaya koyar; bu da pazarlamanın toplam etkisi ve her kanalın ek katkı değeri hakkındaki görüşmelerin yeniden değerlendirilmesini sağlar.

Reklam birikimi, reklamın taşınan etkisini ifade eder — bugünkü reklam harcamasının, marka belleği ve bilinirliği aniden değil, zaman içinde yavaş yavaş azalırken gelecek haftalarda da satışları etkilemeye devam etmesi fikridir.

Azalan getiriler, bir kanala yapılan harcamanın her ek biriminin önceki birime kıyasla daha az ek gelir üretmesini ifade eder. MMM, her kanal için hem reklam birikiminin azalma oranını hem de azalan getirilerin başladığı noktayı nicel olarak belirler.

Doygunluk eğrileri, kanal harcaması ile gelir çıktısı arasındaki ilişkiyi gösterir — düşük harcama düzeylerinde gelirin hızla arttığını, ardından kanal doygunluk noktasına ulaştıkça artışın yataylaştığını ortaya koyar.

MMM çıktılarından elde edilen bu eğriler, bütçe optimizasyonunun temelini oluşturur: hâlâ büyüme alanı bulunan kanalları (düşük harcama, dik eğri) doygunluğa ulaşmış kanallardan (yüksek harcama, yatay eğri) ayırır ve bütçenin başka yerlere yönlendirilmesi gereken kanalları gösterir.

Meta'nın Robyn'i (R paketi) ve Google'ın LightweightMMM'si (Python), önde gelen iki açık kaynaklı MMM çerçevesidir; bunlar, pahalı özel çözüm sağlayıcılarına gerek kalmadan gelişmiş pazarlama karması analizini erişilebilir hâle getirir.

Robyn, otomatik model ayarlaması için evrimsel algoritmalar kullanır ve bütçe optimizasyonu çıktılarıyla doygunluk eğrilerini doğrudan oluşturur. LightweightMMM ise Bayesçi çıkarım kullanarak model çıktılarındaki belirsizliği nicel olarak ifade eder — karar vericilere güven aralıklarını aktarmak açısından önemli bir avantajdır.

Bir MMM bütçe optimizasyonu aracı, doygunluk eğrilerini girdi olarak alır ve sabit toplam bütçenin tahmini geliri en üst düzeye çıkaran dağılımını hesaplar — temelde her kanalın eğrisi üzerinde harcanan dolar başına en fazla ek geliri sağlayan noktayı bulur.

Tipik MMM önerileri arasında doygunluğa ulaşmış TV veya görüntülü reklam kanallarındaki harcamayı azaltmak ve kalan büyüme alanı bulunan dijital kanallara yeniden dağıtmak yer alır; bu öneriler çoğunlukla öngörülen gelir etkisi aralıklarıyla birlikte sunulur.

MMM'nin güvenilir sonuçlar üretebilmesi için en az iki yıllık haftalık veriye ihtiyacı vardır — daha kısa zaman serileri mevsimsel örüntüleri gerçek pazarlama etkilerinden ayıramaz. Ayrıca bir gecikme süresi vardır: modeller genellikle üç aylık dönemlerde güncellenir ve bu nedenle gerçek zamanlı kampanya kararlarına katkı sağlayamaz.

MMM, birbiriyle yüksek düzeyde ilişkili kanallarda da zorlanır; örneğin TV ve her zaman birlikte yürütülen çevrim içi video kanallarında. Ayrıca kullanıcı düzeyindeki ilişkilendirmenin yakalayabildiği ayrıntılı kitle hedefleme etkilerini ölçemez.

Gelişmiş ölçüm çerçevesi, stratejik bütçe dağıtımı kararları için MMM'yi (gelecek üç aylık dönemde hangi kanallara yatırım yapılacağı) kampanya sürerken gerçekleştirilen taktik optimizasyon için ilişkilendirmeyle (bugün hangi anahtar kelimelerin, kitlelerin ve reklam öğelerinin dönüşüm sağladığı) birleştirir.

MMM, ilişkilendirme modellerinin hangi kanalların katkısını sistematik olarak fazla veya eksik gösterdiğini ortaya çıkararak bu modelleri kalibre eder ve zaman içinde her iki ölçüm yaklaşımının doğruluğunu artıran bir geri bildirim döngüsü oluşturur.

MMM çıktılarını doğrulamak için yaygın bir teknik, coğrafi ayırma deneyi yürütmektir — bir grup deneme pazarında bir kanalı kapatırken kontrol pazarlarında açık tutmak ve gelir farkını o kanal için MMM'nin öngördüğü katkıyla karşılaştırmak.

Ayırma deneyi sonucu MMM tahminine yakın olduğunda modele duyulan güven artar. Önemli farklılıklar, model girdilerinde önemli değişkenlerin eksik olabileceğine veya reklam birikimi tanımının ayarlanması gerektiğine işaret eder.

Pazarlama Karması Modellemesini ne kadar anladığınızı sınayın.

MMM, kullanıcı düzeyinde izlemeye bağlı olmadan toplu verilerden kanalların gelire katkısını nicel olarak belirler — bu da onu gizliliğin öncelikli olduğu bir dünyadaki en kalıcı ölçüm yaklaşımı hâline getirir.

Robyn veya LightweightMMM'nin ürettiği doygunluk eğrileri ve bütçe optimizasyonu araçları, model çıktılarını uygulanabilir yeniden dağıtım kararlarına dönüştürür. MMM'yi ilişkilendirmeyle birleştirmek eksiksiz bir ölçüm yığını oluşturur: strateji için MMM, taktikler için ilişkilendirme.