Digital Marketing Academy · Ders

MMM ve Attribution Karşılaştırması

Yukarıdan aşağıya ve aşağıdan yukarıya.

MMM ve Attribution Karşılaştırması, CoddyKit'te ücretsiz bir Digital Marketing Academy dersidir. Bu, 4 dersinin 1. 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.

Aynı Soruna İki Bakış Açısı

Pazarlama Karması Modellemesi (MMM) ve çoklu temas ilişkilendirmesi (MTA), ikisi de "satışları ne yönlendirdi?" sorusunu yanıtlamaya çalışır; ancak bunu zıt yönlerden yapar.

MMM yukarıdan aşağıya ilerler: her kanalın katkısını tahmin etmek için toplu, zaman serisi biçimindeki harcama ve satış verilerini kullanır. MTA ise aşağıdan yukarıya ilerler: tek bir dönüşüme giden bireysel kullanıcı temas noktalarını bir araya getirir.

İleri düzey uygulayıcılar, her yaklaşımın diğerinin kısmen kapattığı kör noktaları olduğunu bilerek ikisini de kullanır.

MMM Aslında Neyi Ölçer

MMM, zaman içindeki satışları pazarlama kaynaklı ve pazarlama dışı etkenlere göre regresyonla analiz eder. Kanal düzeyinde esneklikler ve satışların temel ile artımlı katkılara ayrıştırılmasını üretir.

En önemlisi, MMM çevrimdışı kanalları (TV, radyo, OOH) ve kullanıcı düzeyindeki izlemenin göremediği uzun vadeli etkileri yakalar.

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

İlişkilendirme Aslında Neyi Ölçer

MTA, bir kullanıcının dönüşümden önce karşılaştığı izlenebilir her temas noktasına paylaştırılmış katkı atar. Modeller son tıklamadan veriye dayalı Shapley tarzı katkı paylaştırmasına kadar uzanır.

Çerezlerle izlenebilen dijital yolculuklarda başarılıdır ve kanal ile kampanya katkısını ayrıntılı ve neredeyse gerçek zamanlı olarak sunar.

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

Ayrıntı Düzeyi ve Kapsama Alanı

Temel ödünleşim şudur: ilişkilendirme ayrıntılı ama dardır; MMM kapsamlı ama kabadır.

MTA, hangi reklam tasarımının bir kullanıcıyı dönüşüme götürdüğünü söyleyebilir; ancak TV'yi, ağızdan ağıza iletişimi ve izleme penceresi dışındaki her şeyi göz ardı eder. MMM bütün bütçeyi görür, ancak tek bir kampanyaya ya da kitleye kadar inemez.

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

Gizlilikteki Değişim

Çerezlerin kullanım dışı bırakılması, ATT (Uygulama İzleme Şeffaflığı) ve rıza kuralları, MTA'nın dayandığı kullanıcı düzeyindeki sinyali zayıflattı.

MMM yalnızca toplulaştırılmış verileri kullandığından bu değişikliklerden büyük ölçüde etkilenmez. Büyük reklamverenlerde MMM'nin yeniden gözde hâle gelmesinin temel nedeni budur.

Korelasyon, Nedensellik, Artımlı Etki

Her iki yöntem de korelasyonu nedensellikle karıştırma riski taşır. Arama, diğer kanalların oluşturduğu talebi yakaladığı için çoğu zaman hak ettiğinden fazla pay alır.

Gerçek artımlı etki şu soruyu yanıtlar: harcama yapılmasaydı bu satış yine gerçekleşir miydi? Bölgesel deneyler ve kontrol gruplu denemeler, MMM ve MTA'nın kalibre edilmesi gereken altın standarttır.

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

Zaman Ufukları Farklıdır

MTA, birkaç günden birkaç haftaya uzanan bir dönüşüm penceresinin içini inceler. MMM, reklam birikimi ve trend terimleri aracılığıyla aylar süren taşınan etkiyi ve uzun vadeli marka etkilerini modelleyebilir.

Bir marka kampanyasını yalnızca MTA ile değerlendirirseniz, getirisi pencerenin dışına taştığı için kampanyanın değerini sistematik olarak düşük tahmin edersiniz.

Veri Gereksinimleri

MMM'nin haftalık olarak 2-3 yıllık geçmiş veriye ihtiyacı vardır: kanal bazında harcama, satışlar, fiyat, promosyonlar, dağıtım ve hava durumu ya da makroekonomik endeksler gibi dış etkenler.

MTA'nın ihtiyacı ise temas noktaları arasında kalıcı kullanıcı tanımlayıcıları içeren, temizlenmiş ve yinelenen kayıtları ayıklanmış olay günlükleridir; ancak bunları elde etmek giderek zorlaşmaktadır.

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

Üçgenleme: İkisini de Kullanın

Olgun ölçüm sistemleri üç yöntemi birlikte kullanır: kanallar arasında stratejik bütçe dağılımı için MMM, kanal içi taktik optimizasyon için MTA ve her ikisini kalibre etmek için deneyler.

MMM ile MTA aynı sonuca ulaşmadığında, farkın kendisi bilgilendiricidir; çoğu zaman izlenmeyen ya da hak ettiğinden fazla pay verilen yolları gösterir.

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

Yaygın Başarısızlık Biçimleri

MMM, kanallar birlikte hareket ettiğinde (çoklu doğrusal bağlantı), geçmiş veriler çok kısa olduğunda veya model gürültüye aşırı uydurulduğunda başarısız olur.

MTA, izleme eksik olduğunda, son tıklama yanlılığı raporlamaya hâkim olduğunda ve çevrim dışı dönüşümler veri kümesine hiç girmediğinde başarısız olur.

Doğru Aracı Seçme

Şunları sorun: Soru stratejik mi, taktik mi? Çevrim dışı medyayı da kapsıyor mu? Kullanıcı düzeyindeki veriler burada güvenilir mi?

TV, dijital ve perakende genelinde yıllık bütçe planlaması MMM'ye, gelecek hafta ücretli arama hesabını optimize etmek MTA'ya, her ikisini doğrulamak ise deneylere daha uygundur.

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

Kısa Kontrol

MMM'nin ilişkilendirmeden ne zaman üstün olduğunu anlayıp anlamadığınızı sınayın.

Özet

MMM yukarıdan aşağıya çalışan, toplulaştırılmış, gizlilik değişikliklerine dayanıklı ve çevrim dışı medya dâhil tüm medya genelinde stratejik dağılım için güçlü bir yöntemdir. MTA aşağıdan yukarıya çalışan, ayrıntılı ve taktik dijital optimizasyon için en uygun yöntemdir; ancak izleme kaybına karşı savunmasızdır.

Tek başına hiçbiri eksiksiz değildir. MMM, MTA ve deneyleri üçgenleyin; aralarındaki anlaşmazlıkları artımlı etki denemeleriyle çözüme kavuşturun.

Sıkça Sorulan Sorular

“MMM ve Attribution Karşılaştırması” dersi ücretsiz mi?

Evet — “MMM ve Attribution Karşılaştırması” 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.

“MMM ve Attribution Karşılaştırması” dersinde ne öğreneceğim?

Yukarıdan aşağıya ve aşağıdan yukarıya. 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 1. dersidir.

“MMM ve Attribution Karşılaştırması” 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

← Digital Marketing Academy Sayfasına Dön