Bir MMM Okuma

Kurulmuş bir MMM size katsayılar, katkı grafikleri, tepki eğrileri ve uyum istatistikleri sunar. Bunları doğru okumak, matematiği bütçe kararlarına dönüştürür.

Bu derste, bir analistin bir modele güvenmeden önce gerçekten incelediği çıktılar ele alınmaktadır.

Temel çıktı, dönem boyunca toplam satışları temele ve her kanalın artımlı katkısına ayırır.

Bunu şöyle okuyun: satılan tüm birimlerin kaçı zaten gerçekleşecekti (temel) ve her kanal kaç birim ekledi? Parçaların toplamı gerçek satışlarla örtüşmelidir.

ROI (veya ROAS) değerini elde etmek için bir kanalın artımlı gelirini harcamasına bölün. Bu, kanallar arasında karşılaştırılabilir ölçüdür.

Ortalama ROI (tüm dönem) ile marjinal ROI (bir sonraki dolar) arasındaki farka dikkat edin. Dağılım kararları marjinal değere dayanır.

Doygunluk nedeniyle, ortalama ROI'si yüksek olan bir kanal neredeyse kapasitesine ulaşmış olabilir; bu nedenle bir sonraki doları çok az getiri sağlar.

Marjinal ROI, mevcut harcama düzeyindeki tepki eğrisinin eğimidir. En yüksek ortalama ROI'ye değil, en yüksek marjinal ROI'ye sahip kanallara yeniden dağıtım yapın.

Her kanalın tepki eğrisi, artımlı satışları harcamaya karşı gösterir. Başlangıçtaki dik bölüm verimlidir; yatay bölüm doygunluğu gösterir.

Eğri üzerinde mevcut harcamayı bulun. Yatay bölümdeyseniz daha fazla bütçe boşa harcanır. Dik bölümdeyseniz hâlâ kullanılabilecek kapasite vardır.

Önce işaretlerin makul olup olmadığını kontrol edin. Medya katsayıları pozitif, fiyat katsayısı genellikle negatif ve promosyon katsayısı pozitif olmalıdır. Negatif TV katsayısı, çoklu doğrusal bağlantıya veya bir model hatasına işaret eder.

Büyüklükler yalnızca istatistiksel olarak anlamlı değil, önsel bilgiler ve kıyas ölçütleriyle karşılaştırıldığında da makul olmalıdır.

R-kare örneklem içi uyumu gösterir; ancak yüksek bir değer aşırı uydurma anlamına gelebilir. Örneklem dışı ölçümlere daha çok güvenin: ayrılmış doğrulama dönemindeki MAPE'ye ve zaman serisi çapraz doğrulamasına.

Ayrıca artıkları inceleyin: geride trend veya mevsimsellik kalmadan gürültü gibi görünmelidirler.

Nokta tahminleri yanıltabilir. Bayesçi MMM'ler inanılırlık aralıkları, frekansçı modeller ise güven aralıkları raporlar. Aralığı sıfırı içeren bir kanalın pozitif olduğu güvenilir biçimde söylenemez.

Kararların modelin gerçekte ne kadar bilgi sahibi olduğunu dikkate alması için paydaşlara aralıkları sunun.

Dönem toplamının ötesine geçerek katkıları hafta hafta görüntüleyin. Bu, bir kanalın etkisinin istikrarlı mı, ani yükselişler hâlinde mi yoksa giderek azalıyor mu olduğunu ortaya çıkarır.

Yayın dönemleriyle örtüşen ani yükselişler güveni artırır; harcama yapılmadığı hâlde ortaya çıkan katkılar ise eksik bir kontrol değişkeninden sızıntı olduğunu düşündürür.

En güçlü doğrulama, MMM'nin kanal artışını rastgeleleştirilmiş bir bölgesel denemeyle veya dönüşüm artışı deneyiyle karşılaştırmaktır.

MMM Arama ROAS'ını 5, bölgesel deneme ise 3 olarak gösteriyorsa yeniden kalibrasyon yapın; bu çoğu zaman bir önsel bilgi aracılığıyla gerçekleştirilir. Deneylerle örtüşen modeller, hiç denenmemiş kanallar için de güven kazanır.

Makul olmayan işaretlere, çok küçük bir temele, kıyas ölçütlerine aykırı ROI değerlerine, kesinlik gibi sunulan geniş aralıklara veya örneklem içinde mükemmel uyuma karşın ayrılmış doğrulamada zayıf sonuçlara sahip bir modele güvenmeyin.

Bir MMM'yi okumak, aritmetik kadar kuşkucu olmayı da gerektirir.

Ortalama ve marjinal ayrımını bir dağılım kararına uygulayın.

Bir MMM'yi ayrıştırması (temel ve artımlı katkı), kanal başına ROAS'ı ve özellikle marjinal getirileri ortaya çıkaran tepki eğrileri üzerinden okuyun.

Katsayı işaretlerini, ayrılmış doğrulamadaki uyumu, artıkları ve belirsizlik aralıklarını kontrol edin; deneylere göre kalibrasyon yapın. Kararlar, öne çıkan ortalamalara değil marjinal ROI'ye göre alınır.