Marketing Mix Modeling (MMM) expliqué

La modélisation mixte est plus ancienne que l’Internet; les entreprises de biens de consommation l’ont utilisée pour allouer des budgets de télévision et d’impression des décennies avant que quiconque clique sur une publicité. Il est tombé de la mode lorsque le suivi numérique a promis de suivre chaque client individuellement, et il a rugissant en arrière que cette promesse effondrée. Le MMM moderne est plus accessible que ne le suggèrent ses ancêtres: les bibliothèques open source, le calcul moins cher et les meilleures pratiques l’ont mis à la portée des équipes de taille moyenne. Cet article explique ce que c’est, comment cela fonctionne conceptuellement, ce que cela exige et comment éviter les erreurs.

L’idée centrale

Enlevez les mathématiques et MMM pose une question simple d’histoire.

Apprendre de la variation

Si vos ventes hebdomadaires ont augmenté et diminué sur deux ans alors que votre activité de chaîne a également varié, le modèle de co-mouvement contient des informations. Semaines avec une activité de messagerie intense et de fortes ventes, semaines avec des campagnes en pause et des ventes molles, des poussées régionales qui coïncidaient avec les soulèvements régionaux: un modèle de régression formalise ce travail de détective sur tous les canaux simultanément, estimant le résultat que chaque unité d’activité a historiquement accompagné, après avoir pris en compte tout ce qui se passait.

Les contrôles le font ou le cassent

Les ventes se déplacent pour des raisons qui n’ont rien à voir avec le marketing : saisonnalité, vacances, changements de prix, ruptures de stock, lancements de concurrents, conditions économiques, même météo pour certaines catégories. Un modèle crédible inclut ces variables comme variables de contrôle afin que le marketing ne soit pas crédité pour décembre ou blâmé pour un problème d’approvisionnement. La plupart des échecs MMM embarrassants sont dus à un contrôle manquant, pas à un algorithme défectueux.

Report et saturation

Deux transformations donnent à MMM son réalisme. Adstock capture les reports: le marketing vu cette semaine influence le comportement pendant des semaines après, avec une force décroissante. Les courbes de saturation capturent des rendements décroissants : le premier incrément d’activité dans un canal fait plus que le dixième. L’ajustement de ces formes est ce qui permet à un modèle de répondre à la question que les dirigeants posent réellement, qui n’est pas «ce canal a fonctionné», mais «ce qui se passerait si nous changions de budget».

Ce que MMM a besoin de vous

Le modèle est seulement aussi bon que ses intrants, et les intrants sont un projet en soi.

Histoire avec variation

Vous avez besoin d’au moins deux ans de données hebdomadaires, idéalement plus, couvrant les résultats et l’activité par canal. Critiquement, l’activité doit avoir varié; un canal maintenu à un niveau constant pour toute la fenêtre est statistiquement invisible, parce que le modèle n’a jamais observé le monde sans elle. Les équipes qui planifient pour MMM introduisent parfois délibérément des variations, en pulsant les canaux de haut en bas, spécifiquement pour les rendre mesurables plus tard.

Mesures d’activité honnêtes

Les canaux payants contribuent aux dépenses ou aux impressions. Les canaux organiques contribuent aux mesures d’activité : publications publiées, courriels envoyés, contenu publié, portée atteinte. Rassemblez-les à partir de vos propres systèmes; plate-forme de gestion des médias sociaux like SocialBlaze fournit le volume de publication et l’historique d’engagement qui permet aux réseaux sociaux organiques d’entrer dans le modèle comme une variable appropriée plutôt que d’être regroupés dans une base de référence inexpliquée. Les canaux laissés en dehors du modèle ne disparaissent pas; leur effet est mal attribué à tout ce qui est en corrélation avec eux.

Un record de tout le reste

Assembler la série de contrôle: calendrier des promotions, changements de prix, lancements de produits, pannes de site, moments de relations publiques. La mémoire institutionnelle s’évapore rapidement, de sorte que la meilleure pratique est un journal de bord maintenu au fur et à mesure des événements. Les futurs analystes traiteront ce journal comme un trésor.

Lecture correcte de la sortie MMM

Les livrables sont puissants et systématiquement mal interprétés.

Décomposition des contributions

La production principale divise les résultats historiques en une base de référence, ce qui se serait passé sans marketing, plus une tranche de contribution par canal. Les niveaux de référence sont souvent plus élevés que ce à quoi les nouveaux arrivants s’attendent, reflétant la force, les habitudes et la distribution de la marque. Une base de référence importante n’est pas une accusation de marketing; une grande partie a été construite par le marketing passé.

Courbes de réponse et retour marginal

Pour chaque canal, le modèle produit une courbe reliant le niveau d’activité au résultat. La quantité stratégique est la pente à votre point de fonctionnement actuel : un canal avec une excellente performance moyenne peut être saturé à la marge, tandis qu’un petit canal peut offrir le meilleur dollar suivant. Les décisions budgétaires devraient suivre des lectures marginales, et ce recadrage modifie fréquemment les allocations.

L’incertitude fait partie de la réponse

Les bons modèles rapportent des gammes, pas des points. Un canal estimé avec un large intervalle est un canal que les données ne peuvent pas identifier, ce qui est lui-même exploitable: concevoir une expérience pour le resserrer. Les modélisateurs qui présentent des nombres uniques et sûrs sans intervalles cachent les informations les plus pertinentes pour la décision que le modèle a produites.

Exécuter un programme MMM

Un modèle ponctuel est un rapport; un modèle maintenu est une capacité.

Construire, acheter ou open source

Les options couvrent les fournisseurs MMM commerciaux, les consultants et les cadres open source que vos propres analystes exploitent. Les fournisseurs apportent rapidité et expérience avec moins de transparence; en interne apporte contrôle et apprentissage institutionnel avec un réel besoin de personnel. Quel que soit le chemin, insistez pour voir la validation: dans quelle mesure le modèle prédit-il les semaines qu’il n’a jamais entraînées, et ses estimations restent-elles stables sous réserve de modifications raisonnables des spécifications.

Étalonnage contre les expériences

La pratique moderne la plus forte soude MMM à l’essai d’incrémentalité. Lorsqu’un géoholdout mesure directement la véritable portance d’un canal, ce résultat ancre l’estimation du modèle pour le canal, et le modèle étend l’apprentissage à travers le temps et les niveaux budgétaires que les expériences ne peuvent pas couvrir. Chaque méthode corrige les angles morts de l’autre; ensemble, ils forment un système de mesure plutôt qu’une paire d’opinions concurrentes.

Rafraîchissez-vous sur un rythme

Les marchés dérivent, les canaux mûrissent et les modèles deviennent obsolètes. Les mises à jour trimestrielles ou semestrielles avec de nouvelles données, ainsi qu’un réexamen des contrôles après des changements majeurs dans les activités, permettent de garder les estimations connectées à la réalité actuelle. Déterminer si les prédictions du modèle continuent d’atterrir ; l’erreur de prédiction qui monte est le signal pour revoir la spécification.

Où MMM s’adapte entre les méthodes

MMM répond à certaines questions brillamment et d’autres pas du tout.

Son territoire naturel

L’allocation budgétaire trimestrielle et annuelle, la contribution au niveau des canaux dans un monde restreint en matière de confidentialité, la planification de scénarios pour les changements de budget et la valorisation des canaux que l’attribution au niveau de l’utilisateur sous-estime structurellement, y compris les médias de marque, les programmes audio et organiques à long horizon d’influence. C’est la seule méthode qui gère tous les canaux, en ligne et hors ligne, dans un cadre cohérent.

Ses angles morts

MMM est agrégé et lent. Il ne peut pas vous dire quelle création vous allez lancer demain, quelle ligne d’objet a gagné ou quel message a résonné ; l’analyse de l’engagement et les tests contrôlés possèdent ces questions. Il a également du mal avec les nouveaux canaux manquant d’histoire et avec des canaux qui n’ont jamais varié. Utilisez-le pour les grandes décisions lentes et d’autres outils pour les petits rapides.

Un tableau d’exploitation combiné

Les équipes matures exécutent trois couches : l’analyse de la plate-forme et du contenu pour la vitesse tactique, les expériences périodiques pour la vérité sur le terrain causal et la MMM pour l’allocation stratégique, chacune calibrant les autres. Le désaccord entre les couches n’est pas un échec, c’est une information sur les endroits où la réalité est plus compliquée que n’importe quel objectif unique.

Un exemple mental travaillé

Les descriptions abstraites de MMM se mettent en place avec une procédure simplifiée et concrète de ce que le modèle voit et dit.

La configuration

Imaginez une entreprise d’abonnement avec trois ans d’histoire hebdomadaire: les inscriptions comme résultat, plus des séries hebdomadaires pour les envois d’e-mails, les publications organiques sur les réseaux sociaux, les semaines de parrainage de podcasts et une campagne de recherche dont le budget a augmenté et diminué de façon saisonnière. Les contrôles comprennent un changement de prix à mi-parcours, deux lancements de produits et les semaines de vacances signalées. Rien dans cet ensemble de données n’identifie un seul utilisateur; il est entièrement agrégé, ce qui est le point entier.

Ce que le modèle remarque

Le processus d’ajustement révèle, par exemple, que les semaines d’inscription intensives co-déplacent rapidement et brusquement avec les dépenses de recherche, avec des semaines de podcast sur un retard qui se dégrade sur environ un mois, et avec une publication sociale soutenue dans une construction lente que les semaines individuelles montrent à peine. Le changement de prix explique un changement de niveau qu’aucun canal ne pouvait faire, ce qui est exactement ce à quoi servait le contrôle. Chaque canal reçoit une courbe de réponse : la recherche augmente rapidement et s’aplatit tôt, suggérant une saturation aux budgets actuels ; la courbe de social est moins profonde mais toujours ascendante, suggérant une marge inexploitée à la marge.

Ce que l’équipe en fait

La conversation sur l’allocation passe des opinions aux compromis : réduire le budget de la courbe la plus plate, réinvestir là où la pente marginale est la plus raide et commander une expérience géographique sur l’estimation du podcast, l’intervalle le plus large du modèle, pour le resserrer avant de renouveler le parrainage. Aucun de ces mouvements n’a nécessité le suivi d’un seul individu, et chacun est réexaminé lorsque le modèle rafraîchit le trimestre suivant avec la nouvelle variation que ces décisions mêmes ont créée.

Commencer sans sur-engagement

Commencez par l’audit des données : pouvez-vous rassembler deux années de résultats hebdomadaires, d’activités de canal et de contrôles ? Cet exercice coûte peu et est précieux, que vous soyez mannequin ou non cette année. Ensuite, adaptez un modèle simple, même une régression de base avec la saisonnalité, pour apprendre les bizarreries de vos données et développer la littératie organisationnelle dans les contributions et les courbes de lecture. Introduisez une variation délibérée dans les canaux que vous voulez mesurer. Choisissez ensuite le fournisseur par rapport à l’interne avec des attentes réalistes : le premier modèle est le pire modèle que vous aurez jamais, et la valeur se compose à travers des cycles de rafraîchissement à mesure que les expériences d’étalonnage s’accumulent. Les équipes qui traitent MMM comme un système d’apprentissage permanent, plutôt que d’un oracle unique, sont ceux qui l’utilisent encore de manière rentable des années plus tard.