Marketing Mix Modeling (MMM) Spiegato

La modellazione mista è più antica di Internet; le aziende di beni di consumo lo hanno utilizzato per allocare budget televisivi e di stampa decenni prima che qualcuno facesse clic su un annuncio. È caduto di moda quando il monitoraggio digitale ha promesso di seguire ogni cliente individualmente, e si è rimbombato mentre quella promessa è crollata. MMM moderno è più accessibile di quanto suggerisce la sua ascendenza aziendale: librerie open source, calcoli più economici e migliori pratiche l’hanno portata a portata di mano di team di medie dimensioni. Questo articolo spiega cos’è, come funziona concettualmente, cosa richiede e come evitare i modi in cui va male.

L’idea di base

Elimina la matematica e MMM pone una semplice domanda sulla storia.

Imparare dalla variazione

Se le vendite settimanali sono aumentate e sono diminuite di oltre due anni, mentre anche l’attività del canale è variata, il modello di co-movimento contiene informazioni. Settimane con intensa attività di email e forti vendite, settimane con campagne in pausa e vendite soft, spinte regionali che hanno coinciso con gli ascensori regionali: un modello di regressione formalizza questo lavoro investigativo su tutti i canali contemporaneamente, stimando quanto risultato ogni unità di attività storicamente accompagnata, dopo aver tenuto conto di tutto il resto che stava accadendo.

I controlli lo fanno o lo rompono

Le vendite si muovono per ragioni che non hanno nulla a che fare con il marketing: stagionalità, vacanze, variazioni di prezzo, scorte, lanci di concorrenti, condizioni economiche, anche meteo per alcune categorie. Un modello credibile include questi come variabili di controllo in modo che il marketing non ottenga credito per dicembre o la colpa di un problema di fornitura. I fallimenti MMM più imbarazzanti tracciano un controllo mancante, non un algoritmo difettoso.

Riporto e saturazione

Due trasformazioni danno a MMM il suo realismo. Adstock cattura il riporto: il marketing visto questa settimana influenza il comportamento per settimane dopo, con la forza in decomposizione. Le curve di saturazione catturano rendimenti decrescenti: il primo incremento di attività in un canale supera il decimo. Adattare queste forme è ciò che consente a un modello di rispondere alle domande che i dirigenti effettivamente chiedono, che non è “ha fatto questo lavoro di canale” ma “cosa accadrebbe se cambiassimo budget”.

Ciò di cui MMM ha bisogno da te

Il modello è buono solo quanto i suoi input e gli input sono un progetto in sé.

Storia con variazione

Hai bisogno di almeno due anni di dati settimanali, idealmente di più, che coprano i risultati e l’attività per canale. Criticamente, l’attività deve essere variata; un canale tenuto a livello costante per l’intera finestra è statisticamente invisibile, perché il modello non ha mai osservato il mondo senza di esso. I team che pianificano MMM a volte introducono deliberatamente variazioni, pulsando canali su e giù, in particolare per renderli misurabili in seguito.

Misure di attività oneste

I canali a pagamento contribuiscono a spendere o a fare impressioni. I canali organici contribuiscono alle misure di attività: post pubblicati, e-mail inviate, contenuti rilasciati, raggiungimento raggiunto. Raccoglili dai tuoi sistemi; una piattaforma di gestione dei social media come SocialBlaze fornisce il volume di pubblicazione e la cronologia di coinvolgimento che consente ai social organici di entrare nel modello come variabile corretta piuttosto che essere raggruppati in una baseline inspiegabile. I canali lasciati fuori dal modello non scompaiono; il loro effetto viene erroneamente attribuito a qualsiasi cosa correla con loro.

Un record di tutto il resto

Assembla la serie di controllo: calendario delle promozioni, variazioni di prezzo, lanci di prodotti, interruzioni del sito, momenti di PR. La memoria istituzionale evapora velocemente, quindi la migliore pratica è un registro in esecuzione mantenuto man mano che gli eventi accadono. I futuri analisti tratteranno questo registro come un tesoro.

Lettura dell’uscita MMM correttamente

I deliverable sono potenti e di routine mal letti.

Decomposizione del contributo

L’output principale divide i risultati storici in una baseline, cosa sarebbe successo senza marketing, oltre a una fetta di contributo per canale. Le basi sono spesso più grandi di quanto i nuovi arrivati si aspettano, riflettendo la forza del marchio, l’abitudine e la distribuzione. Una grande base di riferimento non è un atto d’accusa di marketing; gran parte di esso è stato costruito dal marketing passato.

Curve di risposta e ritorno marginale

Per ogni canale, il modello produce una curva che mette in relazione il livello di attività con il risultato. La quantità strategica è la pendenza al vostro punto operativo attuale: un canale con ottime prestazioni medie può essere saturo al margine, mentre un piccolo canale può offrire il miglior prossimo dollaro. Le decisioni di bilancio dovrebbero seguire letture marginali, e questa riformulazione da sola cambia spesso le assegnazioni.

L’incertezza è parte della risposta

Buoni modelli report range, non punti. Un canale stimato con un ampio intervallo è un canale che i dati non possono definire, il che è di per sé attuabile: progettare un esperimento per stringerlo. I modellisti che presentano singoli numeri sicuri senza intervalli nascondono le informazioni più rilevanti per le decisioni prodotte dal modello.

Esecuzione di un programma MMM

Un modello una tantum è un report; un modello mantenuto è una capacità.

Costruire, acquistare o open source

Le opzioni spaziano dai fornitori commerciali di MMM, alle consulenze e ai framework open source che operano i tuoi analisti. I venditori portano velocità ed esperienza con meno trasparenza; in-house porta controllo e apprendimento istituzionale con un reale requisito di personale. Qualunque sia il percorso, insistere nel vedere la convalida: quanto bene il modello prevede settimane tratteggiate su cui non si è mai allenato e fare le sue stime rimangono stabili sotto ragionevoli cambiamenti di specifiche.

Calibrazione contro esperimenti

La più forte saldatura moderna MMM a test di incrementalità. Quando un geoholdout misura direttamente il vero sollevamento di un canale, questo risultato ancora la stima del modello per il canale e il modello estende l’apprendimento attraverso il tempo e gli esperimenti di budget non possono coprire. Ogni metodo patch l’altro punti ciechi; insieme formano un sistema di misurazione piuttosto che un paio di opinioni concorrenti.

Rinfresca su un ritmo

I mercati vanno alla deriva, i canali maturano e i modelli vanno in stallo. Gli aggiornamenti trimestrali o semestrali con nuovi dati, oltre a un riesame dei controlli dopo importanti cambiamenti aziendali, mantengono le stime collegate alla realtà attuale. Tieni traccia se le previsioni in avanti del modello continuano ad atterrare; l’errore di previsione che striscia verso l’alto è il segnale per rivisitare la specifica.

Dove MMM si adatta tra i metodi

MMM risponde ad alcune domande brillantemente e altre no affatto.

Il suo territorio naturale

Assegnazione di bilancio trimestrale e annuale, contributo a livello di canale in un mondo limitato dalla privacy, pianificazione degli scenari per i cambiamenti di budget e valutazione dei canali che l’attribuzione a livello utente strutturalmente sottostima, compresi i media di marca, audio e programmi organici con orizzonti di influenza lunghi. È l’unico metodo che gestisce tutti i canali, online e offline, in un unico quadro coerente.

I suoi punti ciechi

MMM è aggregato e lento. Non può dirti quale creativo correre domani, quale argomento ha vinto o quale post ha risuonato; l’analisi dell’impegno e i test controllati possiedono queste domande. Inoltre, lotta con nuovi canali che mancano di storia e con canali che non sono mai variati. Usalo per le grandi decisioni lente e altri strumenti per quelle piccole veloci.

Un quadro operativo combinato

I team maturi eseguono tre livelli: analisi di piattaforma e contenuti sempre attivi per la velocità tattica, esperimenti periodici per la verità di base causale e MMM per l’allocazione strategica, ciascuno calibrando gli altri. Il disaccordo tra gli strati non è un fallimento; sono informazioni su dove la realtà è più complicata di quanto non appaia ogni singola lente.

Un esempio mentale

Descrizioni astratte di MMM cliccano in posizione con una throughthrough concreta e semplificata di ciò che il modello vede e dice.

La configurazione

Immagina un’attività in abbonamento con tre anni di storia settimanale: le iscrizioni come risultato, più serie settimanali per le e-mail, post sociali organici pubblicati, settimane di sponsorizzazione di podcast e una campagna di ricerca il cui budget si è spostato su e giù stagionalmente. I controlli includono un cambio di prezzo a metà strada, due lanci di prodotti e le settimane di vacanza segnalate. Nulla in questo set di dati identifica un singolo utente; è interamente aggregato, che è il punto intero.

Cosa nota il modello

Il processo appropriato trova, ad esempio, che le settimane di iscrizione si muovono insieme alla ricerca passano rapidamente e bruscamente, con le settimane di podcast su un ritardo che decade per circa un mese e con una pubblicazione sociale sostenuta in una build lenta che le singole settimane mostrano a malapena. La variazione di prezzo spiega un cambiamento di livello che nessun canale poteva fare, che è esattamente ciò a cui serviva il controllo. Ogni canale riceve una curva di risposta: la ricerca aumenta rapidamente e si appiattisce presto, suggerendo saturazione ai budget attuali; la curva sociale è più bassa ma ancora in ascesa, suggerendo una testa inesplorata al margine.

Cosa fa il team con esso

La conversazione di allocazione cambia da opinioni a compromessi: tagliare il budget della curva più piatta, reinvestire dove la pendenza marginale è più ripida e commissionare un esperimento geo sulla stima del podcast, l’intervallo più ampio nel modello, per stringerlo prima di rinnovare la sponsorizzazione. Nessuna di queste mosse richiedeva di tracciare un singolo individuo, e ciascuna viene riesaminata quando il modello aggiorna il prossimo trimestre con la nuova variazione che sono state create proprio quelle decisioni.

Iniziare senza esagerare

Inizia con l’audit dei dati: puoi assemblare due anni di risultati settimanali, attività di canale e controlli? Questo esercizio costa poco e ha un valore indipendentemente dal fatto che tu modelli quest’anno. Quindi, adatta un modello semplice, anche una regressione di base con la stagionalità, per imparare le stranezze dei tuoi dati e costruire l’alfabetizzazione organizzativa nella lettura di contributi e curve. Introdurre variazioni deliberate nei canali che si desidera misurare. Quindi decidi sul venditore rispetto alle aspettative realistiche interne: il primo modello è il modello peggiore che tu abbia mai avuto e il valore si compone attraverso cicli di aggiornamento man mano che si accumulano esperimenti di calibrazione. Le squadre che trattano MMM come un sistema di apprendimento permanente, piuttosto che come un oracolo una tantum, sono quelle che ancora lo usano proficuamente anni dopo.