Modelagem de Mixagem de Marketing (MMM) Explicado

A modelagem de mix é mais antiga do que a internet; as empresas de bens de consumo a usaram para alocar orçamentos de televisão e impressão décadas antes de qualquer pessoa clicar em um anúncio. Caiu de moda quando o rastreamento digital prometeu seguir cada cliente individualmente, e ele rugiu de volta quando essa promessa entrou em colapso. O MMM moderno é mais acessível do que sua ascendência corporativa sugere: bibliotecas de código aberto, computação mais barata e melhores práticas o trouxeram ao alcance de equipes de médio porte. Este artigo explica o que é, como funciona conceitualmente, o que exige e como evitar as maneiras pelas quais dá errado.

The Core Idea

Desligue a matemática e o MMM faz uma simples pergunta sobre a história.

Learning from variation

Se suas vendas semanais subiram e caíram mais de dois anos, enquanto sua atividade de canal também variou, o padrão de co-movimento contém informações. Semanas com forte atividade de e-mail e fortes vendas, semanas com campanhas pausadas e vendas suaves, impulsos regionais que coincidiram com elevadores regionais: um modelo de regressão formaliza este trabalho de detetive em todos os canais simultaneamente, estimando quanto resultado cada unidade de atividade historicamente acompanhada, depois de contabilizar tudo o mais que estava acontecendo.

Controles fazem ou quebram

As vendas se movem por razões que não têm nada a ver com marketing: sazonalidade, feriados, mudanças de preços, estoques, lançamentos de concorrentes, condições econômicas, até mesmo tempo para algumas categorias. Um modelo credível inclui estas variáveis como variáveis de controle para que o marketing não receba crédito para dezembro ou a culpa por um problema de fornecimento. A maioria das falhas de MMM embaraçosas segue para um controle ausente, não um algoritmo falho.

Carryover and saturation

Duas transformações dão ao MMM seu realismo. Adstock captura a transição: o marketing visto esta semana influencia o comportamento por semanas depois, com força em decomposição. Curvas de saturação capturam retornos decrescentes: o primeiro incremento de atividade em um canal faz mais do que o décimo. Ajustar essas formas é o que permite que um modelo responda à pergunta que os executivos realmente fazem, que não é “fez este canal funcionar”, mas “o que aconteceria se mudássemos o orçamento”.

O que o MMM precisa de você

O modelo é tão bom quanto suas entradas, e as entradas são um projeto em si.

History with variation

Você precisa de pelo menos dois anos de dados semanais, idealmente mais, cobrindo resultados e atividade por canal. Criticamente, a atividade deve ter variado; um canal mantido em nível constante para toda a janela é estatisticamente invisível, porque o modelo nunca observou o mundo sem ele. As equipes que planejam o MMM às vezes deliberadamente introduzem variações, pulsando canais para cima e para baixo, especificamente para torná-los mensuráveis mais tarde.

Honest activity measures

Os canais pagos contribuem com gastos ou impressões. Os canais orgânicos contribuem com medidas de atividade: publicações, e-mails enviados, conteúdo liberado, alcance alcançado. Reúna-os de seus próprios sistemas; a plataforma de gerenciamento de mídia social como SocialBlaze fornece o volume de postagem e histórico de engajamento que permite que o social orgânico entre no modelo como uma variável adequada, em vez de ser agrupado em uma linha de base inexplicável. Os canais deixados de fora do modelo não desaparecem; seu efeito é atribuído de forma errada a qualquer coisa que esteja correlacionada com eles.

Um registro de tudo o mais

Monte a série de controle: calendário de promoções, mudanças de preços, lançamentos de produtos, interrupções no site, momentos de relações públicas. A memória institucional evapora rapidamente, de modo que a melhor prática é um registro de execução mantido à medida que os eventos acontecem. Os futuros analistas tratarão esse log como tesouro.

Leitura correta da saída MMM

Os resultados são poderosos e rotineiramente mal lidos.

Contribution decomposition

A saída do título divide os resultados históricos em uma linha de base, o que teria acontecido sem marketing, além de uma fatia de contribuição por canal. As linhas de base são muitas vezes maiores do que os recém-chegados esperam, refletindo a força, o hábito e a distribuição da marca. Uma grande linha de base não é uma acusação de marketing; grande parte foi construída pelo marketing passado.

Curvas de resposta e retorno marginal

Para cada canal, o modelo produz uma curva relacionando nível de atividade ao resultado. A quantidade estratégica é a inclinação no seu ponto de operação atual: um canal com excelente desempenho médio pode estar saturado na margem, enquanto um pequeno canal pode oferecer o melhor próximo dólar. As decisões orçamentárias devem seguir leituras marginais, e essa reformulação sozinha frequentemente muda as alocações.

A incerteza faz parte da resposta

Bons modelos de relatórios variam, não pontos. Um canal estimado com um intervalo amplo é um canal que os dados não podem fixar, o que é acionável: projetar um experimento para apertá-lo. Os modeladores que apresentam números únicos e confiantes sem intervalos estão escondendo a informação mais relevante para a decisão que o modelo produziu.

Executando um Programa MMM

Um modelo único é um relatório; um modelo mantido é uma capacidade.

construir, comprar ou código aberto

As opções abrangem fornecedores comerciais de MMM, consultorias e estruturas de código aberto que seus próprios analistas operam. Os fornecedores trazem velocidade e experiência com menos transparência; internamente, traz controle e aprendizado institucional com uma exigência real de pessoal. Seja qual for o caminho, insista em ver a validação: quão bem o modelo prevê semanas de espera que nunca treinou, e suas estimativas permanecem estáveis sob mudanças razoáveis de especificação.

Calibrate against experiments

A prática moderna mais forte solda MMM para testes de incrementalidade. Quando um geo holdout mede o verdadeiro elevador de um canal diretamente, esse resultado ancora a estimativa do modelo para o canal, e o modelo estende o aprendizado através do tempo e os níveis orçamentários que as experiências não podem cobrir. Cada método remendos pontos cegos do outro; juntos eles formam um sistema de medição em vez de um par de opiniões concorrentes.

Refresque em um ritmo

Os mercados derivam, os canais amadurecem e os modelos ficam obsoletos. Reavaliações trimestrais ou semestrais com novos dados, além de um reexame dos controles após grandes mudanças nos negócios, mantêm as estimativas conectadas à realidade atual. Rastrear se as previsões para a frente do modelo continuam a aterrissar; erro de previsão subindo é o sinal para revisitar a especificação.

Onde o MMM se encaixa entre os métodos

MMM responde algumas perguntas brilhantemente e outros não.

Its natural territory

A alocação trimestral e anual do orçamento, a contribuição de nível de canal em um mundo restrito à privacidade, o planejamento de cenários para mudanças de orçamento e a valorização de canais que atribuem estruturalmente a atribuição de nível de usuário subconta, incluindo mídia de marca, áudio e programas orgânicos com longos horizontes de influência. É o único método que lida com todos os canais, online e offline, em um quadro coerente.

Its blind spots

MMM é agregado e lento. Não pode dizer qual criativo para executar amanhã, qual linha de assunto ganhou ou qual post ressoou; análise de engajamento e testes controlados são donos dessas perguntas. Também luta com novos canais sem história e com canais que nunca variaram. Use-o para as grandes decisões lentas e outras ferramentas para as pequenas e rápidas.

Uma imagem operacional combinada

As equipes maduras executam três camadas: plataforma sempre ativa e análise de conteúdo para velocidade tática, experimentos periódicos para a verdade causal do solo e MMM para alocação estratégica, cada uma calibrando as outras. O desacordo entre camadas não é um fracasso; é informação sobre onde a realidade é mais complicada do que qualquer lente única mostra.

Um exemplo mental trabalhado

Descrições abstratas do MMM clique no lugar com um concreto, passo a passo simplificado do que o modelo vê e diz.

The setup

Imagine um negócio de assinatura com três anos de história semanal: inscrições como resultado, além de séries semanais para envio de e-mail, postagens sociais orgânicas publicadas, semanas de patrocínio de podcast e uma campanha de pesquisa cujo orçamento subiu e desceu sazonalmente. Os controles incluem uma mudança de preço no meio do caminho, dois lançamentos de produtos e semanas de férias sinalizadas. Nada neste conjunto de dados identifica um único usuário; é inteiramente agregado, que é o ponto principal.

O que o modelo nota

O processo de adaptação encontra, digamos, que as semanas de inscrição pesada co-movimentam com o gasto de pesquisa rápida e acentuadamente, com semanas de podcast em um atraso que decai ao longo de cerca de um mês, e com postagem social sustentada em uma construção lenta que as semanas individuais mal mostram. A mudança de preço explica uma mudança de nível que nenhum canal poderia, que é exatamente para o que o controle era. Cada canal recebe uma curva de resposta: a pesquisa sobe rápido e achata cedo, sugerindo saturação nos orçamentos atuais; a curva social é mais rasa, mas ainda está subindo, sugerindo espaço inexplorado na margem.

O que a equipe faz com ele

A conversa de alocação muda de opiniões para trade-offs: aparar o orçamento da curva mais plana, reinvestir onde a inclinação marginal é mais íngreme e comissionar um experimento geo na estimativa do podcast, o intervalo mais amplo no modelo, para apertá-lo antes de renovar o patrocínio. Nenhum desses movimentos exigia o rastreamento de um único indivíduo, e cada um é reexaminado quando o modelo se atualiza no próximo trimestre com a nova variação que as próprias decisões criadas.

Começar sem excesso de compromisso

Comece com a auditoria de dados: você pode montar dois anos de resultados semanais, atividade de canal e controles? Esse exercício custa pouco e é valioso, independentemente de você modelar este ano. Em seguida, ajuste um modelo simples, mesmo uma regressão básica com sazonalidade, para aprender as peculiaridades dos seus dados e construir alfabetização organizacional em contribuições de leitura e curvas. Introduzir variação deliberada em canais que você vai querer medido. Em seguida, decida sobre o fornecedor versus internamente com expectativas realistas: o primeiro modelo é o pior modelo que você já terá e os compostos de valor através de ciclos de atualização à medida que as experiências de calibração se acumulam. Equipes que tratam o MMM como um sistema de aprendizado permanente, em vez de um oráculo único, são aquelas que ainda o usam lucrativamente anos depois.