«Половина денег, которые я трачу на рекламу, расходуется впустую; беда в том, что я не знаю, какая половина». — Джон Уонамейкер
Джон Уонамейкер был успешным бизнесменом, который был пионером в рекламе и многих других областях. Он открыл первый универмаг в Филадельфии. Сеть его универмагов была продана нескольким компаниям и в итоге стала частью Macy’s. Очень жаль, что в его время (1838–1922) маркетинговые измерения, вероятно, были основаны на догадках и могли опираться на интуицию. Если бы мистер Уонамейкер наблюдал за происходящим на небесах, он был бы счастлив, что сейчас у него был бы гораздо более точный ответ с научной строгостью. Одной из вещей, которая может ему помочь, является моделирование маркетингового микса, также известное как MMM.
MMM пытается помочь маркетологам решить вопрос на многомиллионные суммы: измерить, насколько эффективной была маркетинговая деятельность, и как оптимизировать распределение бюджета в будущем. MMM может помочь ответить на такие вопросы, как:
- Что влияет на KPI?
- Насколько эффективна и какова рентабельность расходов на рекламу (ROAS) для каждого маркетингового канала?
- Каким был бы KPI, если бы я тратил больше или меньше на определённые каналы или на маркетинг в целом?
- Сколько средств следует выделять на каждый канал, чтобы максимизировать KPI в следующем цикле?
Краткое содержание
В этой статье — первой части серии статей о MMM — я планирую дать нетехническое введение в MMM со следующими темами:
- Какие данные и переменные входят в модели MMM?
- Каковы наиболее важные элементы в идеальной ментальной модели MMM?
- Какие варианты свойств модели соответствуют предлагаемой ментальной модели?
Данные MMM
MMM — это агрегированная модель, и гранулярность её данных обычно находится на уровне канала, страны/региона и/или продукта, а не на уровне пользователя. Данные о расходах могут быть разрозненными и нестабильными на ежедневном уровне, поэтому очень распространены агрегированные данные за неделю или месяц. Бизнес-KPI обычно имеют годовую сезонность и тренд, поэтому модели обычно требуется не менее двух лет исторических данных (особенно на еженедельном уровне или более на ежемесячном уровне). Тем не менее всё зависит от данных: для некоторых предприятий с большим объёмом данных и быстрыми изменениями могут подойти ежедневные и более короткие периоды.
Модели MMM обычно включают следующие целевые показатели и функции.
Категории данных MMM и примеры — изображение автора
Метрика KPI интереса является переменной отклика. Это могут быть продажи для розничной торговли, посещения веб-сайта для интернет-магазинов, количество регистраций учётных записей, объём поиска в Google и т. д.
Переменные медиа должны включать все основные маркетинговые каналы с приличным объёмом расходов. Примеры могут включать онлайн-медиа, такие как платный поиск, платные социальные сети, традиционные медиа, такие как телевидение, и/или офлайн-медиа, такие как Out Of Home и прямая почтовая рассылка. Единицей моделирования может быть расход, который проще получить, поскольку он обычно отслеживается внутри компании. Однако данные о расходах не учитывают затраты на СМИ. Переменные, основанные на действиях, такие как количество кликов, показов и данные GRP, если они доступны и надёжны, могут быть лучшим выбором.
Другие важные факторы, влияющие на KPI, также должны быть включены в модель для контроля их воздействия. Некоторыми внутренними бизнес-переменными могут быть акции, рефералы и ценообразование. Другие внешние факторы контроля включают такие переменные, как сезонность, тренд, важные праздники и события, такие как covid или запуск продукта, которые могут вызвать сдвиги KPI, экономические факторы, если это уместно, и поведение конкурентов.
Ментальная модель MMM
Все модели неправильны, некоторые полезны. Полезные модели — это те, у которых ментальные модели наилучшим образом приближают реальность.
Важность убывающей доходности говорит о том, что каждый доллар, потраченный на рекламу, не приносит равной отдачи, и по мере того, как мы тратим больше денег на один канал, отдача от одного доллара будет продолжать уменьшаться из-за насыщения. В начале есть много низко висящих плодов, и первоначальные расходы могут принести высокую отдачу. В конце концов, по мере того как рынок становится более насыщенным или потребители устают от рекламы, маркетинг будет приносить гораздо меньше отдачи, и тратить столько же не будет иметь смысла. Это можно отразить с помощью графика кривой отклика (см. пример ниже), где расходы представлены по оси X, а KPI — по оси Y, чтобы мы могли визуализировать, как увеличиваются расходы и как при этом меняется KPI.
Есть несколько предположений о том, какой должна быть кривая отклика (C-образная кривая, S-образная кривая и т. д.). Одно из самых популярных предположений о кривой отклика показано в примере ниже: кривая более крутая в начале и со временем становится намного более пологой. Хотя мы видим, что KPI продолжает расти, стоимость за дополнительный KPI резко возрастает. Важно понимать, на каком уровне расходов ROAS больше не идеален, и мы должны перестать тратить столько же. Модель должна принимать форму, которая может имитировать эту вогнутую форму.
Кривая отклика — изображение автора
Переносимый эффект рекламы говорит о задержке между временем, когда потребитель был затронут рекламой, и временем, когда потребитель конвертируется из-за рекламы. Допустим, однажды я увидел рекламу плана страхования на рекламном щите по дороге домой, но я не могу купить его сразу, потому что я был за рулём. Реклама всё ещё оказывала на меня некоторое влияние. Наконец, через неделю я нашёл время и стал их клиентом. Переносимый эффект рекламы для меня составил одну неделю.
Распространение эффекта рекламы по неделям — изображение автора
Хотя расходы на рекламу были в неделю 0, фактический эффект рекламы был реализован только позже, поэтому при построении модели расходы за неделю 0 должны быть справедливо распределены на следующие 8 недель с использованием коэффициента затухания.
Коэффициент затухания для рекламы должен быть специфичен для разных каналов и целей.
Адстоки могут различаться по каналам. Люди могут конвертировать быстрее по некоторым каналам, особенно по цифровым. Например, пользователи платных поисковых каналов могут конвертировать очень быстро, поскольку у них более высокая готовность к покупке, и один клик может привести их в магазин или к продукту, который они ищут. С другой стороны, пользователи офлайн-каналов могут конвертировать гораздо медленнее, потому что может потребоваться некоторое время, чтобы отреагировать на офлайн-медиа.
Адсток также может различаться в зависимости от бизнеса. Некоторые предприятия могут быть медленнее, чем другие. Например, чтобы стать водителем Lyft, требуется время, чтобы получить водительские права и проверить и утвердить транспортное средство. Таким образом, задержка конверсии больше, чем между контактом с рекламой и утверждением в качестве водителя. В отличие от этого, чтобы подписаться на потоковые видеосервисы, такие как Netflix, может потребоваться менее 5 минут с момента просмотра рекламы до оформления подписки.
1 + 1 > 2. Вы можете быть обеспокоены тем, как я могу называть себя специалистом по данным с такими математическими навыками. Но иногда несколько маркетинговых мероприятий в совокупности могут создать больший эффект, чем сумма каждого мероприятия, работающего по отдельности, и это синергетический эффект маркетинга. Многие потребители не просто контактируют с одним каналом СМИ в таком мире со взрывной информацией. Например, пользователь может увидеть рекламу на рекламном щите по дороге домой, затем он может увидеть вторую рекламу об одном и том же продукте, смотря телевизор после ужина. Он может не конвертировать, если увидит только одну рекламу, но может конвертировать после просмотра обеих реклам.
- Тенденции, сезонность, праздники, события и другие элементы управления
Помимо целевых и медиа-функций, важно понимать, что бизнес-KPI часто является сезонным и трендовым и может сильно зависеть от определённых событий, праздников и других факторов.
Быстрорастущий бизнес обычно имеет восходящую тенденцию в целевом показателе. В розничном магазине, вероятно, больше продаж в выходные и меньше в будние дни. Продажи пекарни могут резко измениться, потому что они недавно открыли три новых магазина. Рождество способствует развитию некоторых предприятий, потому что многие люди покупают подарки. Кроме того, мы можем увидеть падение продаж из-за активных рекламных акций конкурентов и меньшего количества людей, открывающих инвестиционные счета, когда экономика находится в рецессии.
Эти аспекты в основном не имеют ничего общего с маркетинговой деятельностью и должны быть хорошо отражены в модели для объективной оценки и разумного прогноза.
- Включение эмпирических и экспериментальных результатов
Идеальная модель MMM должна основываться не только на наблюдаемых данных, но и включать экспериментальные результаты, предыдущие эмпирические данные, исследования или даже предыдущие модели. Это поможет модели бороться с проблемами данных и давать результаты, которые более согласуются с внешними данными и более обобщаемы.
Часто данные реального мира, особенно маркетинговые данные на более детальном уровне, могут быть очень разрозненными, что может привести к очень необоснованным выводам, основанным только на наблюдаемых данных. Эмпирические данные, предыдущие исследования и отраслевые ориентиры могут помочь в таких случаях. Кроме того, каналы или географические регионы с низким качеством данных могут использовать информацию из аналогичных каналов или географических регионов с надёжными данными для оценки. Например, Display может вести себя аналогично Programmatic Display. Если у каналов Display мало данных, мы можем использовать информацию, полученную из Programmatic Display для Display, чтобы получить более разумные данные. Новое поколение моделей также может использовать результаты предыдущих версий моделей и сохранять последовательность идей.
Достоверные результаты экспериментов считаются святым Граалем понимания причинно-следственных связей и дополнительных затрат. Многие компании регулярно проводят эксперименты на маркетинговых каналах, чтобы понять дополнительную прибыльность каналов. Результаты тестов могут быть репрезентативными только для определённого уровня расходов или короткого периода времени или подмножества канала. Использование результатов тестов с моделью может использовать преимущества обоих миров и помочь откалибровать результаты модели.
Выбор свойств модели
Многие варианты свойств модели и функций потерь могут соответствовать вышеупомянутой ментальной модели. Следующая диаграмма обобщает несколько вариантов, которые, по моему мнению, удовлетворяют ключевым требованиям ментальной модели.
Форма модели против ментальной модели — таблица автора
Чтобы отразить синергетический эффект между различными каналами, предполагая, что каналы могут создавать синергию для пользователей в любой комбинации, мы можем использовать мультипликативную форму модели с медиа после преобразования адстока.
Переменные медиа должны быть преобразованы с помощью адстока, принимая во внимание ожидаемую продолжительность рекламного эффекта, ожидаемое пиковое время рекламного воздействия и коэффициент затухания.
Затем мы можем применить логарифмическое преобразование к обеим сторонам (плюс 1, чтобы избежать логарифма нуля) функции, и уравнение становится линейным. Логарифмическое преобразование даёт нам кривые затрат на медиа с вогнутой формой, а также делает искажённые данные более нормальными. Форму кривой можно настроить, применяя дополнительные преобразования к медиаданным.
Помимо вышеуказанного уравнения, модель также должна быть моделью временных рядов, которая поддерживает многомерный и разлагающийся тренд, сезонность, регрессию и член ошибки.
Байесовская структура — естественный выбор для включения внешней информации в модель. Байесовская структура позволяет использовать информативные априорные значения с желаемым уровнем вариации, чтобы апостериорные значения были оценены с помощью комбинации предварительных знаний и наблюдаемых данных. Хотя влияние СМИ не должно быть слишком волатильным в течение короткого периода, маркетинговые рычаги и рыночная динамика также могут быстро меняться, особенно для новых компаний. В таких случаях требуются временные коэффициенты, чтобы модель была более динамичной.
Одним из мощных пакетов Python, который может построить модель MMM, поддерживающую свойства, описанные выше, является Orbit. У меня есть отдельный вводный учебник для Orbit [здесь] (это учебник по общему использованию Orbit, а не конкретно для построения MMM). Вы можете найти вторую историю о том же в серии статей о MMM, часть 2, здесь, посвящённую проблемам и подводным камням при построении модели MMM, а также сравнению между MMM и другими методами измерения маркетинга. Я также планирую написать часть 3 о построении модели MMM с использованием смоделированных данных с помощью Orbit.
Ссылки
[1] Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz, Market Response Models – Econometric and Time Series Analysis
[2] Edwin Ng, Zhishi Wang, Athena Dai, Bayesian Time Varying Coefficient Model with Applications to Marketing Mix Modeling
Спасибо и подписывайтесь на меня, чтобы узнать больше!
Спасибо, что прочитали так далеко и узнали о моделях маркетингового микса. Подписывайтесь, если вас интересуют модели MMM, поскольку я планирую написать серию статей о MMM.
Будьте на связи, подписывайтесь на меня и подписывайтесь на электронную почту, чтобы получать больше историй о науке о данных и других интересных темах!