Что такое моделирование медиамикса? [Руководство для маркетологов с примерами]
Вы когда-нибудь чувствовали себя в темноте, когда дело доходит до понимания реального влияния ваших маркетинговых вложений?
Определение того, где и как происходят конверсии, имеет решающее значение для оптимизации вашего бюджета и достижения максимального эффекта от маркетинговых вложений. Но в условиях фрагментированных медиа оптимизировать маркетинговую эффективность сложно. Как мы можем измерить, как наши платные объявления в TikTok влияют на продажи в магазинах? Мы знаем, что наша целевая аудитория смотрит определённый телевизионный канал, но в какие временные промежутки? Приносят ли эти телевизионные объявления положительную отдачу от затрат на рекламу?
Моделирование медиамикса (МММ) отвечает на все эти вопросы и многие другие. Это мощный инструмент для маркетологов, стремящихся оптимизировать свои маркетинговые инвестиции. Предоставляя целостное представление о том, как различные факторы способствуют продажам и конверсиям, МММ позволяет принимать решения на основе данных, которые повышают эффективность маркетинга и способствуют росту бизнеса.
Что такое моделирование медиамикса?
Моделирование медиамикса (МММ) — это метод статистического анализа, используемый для измерения влияния маркетинговой деятельности по различным каналам. Он выполняет это путём обработки исторических данных, а затем проведения регрессионного анализа, чтобы понять взаимосвязь между независимыми переменными (например, расходами на маркетинг по каналам) и зависимыми переменными (такими как чистые новые продажи).
Процесс не является одноразовым — модель должна постоянно оптимизировать себя на основе реальных потребительских реакций и бизнес-результатов. С каждой итерацией маркетологи могут получать всё более высокую степень ясности и уверенности в своих повседневных решениях.
Метод похож на моделирование маркетингового микса, хотя моделирование медиамикса фокусируется на оптимизации производительности каналов продвижения, а не других аспектов маркетингового микса (таких как персонал, место продажи и ценообразование).
Проще говоря, МММ использует прогностические и причинные возможности регрессионного анализа, чтобы точно объяснить, как сочетание разрозненных маркетинговых мероприятий приводит к единому желаемому эффекту. Для большинства маркетологов этот желаемый эффект — улучшение рентабельности инвестиций, но МММ также можно использовать для более сложных целей, таких как измерение капитала бренда или прогнозирование дефицита товаров.
Примеры и тематические исследования моделирования медиамикса
С помощью правильной модели медиамикса бизнес может измерить свою прошлую маркетинговую эффективность, чтобы улучшить будущую рентабельность инвестиций за счёт оптимизации распределения медиабюджета по каналам и/или тактикам, включая: традиционные и цифровые медиаканалы, рекламные акции, ценообразование, расходы конкурентов, экономические условия, погоду и многое другое.
1. Связь цифровых медиа с продажами в магазинах
Poppi, бренд пребиотических газированных напитков, хотел понять, как их цифровые кампании влияют на покупки в магазинах. Однако проблема заключалась в том, что они использовали множество каналов продвижения и продавали свои напитки в тысячах розничных точках. Хотя у них были чёткие результаты по цифровым продажам с таких платформ, как Amazon Online Video, Instacart и TikTok, измерение влияния на продажи в магазинах было сложной задачей.
Чтобы решить эту проблему, наша команда работала с Poppi, чтобы использовать Crisp, платформу, которая связывает данные о продажах в режиме реального времени от розничных продавцов вплоть до отдельных SKU и почтовых индексов. Затем наши эксперты по программному обеспечению разработали специальную модель в Bliss Point, которая проанализировала взаимосвязь между цифровыми кампаниями Poppi и продажами в магазинах по разным географическим регионам.
Модель дала Poppi подробную разбивку того, как каждая кампания повлияла на покупки в магазинах, что позволило им оптимизировать свой медиамикс для максимальной рентабельности инвестиций. Одним из ключевых выводов было то, что реклама в TikTok сделала целевого клиента на 80% более склонным к покупке Poppi в магазине, что привело к увеличению бюджета, выделяемого на эту платформу.
2. Прогнозирование доходов и максимизация рентабельности инвестиций
Международный бренд электронной коммерции хотел спрогнозировать свою вторую половину года и создать оптимальный медиамикс, чтобы заставить свои маркетинговые доллары работать эффективнее. Для создания мощной, индивидуальной модели медиамикса потребовалась комбинация данных клиента, маркетинговых данных и машинного обучения.
Чтобы построить модель, бизнес использовал более двух лет данных о цифровом маркетинге и доходах, анализируя их по рынкам, тактикам и дням. Затем данные использовались для создания модели для оценки будущих расходов, показывающей, как изменения инвестиций по каналам могут повлиять на доходы и продажи.
Полная модель цифрового медиамикса дала бренду электронной коммерции подробный анализ того, где оптимизировать расходы по всем каналам цифрового маркетинга.
Одним из рекомендаций было перераспределение средств с социальных сетей, которые исторически составляли около 30%, на платный поиск. Эта рекомендация сопровождалась ещё одним слоем информации: бренд понял, что они слишком много инвестировали в кампании по повышению узнаваемости, и им нужно было больше вкладывать в захват текущего спроса во второй половине года.
Гео-таргетинг приращения
Бренд премиум-класса по производству багажа хотел протестировать влияние рекламы на YouTube на привлечение дополнительных посещений сайта и покупок во время праздничного сезона.
Чтобы провести этот тест, мы работали с брендом, чтобы использовать функцию Google для гео-таргетинга приращения, интегрированную в их платформу Bliss Point. Эта функция позволила нашим командам измерить не только посещения сайта и покупки, но и дополнительное влияние этих конверсий. Используя собственные исторические данные бренда для таргетинга нужной аудитории с помощью таргетированной рекламы, они провели тест в течение 6-недельного праздничного сезона и представили практические выводы о том, как реклама на YouTube привела к дополнительным результатам.
Этот тест оказался весьма успешным. Он обеспечил прирост на 7% дополнительных посещений сайта, что составило 202 000 дополнительных посещений сайта. Это привело к приросту на 6% покупок, наглядно демонстрируя ценность внешнего гео-таргетинга приращения на YouTube для повышения эффективности розничной торговли.
Преимущества и проблемы моделирования медиамикса
МММ помогает вам точно соединить все точки, используя (в идеале) массу предоставленных данных, чтобы понять, как разрозненные аспекты маркетинговых кампаний способствуют достижению ваших бизнес-целей. Природа этих преимуществ многогранна, предлагая маркетологам стратегическое преимущество в навигации по тонкостям своих рекламных усилий.
- Омниканальные кампании: МММ превосходно предоставляет информацию для омниканальных кампаний, позволяя маркетологам понимать и оптимизировать влияние своих инициатив по различным каналам.
- Улучшенный контроль над влиянием медиа-расходов: МММ предоставляет комплексный взгляд на влияние медиа-расходов, позволяя маркетологам оценивать эффективность своих инвестиций.
- Оптимизация медиа-расходов: с помощью МММ маркетологи могут оптимизировать свои медиа-расходы, определяя наиболее эффективные каналы и точки контакта.
- Эффективный таргетинг аудитории: анализ МММ помогает в совершенствовании стратегий таргетинга аудитории.
- Прогнозирование с уверенностью: одна из сильных сторон МММ заключается в его способности прогнозировать результаты с высокой степенью уверенности.
- Снижение зависимости от лично идентифицируемой информации (PII): МММ минимизирует зависимость от лично идентифицируемой информации для анализа.
В пост-cookie и пост-IDFA среде, где проблемы конфиденциальности становятся всё более важными, моделирование медиамикса стало ключевым аналитическим инструментом. Акцент МММ на общем распределении маркетинговых расходов и его умение устанавливать причинно-следственные модели решают проблемы, связанные с уменьшением доступности явной информации о конверсиях, предоставляя маркетологам подход, уважающий конфиденциальность и дающий ценную информацию для навигации в развивающейся экосистеме цифровой рекламы.
Преодоление проблем моделирования медиамикса
Преодоление проблем моделирования медиамикса (МММ) включает в себя учёт ключевых факторов, таких как соответствие модели, качество данных и частота получения инсайтов.
1. Обеспечение соответствия модели
Сильная модель медиамикса должна быть точной, адаптируемой и основанной на реальности. Это может быть сложной задачей, потому что МММ делает свои прогнозы на основе исторических данных — это означает, что если модель построена небрежно, она будет просто отображать результаты, которые слишком зависят от ваших предыдущих данных.
Бренды, изучающие МММ, должны убедиться, что модель имеет меры для предотвращения переобучения. Переобучение происходит, когда модель слишком сильно привязывается к историческим данным, показывая то, что уже произошло в подобной ситуации, а не делая новые выводы, основанные на реальных рыночных тенденциях.
2. Объём данных и качество данных
Работа с высококачественными данными важна в любой измерительной инициативе, но для эффективной работы МММ также требуется много данных для построения надёжной модели.
Например, если вы хотите, чтобы ваша модель анализировала влияние сезонности на запланированную покупку медиа, в идеале вам потребуется не менее трёх полных сезонов (или трёх лет) данных, чтобы выявить закономерности и получить точные инсайты.
3. Частота отчётов
МММ — это инициатива «долгой игры» с нечастыми отчётами по своей природе. Бренды и рекламодатели, которые более привыкли к ежедневным или еженедельным обновлениям, могут столкнуться с трудностями при «ожидании» анализа.
Распространённые заблуждения о моделировании медиамикса
Моделирование медиамикса, как и многие другие аналитические решения, также стало маркетинговым модным словом, которое породило множество заблуждений.
Вот несколько наиболее распространённых заблуждений о моделировании медиамикса:
- Модели медиамикса непрозрачны. С большими наборами данных и статистическим анализом, задействованным в моделировании медиамикса, методы, лежащие в основе этой техники, подвергались критике за их неясность.
- Модели медиамикса не предоставляют данные в режиме реального времени. Сегодня результаты часто измеряются по своевременности их доставки, при этом текущий цифровой рынок позволяет получать почти мгновенные данные в режиме реального времени.
- Моделирование медиамикса предвзято к офлайн-каналам. Хотя стратегии медиамикса действительно интегрируют и учитывают офлайн-каналы в своих подходах, моделирование медиамикса также учитывает все цифровые каналы — включая дисплей, электронную почту, платный поиск, социальные сети и многое другое.
- Моделирование медиамикса против моделирования атрибуции, основанного на данных. Подобно моделированию медиамикса, моделирование атрибуции также изучает эффективность маркетинговых стратегий, но есть важные различия.
Моделирование медиамикса против моделирования атрибуции, основанного на данных
Как и моделирование медиамикса, моделирование атрибуции также изучает эффективность маркетинговых стратегий, но есть важные различия.
Моделирование атрибуции — это общий термин, который относится к отслеживанию взаимодействия для лучшего понимания того, как конкретные тактики способствуют действию на уровне пользователя.
Моделирование медиамикса занимает более высокий уровень, более всеобъемлющую картину. Эта модель предназначена не для измерения взаимодействия с пользователем на уровне впечатлений и кликов, а скорее для измерения влияния всей точки контакта на конкретные маркетинговые цели.
Заключение: МММ закрывает цикл в маркетинговой эффективности
В постоянно меняющемся цифровом ландшафте адаптивность МММ к пост-cookie/пост-IDFA миру позиционирует его как важный инструмент для маркетологов. Поскольку предприятия стремятся соединить точки, использовать данные и принимать стратегические решения, МММ является важным союзником в динамичной сфере смешанной медиа-рекламы.