Расходы на привлечение клиентов в цифровых медиа продолжают расти
По мере роста расходов на привлечение клиентов в цифровых медиа всё больше потребительских брендов стремятся диверсифицировать свои маркетинговые расходы. Бренды пересматривают традиционные каналы, такие как телевидение, радио, маркетинг в магазинах и т. д. Однако отслеживание данных по этим каналам ограничено. Сейчас бренды сталкиваются с новой задачей — достоверно измерять эффективность маркетинга по всем каналам.
Кроме того, после трёх лет пандемии COVID потребители возвращаются к покупкам в магазинах. Брэндам, продающим товары как онлайн, так и офлайн, сложно комплексно оценить эффективность маркетинга и продаж.
Также бренды, проводящие рекламные акции с помощью видео или инфлюенсеров, с трудом могут определить, насколько эффективны (или неэффективны) эти маркетинговые усилия. По мере того как IDFA и файлы cookie исчезают, измерение эффективности рекламы с помощью подходов атрибуции становится невыполнимой миссией.
Измерение маркетинговых сигналов с помощью MMM
Классический подход к измерению эффективности маркетинговой инициативы заключается в регрессии. Мы можем определить, приносит ли переменная отдачу, оценивая корреляцию между каждой независимой переменной и отдачей.
MMM основан на сложных регрессиях, которые обрабатывают множество входных данных, включая расходы на рекламу, макроэкономику и другие внешние факторы, а также доходы, а затем приписывают конверсию каждому входному параметру.
MMM на практике
Рассмотрим реальный пример. Бренд косметики продаёт продукцию через свои витрины, Amazon, Sephora и магазины у дома, а также тратит значительные маркетинговые бюджеты на Google, VK, Amazon, телевидение, подкасты и в магазинах. Каждый месяц он хочет понимать, как его расходы на рекламу влияют на продажи по каналам. Бренд косметики также заинтересован в том, чтобы узнать оптимальное распределение маркетингового бюджета на следующий месяц.
Многие клиенты бренда косметики видят рекламу в интернете и позже совершают покупки офлайн, и наоборот. Поэтому нереально разделить эффективность онлайн- и офлайн-каналов.
Здесь на помощь может прийти MMM. Вводя ежедневные расходы на рекламу, тенденции на рынке косметики и данные о ежедневных продажах в модель, бренд может увидеть, как каждая переменная влияет на продажи с течением времени.
Более того, регрессионные модели легко визуализировать и объяснить. Заинтересованные стороны в бизнесе могут оценить, насколько хорошо модели соответствуют их бизнесу, и решить, принимать ли результаты модели.
С другой стороны, вводя в обученные модели различные сценарии расходов на рекламу, бренд косметики получит соответствующие прогнозы доходов в этих сценариях.
Соединяем точки между маркетинговыми и торговыми каналами
MMM использует агрегированные данные, такие как ежедневные расходы на рекламу и данные о продажах, вместо детальных данных на уровне пользователей, таких как данные о потоках кликов. Данные о расходах на рекламу и продажах обычно доступны на основных маркетинговых и торговых платформах, и каждый атрибут данных обычно измеряется одинаково. Поэтому бренды могут ожидать сопоставимых маркетинговых измерений на рекламных платформах. Без такой сопоставимости маркетинговые измерения будут ненадёжными.
Аналогично MMM обеспечивает надёжное измерение для сквозных объявлений. Если бренды пытаются измерить эффективность сквозных объявлений с помощью моделей атрибуции, измерение, скорее всего, будет занижено. Поскольку модели атрибуции полагаются на данные о потоках кликов, если пользователь видит рекламу, но не нажимает на неё, модели не узнают, просмотрел ли пользователь её. В таких случаях MMM становится отличным дополнением к моделям атрибуции.
У MMM есть свои ограничения
Однако MMM не идеален и имеет множество ограничений.
Поскольку MMM использует агрегированные данные, для обнаружения достаточного количества рыночных сигналов требуются динамические и долгосрочные маркетинговые данные. Поэтому MMM могут использовать только бренды, вкладывающие значительные средства в маркетинг. Кроме того, если бренд хочет измерить определённый маркетинговый канал, он должен активно использовать этот канал в течение длительного периода. В противном случае MMM не сможет генерировать значимые результаты из-за нехватки данных.
Кроме того, MMM обычно может измерять только на уровне рекламных платформ, а не на уровне кампаний. Это связано с тем, что большинство брендов не будут генерировать достаточно точек данных по конкретной кампании.
Наконец, время от времени брендам необходимо проводить эксперименты по кампаниям, чтобы создавать динамические маркетинговые движения для работы MMM. Не у всех команд будет достаточно ресурсов для правильного управления кампаниями, чтобы максимально эффективно использовать MMM.
Маркетинговые измерения должны служить вашей цели по получению дохода
Подводя итог, вот случаи, в которых MMM может принести брендам уникальную пользу:
- Разнообразное инвестирование по нескольким маркетинговым каналам.
- Продажа товаров как онлайн, так и офлайн.
- Онлайн-маркетинг направлен на повышение осведомлённости о продажах в офлайне, и наоборот.
- Значительные расходы на сквозные объявления, такие как видео и некоторые платные социальные объявления.
Однако есть определённые сценарии, в которых MMM может быть не так полезен для брендов:
- Если у конкретных каналов короткая история маркетинга или продаж, MMM не будет иметь точных измерений для этих каналов.
- Цель измерения установлена на уровне кампании.
- У бренда ограниченные возможности для проведения маркетинговых экспериментов, поэтому не хватает маркетинговых сигналов для MMM.
Важно помнить, что ни один подход к маркетинговым измерениям не является идеальным. Маркетологи и команды, работающие с данными, должны искать сочетание методов, которые наилучшим образом соответствуют их вариантам использования и помогают им получать больше прибыли за счёт маркетинга. В нынешней экономике важно работать с меньшими затратами, и подходы к маркетинговым измерениям могут помочь нам в этом.
Я обсуждаю, как использовать науку о данных для повышения уровня вашего бизнеса и оптимизации маркетинга, в своих статьях. Если вы хотите обсудить маркетинговые измерения или другие темы, связанные с наукой о данных, пожалуйста, подпишитесь на меня в LinkedIn или свяжитесь со мной по адресу newsletter@ivyliu.io. До следующего раза.