AI ilə dəstəklənən marketinq miksi modelləşdirməsi, hər bir marketinq kanalının, eləcə də qiymət və mövsümilik kimi kənar amillərin satışlara nə qədər töhfə verdiyini qiymətləndirən statistik bir metoddur; maşın öyrənməsi isə uyğunlaşdırma, tənzimləmə və ssenari işlərini sürətləndirir. Bu, platforma idarəetmə panellərinin cavab verə bilmədiyi bir suala cavab verir: büdcəni bir kanaldan digərinə köçürsək, gəlir necə görünər?
Ənənəvi marketinq miksi modelləşdirməsi (MMM) onilliklərdir mövcuddur. İstehlak malları şirkətləri ondan rəqəmsal reklamlardan çox əvvəl, adətən ildə bir hesabat təqdim edən bahalı konsaltinq şirkətləri vasitəsilə istifadə edirdilər. Dəyişən şey əlçatanlıqdır. Meta-nın Robyn və Google-un Meridian kimi açıq mənbəli çərçivələri, eləcə də PyMC-Marketing kimi Bayesian kitabxanaları, orta ölçülü reklamverənlərin hər rübdə və ya hətta hər ay öz modellərini işlətmələrini praktik hala gətirdi.
AI marketinq miksi modelləşdirməsinə əslində nə əlavə edir?
MMM-in əsasını hələ də reqressiya təşkil edir. Satışlar, iki məlum effekti əks etdirmək üçün dəyişdirilmiş hər kanaldakı xərclərin funksiyası kimi izah olunur: adstock (reklam işlədikdən sonra günlərlə və ya həftələrlə işləməyə davam edir) və doymuşluq (hər əlavə lirə əvvəlkindən daha az qazandırır). “AI” hissəsi onu əvəz etməkdənsə, bu nüvənin ətrafında yerləşir.
- Hiperparametr axtarışı: Robyn kimi alətlər, analitikin bir neçəsini təxmin etməsi əvəzinə, minlərlə adstock və doymuşluq kombinasiyasını sınamaq üçün təkamül optimallaşdırmasından (Nevergrad) istifadə edir.
- Bayesian priors: Meridian və PyMC-Marketing, lift testindən əldə edilən nəticələr kimi artıq inandığınız şeyləri kodlaşdırmağa və bu inancları məlumatlarla yeniləməyə imkan verir.
- Büdcə optimallaşdırılması: cavab əyriləri mövcud olduqdan sonra, optimallaşdırıcı real məhdudiyyətlər daxilində məqsədi maksimuma çatdıran xərc bölgüsünü axtarır.
- Daha sürətli iterasiya: dil modelləri məlumat təmizləmə skriptlərini yazmağa və model diaqnostikasını ümumiləşdirməyə kömək edir, lakin səbəb-nəticə əlaqəsini özbaşına şərh etmələrinə heç vaxt etibar edilməməlidir.
Məsələ modelin ağıllı olması deyil. Məsələ ondadır ki, bir vaxtlar konsaltinq şirkətinin üç ay vaxtını alan proses, indi təmiz məlumatlara sahib kiçik bir komanda tərəfindən bir neçə həftə ərzində təkrarlana bilər.
Məxfilik dəyişiklikləri niyə MMM-i yenidən aktual edir?
Klik əsaslı atributsiya fərdlərin izlənilməsindən asılıdır. Brauzer məhdudiyyətləri, GDPR və Türkiyənin KVKK-sı çərçivəsində razılıq tələbləri və Apple-ın Tətbiq İzləmə Şəffaflığı, müəyyən bir reklam klikinə nə qədər konversiyanın bağlana biləcəyini azaldıb. Platforma tərəfindən bildirilən rəqəmlər boşluqları modelləşdirilmiş təxminlərlə doldurur və hər platforma özünü tərifləməyə meyllidir.
MMM aqreqasiya edilmiş həftəlik və ya gündəlik məlumatlar üzərində işləyir. Kukilərə və ya istifadəçi ID-lərinə ehtiyacı yoxdur. Bu, onu Google Ads, Meta Ads Manager və TikTok Ads Manager-in hər birinin iddia etdiyinə qarşı təbii bir çarpaz yoxlama edir. Platformalar kollektiv şəkildə biznesin faktiki qeyd etdiyindən daha çox konversiya bildirdikdə, miks modeli çox vaxt üst-üstə düşməni aydın şəkildə göstərən ilk alət olur.
Alien Road AI ilə dəstəklənən marketinq miksi modelləşdirməsini necə tətbiq edir
Tipik bir əməkdaşlıqda biz MMM-i birdəfəlik hesabat kimi deyil, dörd mərhələli bir ölçmə layihəsi kimi qəbul edirik. Hər mərhələnin müştərinin növbəti mərhələ başlamazdan əvvəl təsdiqlədiyi bir nəticəsi var.
1. Kəşfiyyat və məlumat auditi
Biz satışları hərəkətə gətirə biləcək hər bir girişi sadalamaqla başlayırıq: ödənişli kanallar, orqanik axtarış sessiyaları, e-poçt göndərişləri, promosyonlar, qiymət dəyişiklikləri, stokun bitməsi, Ramazan və Yeni il dövrü kimi tətillər və valyuta məzənnələri kimi makro amillər. Türk müştərilər üçün təkcə valyuta hərəkətləri tələbdəki böyük dalğalanmaları izah edə bilər, buna görə də onları kənarda saxlamaq reklamları səhvən kreditləşdirən bir model yaradır.
Audit tarixin uzunluğunu və qranulyarlığını yoxlayır. İş qaydası olaraq, təxminən iki illik həftəlik məlumat və ya ən azı bir illik gündəlik məlumat və xərclərdə kifayət qədər dəyişiklik axtarırıq. Hər həftə eyni büdcə ilə işləyən bir kanal modelə öyrənəcəyi heç nə vermir.
2. Modelin qurulması və kalibrlənməsi
Biz adətən iki namizəd model hazırlayırıq, çox vaxt biri Robyn-də, digəri isə Meridian və ya PyMC-Marketing-də Bayesian modeli olur və onları müqayisə edirik. Müştərinin geo holdout testləri və ya platforma konversiya lifti tədqiqatları apardığı yerlərdə, bu nəticələr priors və ya kalibrləmə hədəfləri kimi daxil edilir. Bu, etibarlılıq üçün ən faydalı addımdır: idarə olunan bir təcrübə ilə razılaşan bir model, yalnız tarixi yaxşı uyğunlaşdıran bir modeldən daha çox etibar qazanır.
3. Təsdiqləmə
Biz ən son həftələri saxlayırıq, onları proqnozlaşdırırıq və proqnozu faktiki baş verənlərlə müqayisə edirik. Biz həmçinin əmsalların biznes məntiqinə uyğun olduğunu yoxlayırıq. Əgər model brend axtarışının gəlirin çox hissəsini təmin etdiyini deyirsə, bu, adətən axtarışın başqa yerdə yaradılan tələbi tutduğunu göstərir və biz girişləri yenidən qururuq.
4. Hesabat və ssenari planlaşdırılması
Yekun nəticə əmsallar cədvəli deyil. Müştərilər kanal başına cavab əyriləri, cari xərclərdə marjinal gəlir və tək rəqəmlərdən çox diapazonlu iki və ya üç büdcə ssenarisi alırlar. Biz modeli razılaşdırılmış cədvəl üzrə, çox vaxt rüblük olaraq yeniləyirik və nəticələrin zamanla müqayisə edilə bilməsi üçün fərziyyələrdəki hər bir dəyişikliyi qeyd edirik.
Miks modelinin hüdudları nələrdir?
MMM yaxşı qurulduqda qeyri-müəyyənlik haqqında dürüst, qurulmadıqda isə çaşdırıcıdır. Bir neçə məhdudiyyəti əvvəlcədən qeyd etməyə dəyər.
- O, kanal səviyyəsində işləyir. Hansı reklam yaradıcılığının və ya hansı açar sözün ən yaxşı nəticə verdiyini sizə deməyəcək; platforma testləri və atributsiya hələ də bununla məşğuldur.
- Korrelyasiya olunmuş kanallar bir-birinə qarışır. Əgər TV və YouTube həmişə eyni vaxtda yüksəlirsə və enirsə, model onları təcrübəsiz ayıra bilməz.
- Kiçik büdcələr geniş səhv çubuqları yaradır. İki kanal üzrə ayda bir neçə min avro xərcləyən bir biznes üçün daha sadə bir artım testi vaxtdan daha yaxşı istifadə ola bilər.
- Nəticələr keçmişi təsvir edir. Tarixçəsi olmayan yeni bir kanal, modelləşdirilməzdən əvvəl priors ilə qiymətləndirilməli və ya sınaqdan keçirilməlidir.
MMM nəticələrini həddindən artıq reaksiya vermədən necə oxumalısınız?
Orta gəlirə deyil, marjinal gəlirə baxın. Bir kanal güclü orta ROI-yə sahib ola bilər və hələ də doymuş ola bilər, yəni orada xərclənən növbəti lirə az gəlir gətirir. Cavab əyrisi bu düzləşmənin harada başladığını göstərir.
Etibarlı intervalları ciddiyə alın. Əgər model Meta-nın xərc vahidinə görə 1.2 ilə 3.5 vahid gəlir gətirdiyini deyirsə, dürüst oxunuş “yəqin ki, gəlirlidir, dəqiq səviyyə qeyri-müəyyəndir” və növbəti addım onu daraltmaq üçün lift testidir. Büdcənin yarısını geniş bir intervalda dəyişmək, analiz kimi bəzədilmiş bir qumardır.
Nəhayət, büdcələri tədricən dəyişdirin. Hər rübdə xərclərin on-iyirmi faizini dəyişdirmək və modelin proqnozlaşdırılan nəticəsinin görünüb-görünmədiyini yoxlamaq, dramatik bir yenidən bölüşdürmədən daha təhlükəsiz bir dövrədir.
Bu həftə haradan başlamaq lazımdır
Başlamaq üçün tam bir modelə ehtiyacınız yoxdur. Son 24 ay üçün kanal üzrə həftəlik xərcləri və həftəlik gəliri bir vərəqə çəkin, promosyonlar, qiymət dəyişiklikləri və tətillər üçün sütunlar əlavə edin və izləmənin pozulduğu və ya məhsulun stokda olmadığı həftələri qeyd edin. Həmin tək fayl sizə miks modelinin mümkün olub-olmadığını deyir.
Əgər xərclər bu müddət ərzində çətinliklə dəyişibsə, əvəzinə qəsdən bir test planlayın: dörd-altı həftə ərzində bir sıra regionlarda bir kanalı artırın və ya dayandırın. Nəticə özlüyündə faydalıdır və gələcək hər hansı bir modeli etibarlı edən kalibrləmə nöqtəsinə çevrilir.
Oxumağa davam edin: Reklam · AI Reklam Optimizasiyası