Маркетинговое моделирование (MMM) — это статистический метод, который оценивает, какой вклад в продажи вносит каждый канал (поиск, социальные сети, ТВ или электронная почта), используя агрегированные исторические данные, а не отслеживание на уровне пользователей. MMM с поддержкой ИИ использует инструменты с открытым исходным кодом, такие как Meridian от Google и Robyn от Meta, а также автоматизацию и байесовские методы, чтобы сделать моделирование быстрее и дешевле. Его стоимость в основном заключается в подготовке данных и времени аналитиков; его ROI обусловлен лучшим распределением бюджета.
MMM снова вошел в моду, поскольку атрибуция на основе файлов cookie ослабла. Ограничения браузеров, требования к согласию и запросы на отслеживание приложений означают, что платформы видят меньшую часть пути клиента. MMM обходит это, работая с еженедельными итогами: расходы по каналам, продажи, цены, акции и внешние факторы. Он отвечает на вопрос о бюджете, а не на вопрос о кликах.
Что ИИ добавляет к маркетинговому моделированию?
Традиционное MMM было медленным и дорогим, его месяцами создавали специализированные консалтинговые компании. Нынешняя волна инструментов меняет это несколькими способами.
- Фреймворки с открытым исходным кодом: Google Meridian и Meta Robyn предоставляют протестированные структуры моделей, поэтому командам не нужно начинать с нуля.
- Байесовские методы: позволяют аналитикам включать предварительные знания, такие как результаты тестов на повышение эффективности, и выражать неопределенность в виде диапазонов.
- Автоматизированная настройка: Robyn, например, ищет множество вариантов моделей и представляет кандидатов, которые балансируют между соответствием и правдоподобием.
- Более быстрое обновление: как только конвейеры данных построены, модели можно запускать ежемесячно или ежеквартально, а не ежегодно.
- Языковые модели: помогают аналитикам писать код, документировать предположения и объяснять результаты неспециалистам.
ИИ не отменяет необходимости в суждении. Модели могут хорошо соответствовать историческим данным и все равно давать неправдоподобные ответы, например, канал с отрицательным эффектом. Аналитик должен проверять результаты на основе бизнес-знаний и экспериментов.
Сколько стоит проект MMM?
Программное обеспечение может быть бесплатным, но проект — нет. Расходы делятся на четыре группы.
- Подготовка данных: сбор еженедельных расходов, показов, продаж, цен, акций и внешних факторов, таких как праздники или погода, за два или более года.
- Время аналитика: построение, проверка и интерпретация моделей, обычно это самая большая статья расходов.
- Инфраструктура: облачные вычисления для запуска моделей, умеренные для большинства рекламодателей среднего размера.
- Эксперименты по калибровке: географические тесты или исследования повышения конверсии, которые проверяют оценки каналов модели.
Подготовка данных постоянно недооценивается. Данные о расходах находятся на многих платформах с разными форматами дат и валютами. Офлайн-продажи могут поступать из отдельной системы. В типичном первом проекте сбор чистых данных занимает больше времени, чем моделирование.
Сколько данных и расходов вам нужно?
MMM нуждается в вариативности, чтобы учиться. Если расходы по каналу оставались неизменными в течение двух лет, модель не может сказать, какой вклад он вносит. Ей также нужно достаточно истории, обычно от двух до трех лет еженедельных данных, чтобы сезонность и тренды можно было отделить от эффектов каналов.
Очень маленькие рекламодатели с небольшим количеством каналов часто получают нестабильные результаты. Если большая часть вашего бюджета находится в одном или двух каналах с постоянными расходами, более простые методы, такие как структурированные географические тесты, могут ответить на ваши вопросы более надежно. MMM, как правило, окупается для рекламодателей, тратящих средства по нескольким каналам, включая некоторые офлайн-медиа, где атрибуция платформы оставляет большие пробелы.
Как измерить ROI самого MMM?
Доход от проекта MMM — это улучшение маркетинговых результатов за счет перераспределения бюджета за вычетом стоимости проекта. Чтобы измерить это, вам нужно решение и тест.
Используйте модель для определения перераспределения, например, перемещения части бюджета из насыщенного канала в канал с потенциалом роста. Внедрите это контролируемым образом, в идеале сначала в некоторых регионах, и сравните результаты с регионами, которые сохранили старый микс. Если продажи на единицу расходов улучшаются в тестовых регионах, модель оправдала себя.
Вопросы, которые стоит задать любой модели
- Имеют ли смысл эффекты каналов по сравнению с тем, что знает команда?
- Согласуются ли они в целом с тестами на повышение эффективности или географическими экспериментами?
- Насколько широки диапазоны неопределенности и сохраняются ли решения в их пределах?
- Хорошо ли модель предсказывает недавний период, который был исключен из обучения?
- Правдоподобны ли кривые убывающей отдачи для каждого канала?
Каковы основные ограничения?
MMM работает на агрегированном уровне. Она говорит вам, сколько вносит канал в целом, а не какой рекламный креатив или ключевое слово сработали лучше всего. Используйте данные платформы и эксперименты для этих решений.
Она также смотрит в прошлое. Новый канал без истории нельзя моделировать, пока он не проработал достаточно долго с варьирующимися расходами. А коррелирующие каналы, такие как расходы на поиск и социальные сети, которые всегда растут вместе во время кампаний, трудно разделить без запланированной вариативности.
Как следует поэтапно распределять бюджет?
Планируйте первый год в три этапа. Первый квартал в основном уходит на работу с данными и первую модель. Второй квартал проводит тест основной рекомендации модели. Вторая половина года обновляет модель новыми данными и результатами тестов, что обычно сужает диапазоны неопределенности.
Держите объем первого проекта узким: один рынок, одна мера продаж, основные платные каналы. Добавление каждого бренда, региона и линейки продуктов сразу умножает работу с данными и затрудняет чтение результатов. Расширяйтесь только после того, как первая модель направила решение, которое подтвердилось в тестах.
Как Alien Road применяет маркетинговое моделирование с помощью ИИ
В типичном взаимодействии на этапе обнаружения проверяется, является ли MMM вообще правильным инструментом: сколько каналов использует клиент, насколько расходы варьируются со временем и сколько истории существует. Когда это не подходит, мы рекомендуем географические тесты или исследования повышения эффективности платформы.
Когда это подходит, настройка означает построение конвейера данных из рекламных платформ, аналитики и систем продаж в еженедельные таблицы, а затем запуск Meridian или Robyn с априорными данными, полученными из любых существующих экспериментов. Мы проверяем модели с маркетинговыми и финансовыми командами клиента, чтобы убедиться, что результаты имеют бизнес-смысл.
Отчетность переводит результаты в бюджетную рекомендацию с диапазонами неопределенности и планом тестирования для ее проверки. После проведения теста мы сообщаем о результате по сравнению с контрольными регионами и обновляем модель новыми данными.
С чего начать на этой неделе
Экспортируйте еженедельные расходы по каналам за последние два года вместе с еженедельными продажами. Поместите их рядом в электронной таблице и постройте график. Ищите каналы, расходы на которые никогда не менялись, и периоды с необычными событиями, такими как нехватка запасов или крупные акции.
Этот график покажет, достаточно ли у ваших данных вариативности для MMM. Если да, вы готовы определить первую модель. Если нет, планируйте преднамеренные изменения расходов в предстоящие кварталы, чтобы у модели, построенной позже, было чему поучиться.
Продолжайте читать: Реклама · Оптимизация рекламы с помощью ИИ