Маркетинговое моделирование микса с поддержкой ИИ помогает B2B-командам оценивать вклад каждого канала, от рекламы в LinkedIn до мероприятий и поиска, в воронку продаж (pipeline) и доход, используя агрегированные еженедельные данные вместо отслеживания на уровне пользователей. Это работает в B2B, если вы моделируете этапы воронки с реалистичными временными лагами, комбинируете модель с экспериментами и принимаете большую неопределенность, чем у потребительских брендов. Инструменты с открытым исходным кодом, такие как Meridian от Google и Robyn от Meta, делают это доступным без большой команды специалистов по анализу данных.
Маркетинговое моделирование микса, или MMM, — это метод на основе регрессии, который десятилетиями используется потребительскими брендами. Часть с поддержкой ИИ относится к современным инструментам: байесовские модели, которые справляются с неопределенностью, автоматизированный поиск гиперпараметров и языковые модели, которые помогают подготавливать данные и объяснять результаты. Его привлекательность возросла по мере того, как ограничения на файлы cookie и правила конфиденциальности ослабили атрибуцию на основе кликов.
Почему MMM сложнее в B2B, чем в потребительском маркетинге?
Потребительские бренды продают много единиц товара каждую неделю, поэтому у модели много сигналов. B2B-компания может закрывать всего несколько десятков сделок в квартал, каждая из которых следует после месяцев контактов внутри закупочного комитета. Это создает три специфические проблемы.
- Малое количество результатов: закрытых сделок слишком мало для еженедельного моделирования, поэтому необходимо использовать более ранние этапы
- Длинные лаги: вебинар в марте может повлиять на сделку, подписанную в октябре
- Офлайн-влияние: звонки по продажам, партнеры и мероприятия трудно последовательно количественно оценить
Ничто из этого не делает MMM бесполезным. Они меняют то, как вы его настраиваете. Большинство B2B-моделей используют квалифицированную воронку, лиды, принятые отделом продаж, или стоимость возможности в качестве результата и добавляют длинные настройки рекламного запаса (adstock), чтобы эффект от расходов мог медленно затухать.
Какие данные нужны B2B-модели микса?
Подготовка данных занимает больше времени, чем моделирование. Ожидайте, что потратите здесь большую часть первого проекта.
- Еженедельные расходы по каналам за минимум два года: LinkedIn, Google Ads, Microsoft Ads, медийная реклама, синдикация контента, мероприятия
- Еженедельный результат: новые возможности или стоимость квалифицированной воронки из CRM
- Неоплачиваемая активность: проведенные вебинары, отправленные электронные письма, клики из органического поиска
- Контрольные переменные: сезонность, изменения цен, запуски продуктов, численность отдела продаж
- Внешние факторы, где это уместно: отраслевые мероприятия, макроэкономические сдвиги, запуски конкурентов
Последовательность важнее точности. Если расходы на мероприятия записывались ежемесячно в один год и по каждому мероприятию в следующий, стандартизируйте это прежде всего остального. Языковые модели здесь полезны для сопоставления запутанных названий кампаний с чистыми группами каналов, при этом человек проверяет сопоставление.
Какие инструменты могут использовать B2B-команды?
Варианты с открытым исходным кодом
Meridian от Google — это байесовская MMM-структура, выпущенная как открытый исходный код, с поддержкой данных об охвате и частоте, а также априорных вероятностей, основанных на экспериментах. Robyn от Meta использует автоматизированный выбор моделей и популярен благодаря своему распределителю бюджета. PyMC-Marketing предлагает гибкие байесовские строительные блоки для команд, комфортно работающих с Python.
Коммерческие платформы
Несколько поставщиков предлагают MMM как управляемый сервис с панелями мониторинга и планированием сценариев. Они подходят для команд без штатных аналитиков, хотя перед подписанием стоит спросить, как модель справляется с низким объемом результатов и длинными лагами.
Как валидировать B2B-модель микса?
Модель может хорошо соответствовать истории и все равно ошибаться в причинах. Валидация — это то, что делает ее пригодной для бюджетных решений.
- Тест на отложенных данных (holdout): обучайтесь на предыдущих неделях, прогнозируйте самый последний квартал, сравнивайте с фактическими данными
- Проверка на правдоподобность: находятся ли доходы от каналов в разумном диапазоне, учитывая то, что вы знаете?
- Калибровка: проводите географические или аудиторные тесты на одном или двух каналах и возвращайте результаты в качестве априорных вероятностей
- Стабильность: сильно ли колеблется результат при изменении одной настройки?
- Обзор продаж: узнают ли менеджеры по работе с клиентами историю, которую рассказывает модель?
Калибровка с помощью экспериментов — самый сильный шаг. LinkedIn и Google поддерживают формы тестов на прирост (lift testing), и простой географический holdout, приостановка канала в некоторых регионах, также может работать, если регионы сопоставимы.
Как B2B-команды должны использовать результаты?
Используйте модель для направлений и диапазонов, а не для точных цифр. Результат, говорящий о том, что спонсируемый контент в LinkedIn приносит от 1.5 до 3 раз больше своей стоимости в воронке, полезен. Результат, утверждающий точно 2.37, — это ложная точность.
Распределитель бюджета в таких инструментах, как Robyn или Meridian, предлагает перераспределение на основе кривых убывающей отдачи. Перемещайте бюджет пошагово, возможно, на десять-двадцать процентов за раз, затем наблюдайте, следует ли воронка за прогнозом. Большие скачки на основе первой модели рискованны.
Как Alien Road применяет маркетинговое моделирование микса с поддержкой ИИ
В типичном взаимодействии открытие начинается с инвентаризации данных: где записываются расходы, как CRM определяет этапы воронки и как далеко назад уходят надежные данные. Если история слишком короткая или непоследовательная, мы говорим об этом и сначала настраиваем сбор данных, потому что модель на плохих данных дает уверенные неправильные ответы.
Настройка включает еженедельную очистку и агрегирование данных, использование языковой модели для помощи в классификации названий кампаний с проверкой человеком и подгонку модели с открытым исходным кодом, такой как Meridian или Robyn, с настройками лага, подходящими для цикла продаж клиента. Мы планируем как минимум один тест на прирост для калибровки основного канала. Отчетность представляет вклад канала в виде диапазонов, кривых отклика и рекомендуемого перераспределения пошагово, за чем следует ежеквартальное обновление, сравнивающее прогнозируемую воронку с фактическими результатами.
Ошибки, из-за которых B2B MMM терпит неудачу
Использование закрытого дохода как единственного результата при слишком малом количестве сделок создает шум. Использование этапа воронки, которому не доверяют продажи, создает споры. Согласуйте определение результата с руководством по продажам перед моделированием.
Игнорирование эффектов бренда и органики — еще одна распространенная ошибка. Если расходы выросли одновременно с крупным запуском продукта, модель может приписать рекламе то, что сделал запуск. Включите запуск как переменную.
Наконец, отношение к MMM как к разовому проекту — это его пустая трата. Рынки меняются, затраты на каналы смещаются, появляются новые каналы. Ежеквартально обновляемая модель остается полезной; построенная один раз и забытая, она становится слайдом.
С чего начать на этой неделе
Экспортируйте два года еженедельных расходов по каналам из ваших рекламных платформ и финансовых записей, а также еженедельную квалифицированную воронку из вашей CRM в один лист. Проверьте на наличие пробелов, переименованных кампаний и месяцев, когда расходы были забронированы оптом. Если лист держится вместе, у вас достаточно данных для запуска первой исследовательской модели; если нет, исправление этого листа — самая ценная аналитическая работа, которую вы можете сделать в этом квартале.
Продолжайте читать: Реклама · Оптимизация рекламы с помощью ИИ