Маркетинговое моделирование с поддержкой ИИ помогает бренду электронной коммерции оценить вклад каждого канала в продажи, используя агрегированные расходы и доходы за определенный период времени вместо отслеживания на уровне пользователей. Машинное обучение и байесовские методы ускоряют подгонку, позволяют протестировать множество версий моделей и превратить результаты в бюджетные сценарии. Это лучше всего работает для магазинов с данными как минимум за два года еженедельных отчетов и несколькими платными каналами.
Что такое маркетинговое моделирование и что добавляет ИИ?
Маркетинговое моделирование, или MMM, — это статистический метод, существующий десятилетиями. Он регрессирует продажи по отношению к маркетинговым затратам, таким как расходы на канал, а также внешним факторам, таким как сезонность, изменение цен и рекламные акции. Результатом является оценка инкрементального эффекта каждого канала и того, как этот эффект затухает или насыщается.
Часть с ИИ в основном касается автоматизации и неопределенности. Проекты с открытым исходным кодом, такие как Robyn от Meta и Meridian от Google, используют такие методы, как эволюционный поиск гиперпараметров или байесовский вывод, чтобы подобрать множество моделей-кандидатов, выбрать разумные и сообщить достоверные диапазоны, а не одно число. Большие языковые модели теперь помогают аналитикам очищать данные, писать конфигурацию и объяснять результаты нетехническим заинтересованным сторонам.
Почему бренды электронной коммерции возвращаются к MMM?
Атрибуция на основе кликов стала менее полной. Функции конфиденциальности браузеров, баннеры согласия и Apple App Tracking Transparency — все это снижает видимость для пикселей. Панели управления платформ также склонны приписывать заслуги себе, поэтому сумма конверсий, сообщаемая Meta, Google и TikTok, часто превышает фактические заказы в Shopify.
MMM обходит это, так как не требует файлов cookie. Он смотрит на общий еженедельный доход и общие еженедельные расходы, поэтому применяет ко всем каналам одно и то же правило. Это делает его полезным арбитром, когда отчеты платформ не совпадают.
Практические примеры использования для интернет-магазина
Перераспределение бюджета между каналами
Наиболее распространенное использование — планировщик сценариев. Как только модель оценивает кривые отклика, вы можете спросить, что произойдет с прогнозируемым доходом, если вы перенесете часть бюджета платных социальных сетей на поиск или сократите расходы на партнерские программы в медленный месяц. Инструмент предлагает распределение; команда принимает решение с учетом уровня запасов и маржи.
Поиск насыщения
Кривые отклика показывают, где дополнительные расходы перестают окупаться. Например, бренд по уходу за кожей может обнаружить, что его поисковые кампании в Meta выравниваются выше определенного еженедельного бюджета, в то время как у YouTube еще есть потенциал. Этот вывод стоит протестировать, а не слепо следовать ему.
Измерение каналов, которые пропускают пиксели
Подкасты, посев у инфлюенсеров, наружная реклама и ТВ оставляют мало следов в данных о кликах. MMM может включить их как серии расходов или показов и оценить их эффект наряду с цифровыми каналами, при условии, что расходы варьировались достаточно долго, чтобы их можно было измерить.
- Ежеквартальное бюджетное планирование по платному поиску, платным социальным сетям, видео и партнерским программам
- Проверка того, стимулируется ли брендовый поиск медиа верхнего уровня воронки
- Оценка прироста от сезонных акций отдельно от рекламных расходов
- Установка реалистичных целей для новых рынков с использованием кривых отклика от существующих
- Предоставление финансовому отделу нейтрального взгляда на маркетинговую отдачу
Какие данные вам нужны перед началом?
Качество данных определяет результат больше, чем алгоритм. Большинство практиков рекомендуют данные за два-три года еженедельно, чтобы модель могла отделить сезонность от маркетинга. Ежедневные данные более шумные, но могут работать для магазинов с большим объемом.
- Еженедельный доход или заказы, в идеале за вычетом возвратов, из Shopify, WooCommerce или вашей ERP
- Еженедельные расходы на канал и показы, где это возможно, с каждой рекламной платформы
- Календарь акций, изменение цен и глубина скидок
- Отсутствие запасов и сбои на сайте, которые подавляли продажи
- Внешние факторы, такие как праздники и активность конкурентов, если вы можете их отслеживать
Расходы, которые никогда не меняются, — это проблема. Если вы тратили одну и ту же сумму на поиск каждую неделю в течение двух лет, модели нечему учиться. Плановое изменение, даже скромное, делает последующие модели гораздо более информативными.
Каковы ограничения MMM с поддержкой ИИ?
MMM оценивает корреляцию в агрегированных данных и опирается на предположения об адстоке и насыщении. Две модели с похожей подгонкой могут не соглашаться по поводу ценности канала. Вот почему хорошая практика калибрует модель с помощью экспериментов, таких как гео-тесты или исследования подъема конверсии на платформе, и почему Meridian и Robyn поддерживают ввод экспериментальных результатов в качестве априорных или калибровочных точек.
Он также медленно реагирует. Еженедельная модель не скажет вам, какой рекламный креатив победил вчера. Используйте его для стратегического распределения, а отчеты платформ и A/B-тесты оставьте для тактических решений.
Как выбрать между Meridian, Robyn и поставщиком?
Инструменты с открытым исходным кодом бесплатны, но требуют аналитика, который может читать R или Python и ставить под сомнение результат. Robyn написан на R и известен своим автоматизированным выбором моделей и распределителем бюджета. Meridian — это библиотека Python, построенная на байесовских методах, с поддержкой данных на уровне географии, а также данных об охвате и частоте.
Коммерческие платформы MMM упаковывают аналогичную статистику в панель управления и команду обслуживания. Они экономят время на настройку, но могут сделать предположения более трудными для обнаружения. Какой бы путь вы ни выбрали, попросите показать априорные данные, диагностику соответствия и то, как модель была проверена на периодах удержания.
- Выбирайте открытый исходный код, если у вас есть внутренние навыки аналитики и вы хотите полного контроля
- Выбирайте поставщика, если скорость важнее прозрачности и бюджет позволяет
- В обоих случаях настаивайте на документированных предположениях и калибровке на основе экспериментов
Небольшому магазину с одним или двумя платными каналами MMM может вообще не понадобиться. Простые тесты инкрементальности на каждой платформе могут ответить на основные вопросы, пока микс каналов не вырастет.
Как Alien Road применяет маркетинговое моделирование с поддержкой ИИ
Сначала идет открытие. В типичном проекте мы проверяем данные о заказах клиента и рекламные аккаунты, перечисляем каждый канал с историей расходов и отмечаем недели, затронутые отсутствием запасов, сбоями в отслеживании или разовыми событиями. Мы согласовываем с клиентом, на какой бизнес-вопрос должна ответить модель, потому что модель, построенная для всего, редко отвечает на что-либо.
Настройка означает создание чистого еженедельного набора данных, а затем подгонку модели с открытым исходным кодом, такой как Meridian или Robyn, с априорными данными, которые мы открыто обсуждаем с клиентом. Мы используем языковые модели для ускорения скриптов очистки данных и документации, но каждый коэффициент проверяется аналитиком. Там, где оценка канала выглядит неправдоподобно, мы предлагаем гео-тест или тест удержания, вместо того чтобы доверять цифре.
Отчетность — это короткая колода сценариев и живой планировщик, обновляемый ежемесячно или ежеквартально. Он показывает диапазоны, а не отдельные цифры, и указывает, какие результаты подтверждены экспериментами. Со временем модель перекалибруется с каждым новым тестом, поэтому ее советы становятся более устойчивыми.
С чего начать на этой неделе
Экспортируйте два года еженедельного дохода и расходов по каналам в один лист и посмотрите на него как на линейный график. Если линии расходов плоские или в данных есть пробелы, исправьте это перед выбором любого инструмента. Затем прочитайте руководство по началу работы для Meridian или Robyn и запустите его демонстрационный набор данных, чтобы ваша команда поняла входные данные до того, как будут введены ваши собственные.
Читать далее: Реклама · Оптимизация рекламы с помощью ИИ