Маркетинговое моделирование микса (MMM) с помощью AI — это статистический метод, который оценивает, сколько каждый маркетинговый канал вносит в продажи, используя агрегированные еженедельные или ежедневные данные, а не отслеживание отдельных пользователей. AI и современные байесовские инструменты делают его быстрее в создании, проще в обновлении и полезнее для планирования бюджета. Он лучше всего подходит для брендов, тратящих средства на несколько каналов и желающих получить независимые ответы о том, где сработает дополнительный бюджет.
MMM не нов. Компании потребительских товаров использовали его десятилетиями, часто через специализированные консалтинговые фирмы, с моделями, создание которых занимало месяцы. Два изменения возродили его: правила конфиденциальности и ограничения браузеров ослабили атрибуцию на уровне пользователя, а инструменты с открытым исходным кодом сделали MMM доступным для небольших команд.
Самые известные варианты с открытым исходным кодом — это Robyn от Meta, Meridian от Google, который пришел на смену их более раннему проекту LightweightMMM, и PyMC-Marketing от PyMC Labs. Коммерческие платформы также предлагают MMM как управляемую услугу. AI вступает в игру в нескольких точках: автоматизированный выбор модели, более быстрые байесовские вычисления, планирование сценариев и объяснение результатов на естественном языке.
Как работает маркетинговое моделирование микса?
По своей сути MMM — это регрессия. Он берет временной ряд продаж или конверсий и объясняет его маркетинговыми расходами по каналам плюс другими факторами, такими как сезонность, цена, акции, праздники и экономические условия. Модель оценивает, насколько каждый фактор влияет на продажи.
Две идеи делают его подходящим для маркетинга, а не для общей статистики.
- Adstock или перенос: реклама, увиденная на этой неделе, может повлиять на продажи в последующие недели. Модель оценивает, как долго длится эффект каждого канала.
- Насыщение или убывающая отдача: удвоение расходов редко удваивает результаты. Модель оценивает кривую для каждого канала, показывая, где дополнительные расходы перестают окупаться.
Байесовские методы, используемые Meridian и PyMC-Marketing, позволяют аналитикам добавлять предварительные знания, такие как результаты тестов lift, и выражать неопределенность как диапазоны, а не как отдельные числа.
Где помогает AI?
Помощь AI в основном сокращает ручную работу и делает результаты более пригодными для использования.
- Подготовка данных: очистка и выравнивание расходов, показов и продаж из многих источников в одну еженедельную таблицу.
- Поиск модели: тестирование многих комбинаций настроек adstock и насыщения и выбор тех, которые подходят и имеют бизнес-смысл. Robyn, например, использует для этого многоцелевую оптимизацию.
- Планирование сценариев: показ того, что произойдет с ожидаемыми продажами, если бюджет будет перераспределен между каналами.
- Объяснение: языковые модели могут превращать результаты модели в простые сводки для заинтересованных сторон, хотя их нужно проверять по фактическим цифрам.
AI не устраняет необходимость в суждении. Модель может хорошо соответствовать историческим данным и все равно давать вводящие в заблуждение советы, если входные данные неверны или каналы всегда двигались вместе.
Какие данные вам нужны?
MMM нуждается в истории и вариации. Общее руководство — не менее двух лет еженедельных данных, чтобы модель могла отделить сезонность от маркетинговых эффектов. Ежедневные данные могут помочь с более короткими историями, но они более шумные.
- Продажи или конверсии в неделю, желательно по регионам, если доступно.
- Расходы и, по возможности, показы или клики по каналам в неделю.
- Акции, изменения цен, запуски продуктов и нехватка запасов.
- Внешние факторы, актуальные для бизнеса, такие как праздники или погода.
Вариация имеет значение. Если расходы каждого канала росли и падали вместе, модель не сможет их различить. Запланированные изменения, такие как приостановка одного канала в некоторых регионах, делают модели гораздо более надежными.
Как MMM соотносится с атрибуцией и тестами lift?
Три метода отвечают на разные вопросы, и зрелые команды используют их все.
- Платформенная и многоканальная атрибуция: быстрая, подробная, на уровне пользователя, но слепая к офлайн-эффектам и предвзятая к каналам, которые лучше всего отслеживаются.
- Тесты lift и geo: самое четкое доказательство инкрементального воздействия для одного канала в одно время, но медленные и ограниченные по охвату.
- MMM: охватывает все каналы, включая офлайн, и дает бюджетные кривые, но с меньшей гранулярностью и большей неопределенностью.
Практический подход заключается в использовании тестов lift для калибровки MMM, а MMM — для управления распределением бюджета, в то время как атрибуция занимается ежедневной оптимизацией внутри каждой платформы.
Каковы ограничения?
Результаты MMM — это оценки с диапазонами. Каналы с небольшими расходами часто получают широкие, неопределенные оценки. Модели с трудом справляются с эффектами бренда, которые накапливаются годами. И результаты зависят от выбора моделирования; два аналитика могут прийти к разным выводам из одних и тех же данных, поэтому важны прозрачность и калибровка.
Команды также злоупотребляют MMM, рассматривая его как разовый проект. Рынки меняются, поэтому модели следует обновлять ежеквартально или хотя бы дважды в год.
Кто должен владеть моделью внутри компании?
MMM находится между маркетингом, финансами и аналитикой, и результаты игнорируются, когда владеет только один из них. Финансы должны доверять данным о продажах, маркетинг должен доверять входным данным каналов, а аналитика должна объяснять метод. Договоритесь в начале, кто подписывает данные, кто проверяет модель и кто принимает решения об изменениях бюджета.
Короткая ежеквартальная встреча, где три группы рассматривают последние результаты и соглашаются на один тест, работает лучше, чем длинный отчет, по которому никто не действует.
Как Alien Road применяет маркетинговое моделирование микса с помощью AI
В типичном проекте MMM начинается с аудита данных. Мы собираем расходы, показы и результаты из Google Ads, Meta, TikTok, LinkedIn и любых офлайн-медиа, а также продажи из магазина или CRM клиента, и проверяем, достаточно ли истории и вариаций. Если нет, мы планируем несколько месяцев изменений расходов перед моделированием.
Сама модель обычно строится с использованием фреймворка с открытым исходным кодом, такого как Meridian, Robyn или PyMC-Marketing, в зависимости от данных и предпочтений клиента в отношении прозрачности. Если клиент проводил тесты lift, мы используем эти результаты для калибровки модели. Инструменты AI помогают с подготовкой данных, поиском модели и черновыми сводками; аналитики проверяют каждый вывод.
Отчеты представляют вклад канала с диапазонами неопределенности, кривыми отклика и двумя или тремя бюджетными сценариями с ожидаемыми результатами. Мы рекомендуем одно контролируемое изменение бюджета, измеряем его эффект и обновляем модель новыми данными.
С чего начать на этой неделе
Создайте еженедельную таблицу за последние два года с общими продажами и расходами по каналам. Даже до моделирования построение этих линий вместе показывает, двигались ли каналы независимо и где нужно записывать крупные события, такие как акции или нехватка запасов.
Если история короткая или каждый канал двигался вместе, запланируйте тест: сократите или приостановите один канал в регионе или на несколько недель. Эта вариация сделает любую будущую модель гораздо более надежной.
Продолжайте читать: Реклама · AI Оптимизация рекламы