Моделирование маркетингового микса с поддержкой ИИ использует статистические модели, в настоящее время часто инструменты с открытым исходным кодом, такие как Meridian от Google и Robyn от Meta, для оценки того, как каждый канал способствует продажам, а затем помогает планировать бюджеты. Рабочий процесс состоит из пяти шагов: сбор и очистка еженедельных данных, настройка модели, ее калибровка с помощью экспериментов, анализ результатов с бизнесом и их преобразование в бюджетный сценарий. ИИ ускоряет подготовку данных, поиск моделей и составление отчетов.
Что такое моделирование маркетингового микса?
Моделирование маркетингового микса, часто называемое MMM, оценивает влияние маркетинговой деятельности на результат, такой как продажи или регистрации, с использованием агрегированных данных за определенный период времени. Оно не отслеживает отдельных пользователей, что делает его полезным, когда отслеживание файлов cookie и устройств ограничено. Оно учитывает такие факторы, как сезонность, изменение цен и рекламные акции, и оценивает, как рекламные эффекты переносятся во времени и как доходность снижается по мере увеличения расходов.
Широко используются два инструмента с открытым исходным кодом. Robyn от Meta использует автоматизированный поиск гиперпараметров для создания множества моделей-кандидатов. Meridian от Google — это байесовская структура, которая позволяет аналитикам включать предварительные знания и результаты экспериментов. Оба требуют суждения аналитика; ни один из них не является кнопкой, которая выдает истину.
Где ИИ помогает, а где нет?
«С поддержкой ИИ» здесь означает две вещи. Инструменты моделирования автоматизируют части поиска и оценки моделей. Отдельно общие ИИ-помощники помогают с медленной сопутствующей работой: написанием скриптов для очистки данных, документированием предположений, объяснением результатов и составлением отчетов.
Чего ИИ не делает, так это не решает, является ли результат достоверным. Помощник может создать правдоподобный график из сломанной модели. Аналитик и бизнес по-прежнему оценивают, соответствуют ли цифры тому, что они знают.
Шаг 1: сбор и очистка данных
MMM требует еженедельных (иногда ежедневных) данных, обычно охватывающих два года или более, чтобы модель могла видеть сезонность.
- Результат: продажи, выручка, лиды или другой бизнес-результат в неделю.
- Медиа: расходы и, по возможности, показы по каналам, таким как Google Ads, Meta, TikTok, YouTube, ТВ и наружная реклама.
- Контроль: цена, рекламные акции, дистрибуция, праздники, активность конкурентов, где известно, и макрофакторы, такие как инфляция на рынках с высокой инфляцией.
- Органические сигналы: рассылки по электронной почте, сеансы органического поиска, всплески PR.
Экспортируйте данные с каждой платформы, приведите их к одним и тем же неделям и валюте и проверьте наличие пробелов. ИИ-помощники здесь удобны для написания скриптов pandas или SQL, которые объединяют файлы и помечают отсутствующие недели, но каждый скрипт должен быть проверен и запущен на копии данных.
Шаг 2: настройка модели
Выберите инструмент
Используйте Robyn, если ваша команда работает на R или Python и хочет сравнить множество моделей-кандидатов. Используйте Meridian, если вы хотите байесовский подход с априорными данными и у вас есть результаты экспериментов для ввода. Некоторые команды тестируют оба варианта.
Определите структуру
- Какие каналы моделируются отдельно, а какие группируются.
- Настройки Adstock (перенос) и кривые насыщения по каналам.
- Контрольные переменные и условия сезонности.
- Априорные данные в Meridian, основанные на прошлых исследованиях или экспериментах, установленные консервативно.
Запишите эти решения. ИИ-помощник может превратить черновые заметки в четкий документ с предположениями, который может прочитать клиент.
Шаг 3: калибровка с помощью экспериментов
Результаты MMM улучшаются при проверке с помощью причинно-следственных тестов. Гео-эксперименты, исследования конверсии от Meta или Google и тесты на удержание обеспечивают базовую истину для некоторых каналов.
- Проведите или соберите хотя бы один тест на подъем для основного канала.
- Введите результаты в модель в качестве калибровки (Robyn) или априорных данных (Meridian).
- Сравните оценки модели для этого канала с экспериментом; большие разрывы означают, что модель нуждается в пересмотре.
Шаг 4: анализ результатов с бизнесом
Результатом модели является набор вкладов каналов, кривых доходности и диапазонов достоверности. Прежде чем кто-либо будет действовать на их основе, проанализируйте их на рабочей сессии.
- Соответствуют ли вклады тому, что команда знает о рынке?
- Являются ли диапазоны неопределенности достаточно широкими, чтобы решения следовало отложить?
- Есть ли каналы с недостаточной вариацией расходов для хорошей оценки?
- Исказило ли результаты какое-либо разовое событие, например, отсутствие товара на складе?
ИИ может составить первую версию резюме, но в самом анализе должны участвовать люди, знающие бизнес.
Шаг 5: преобразование результатов в бюджетный сценарий
Используйте оптимизатор бюджета модели для сравнения сценариев: текущее распределение, сдвиг в сторону каналов с лучшей предельной доходностью и осторожный средний вариант. Применяйте ограничения, отражающие реальность, такие как минимальные расходы на бренд или максимальные еженедельные расходы на канал.
Затем запланируйте последующий тест. Если модель предлагает перенести бюджет с одного канала на другой, перенесите его часть и измерьте, вместо того чтобы переносить все сразу.
Как Alien Road применяет MMM с поддержкой ИИ в рекламной работе
Типичное взаимодействие начинается с проверки готовности данных: сколько недель данных существует, какие каналы имеют достаточную вариацию расходов и какие элементы контроля доступны. Если история слишком короткая, команда начинает с экспериментов и более простой модели, а позже планирует более полное MMM.
Настройка включает создание объединенного еженедельного набора данных, запуск Robyn или Meridian и написание документа с предположениями с помощью ИИ-помощника. Результаты анализируются с маркетинговыми и финансовыми контактами клиента.
Измерение продолжается с запланированными обновлениями модели, обычно ежеквартально, и с тестами на подъем, которые проверяют основные рекомендации. Каждый отчет об обновлении показывает, что изменилось и почему.
Распространенные ошибки рабочего процесса, которых следует избегать
Горстка ошибок повторяется в разных проектах. Команды часто моделируют слишком много каналов отдельно, когда некоторые из них имеют небольшую вариацию расходов, что приводит к широким, бессмысленным диапазонам. Другие забывают о важных контрольных переменных, таких как повышение цен на инфляционном рынке, и модель приписывает медиа продажи, которые произошли из-за ценообразования.
Еще одна ошибка — рассматривать один запуск модели как окончательный. MMM — это цикл: данные, модель, тест, анализ и обновление. Ценность растет с каждым раундом, поскольку эксперименты уточняют оценки, а бизнес узнает, каким сигналам можно доверять. Наконец, избегайте представления точечных оценок без неопределенности; доходность канала, показанная как одно число, провоцирует решения, которые данные не могут поддержать.
С чего начать на этой неделе
Составьте список каждого канала, на который вы тратили деньги за последние два года, и проверьте, можете ли вы экспортировать еженедельные расходы для каждого из них. Отметьте пробелы, изменения валюты и кампании без записей. Эта инвентаризация решает, можно ли построить модель сейчас или первая задача — исправить сбор данных.
Продолжайте читать: Реклама · Оптимизация рекламы с помощью ИИ