AI destekli pazarlama karması modellemesi, B2B ekiplerinin LinkedIn reklamlarından etkinliklere ve aramaya kadar her kanalın pipeline ve gelire ne kadar katkıda bulunduğunu, kullanıcı düzeyinde izleme yerine haftalık toplu verileri kullanarak tahmin etmelerine yardımcı olur. Pipeline aşamalarını gerçekçi zaman gecikmeleriyle modeller, modeli deneylerle birleştirir ve tüketici markalarının elde ettiğinden daha geniş bir belirsizliği kabul ederseniz B2B’de işe yarar. Google’ın Meridian ve Meta’nın Robyn gibi açık kaynaklı araçları, büyük bir veri bilimi ekibi olmadan bunu erişilebilir kılar.
Pazarlama karması modellemesi veya MMM, tüketici markaları tarafından on yıllardır kullanılan regresyon tabanlı bir yöntemdir. AI destekli kısım modern araçlara atıfta bulunur: belirsizliği yöneten Bayes modelleri, otomatik hiperparametre araması ve verileri hazırlamaya ve sonuçları açıklamaya yardımcı olan dil modelleri. Çerez kısıtlamaları ve gizlilik kuralları tıklama tabanlı ilişkilendirmeyi zayıflattıkça çekiciliği arttı.
MMM neden B2B’de tüketici pazarlamasından daha zordur?
Tüketici markaları her hafta çok sayıda birim satar, bu nedenle modelin bol miktarda sinyali vardır. Bir B2B şirketi çeyrek başına birkaç düzine anlaşma kapatabilir, her biri bir satın alma komitesindeki aylarca süren temas noktalarından sonra. Bu, üç özel sorun yaratır.
- Küçük sonuç sayıları: kapalı-kazanılmış anlaşmalar haftalık modelleme için çok azdır, bu nedenle daha önceki aşamalar kullanılmalıdır
- Uzun gecikmeler: Mart ayındaki bir web semineri Ekim ayında imzalanan bir anlaşmayı etkileyebilir
- Çevrimdışı etki: satış aramaları, ortaklar ve etkinlikleri tutarlı bir şekilde ölçmek zordur
Bunların hiçbiri MMM’i işe yaramaz kılmaz. Sadece nasıl kurduğunuzu değiştirirler. Çoğu B2B modeli sonuç olarak nitelikli pipeline, satış tarafından kabul edilen potansiyel müşteriler veya fırsat değerini kullanır ve harcama etkisinin yavaşça azalması için uzun reklam stoku ayarları ekler.
Bir B2B karma modeli hangi verilere ihtiyaç duyar?
Veri hazırlığı modellemeden daha fazla zaman alır. İlk projenin çoğunu burada harcamayı bekleyin.
- En az iki yıl boyunca kanal bazında haftalık harcama: LinkedIn, Google Ads, Microsoft Ads, görüntülü reklam, içerik sendikasyonu, etkinlikler
- Haftalık sonuç: CRM’den yeni fırsatlar veya nitelikli pipeline değeri
- Ödenmemiş faaliyet: düzenlenen web seminerleri, gönderilen e-postalar, organik arama tıklamaları
- Kontrol değişkenleri: mevsimsellik, fiyat değişiklikleri, ürün lansmanları, satış personeli sayısı
- İlgili durumlarda dış faktörler: endüstri etkinlikleri, makro değişimler, rakip lansmanları
Tutarlılık hassasiyetten daha önemlidir. Etkinlik harcamaları bir yıl aylık, ertesi yıl etkinlik başına kaydedildiyse, başka hiçbir şeyden önce bunu standartlaştırın. Dil modelleri, karmaşık kampanya adlarını temiz kanal gruplarına eşlemek için burada yararlıdır, eşlemeyi kontrol eden bir kişi ile.
B2B ekipleri hangi araçları kullanabilir?
Açık kaynaklı seçenekler
Google’ın Meridian’ı, erişim ve frekans verileri için destek ve deneylerle bilgilendirilmiş öncüllerle açık kaynak olarak yayınlanan bir Bayes MMM çerçevesidir. Meta’nın Robyn’i otomatik model seçimini kullanır ve bütçe tahsis edicisi ile popülerdir. PyMC-Marketing, Python ile rahat olan ekipler için esnek Bayes yapı taşları sunar.
Ticari platformlar
Birkaç satıcı, paneller ve senaryo planlaması ile yönetilen bir hizmet olarak MMM sunar. Bunlar şirket içi analistleri olmayan ekipler için uygundur, ancak imzalamadan önce modelin düşük sonuç hacmi ve uzun gecikmelerle nasıl başa çıktığını sormalısınız.
Bir B2B karma modelini nasıl doğrularsınız?
Bir model geçmişe iyi uyum sağlayabilir ve yine de neyin neden olduğu konusunda yanlış olabilir. Doğrulama, onu bütçe kararları için kullanılabilir kılan şeydir.
- Holdout testi: önceki haftalarda eğitin, en son çeyreği tahmin edin, gerçeklerle karşılaştırın
- Plausibility kontrolü: bildiklerinize göre kanal getirileri makul bir aralıkta mı?
- Kalibrasyon: bir veya iki kanalda coğrafi veya kitle holdout testleri çalıştırın ve sonuçları öncül olarak geri besleyin
- İstikrar: bir ayarı değiştirdiğinizde sonuç çılgınca sallanıyor mu?
- Satış incelemesi: hesap yöneticileri modelin anlattığı hikayeyi tanıyor mu?
Deneylerle kalibrasyon en güçlü adımdır. LinkedIn ve Google her ikisi de lift testi biçimlerini destekler ve basit bir coğrafi holdout, bazı bölgelerde bir kanalı duraklatmak, bölgeler karşılaştırılabilirse de çalışabilir.
B2B ekipleri sonuçları nasıl kullanmalıdır?
Modeli kesin rakamlar için değil, yönler ve aralıklar için kullanın. LinkedIn sponsorlu içeriğinin pipeline’daki maliyetinin 1.5 ile 3 katı arasında getiri sağladığını söyleyen bir sonuç yararlıdır. Tam olarak 2.37 olduğunu iddia eden bir sonuç yanlış hassasiyettir.
Robyn veya Meridian gibi araçlardaki bütçe tahsis edicisi, azalan getiri eğrilerine dayalı yeniden tahsisler önerir. Bütçeyi adımlarla, belki her seferinde yüzde on ila yirmi oranında taşıyın, ardından pipeline’ın tahmini takip edip etmediğini izleyin. İlk modele dayalı büyük sıçramalar risklidir.
Alien Road AI destekli pazarlama karması modellemesini nasıl uygular
Tipik bir etkileşimde, keşif bir veri envanteri ile başlar: harcamaların nerede kaydedildiği, CRM’in pipeline aşamalarını nasıl tanımladığı ve güvenilir verilerin ne kadar geriye gittiği. Geçmiş çok kısa veya tutarsızsa, bunu söyleriz ve önce veri toplamayı kurarız, çünkü kötü veriler üzerindeki bir model kendinden emin yanlış cevaplar verir.
Kurulum, verilerin haftalık olarak temizlenmesini ve toplanmasını, kampanya adlarını insan incelemesiyle sınıflandırmaya yardımcı olmak için bir dil modeli kullanılmasını ve Meridian veya Robyn gibi açık kaynaklı bir modelin müşterinin satış döngüsüne uygun gecikme ayarlarıyla takılmasını içerir. Büyük bir kanalı kalibre etmek için en az bir lift testi planlıyoruz. Raporlama, kanal katkısını aralıklar, yanıt eğrileri ve adımlarla önerilen bir yeniden tahsis olarak sunar, ardından tahmin edilen pipeline’ı gerçek sonuçlarla karşılaştıran üç aylık bir yenileme gelir.
B2B MMM’in başarısız olmasına neden olan hatalar
Kapalı-kazanılmış geliri çok az anlaşma ile tek sonuç olarak kullanmak gürültü üretir. Satışın güvenmediği bir pipeline aşamasını kullanmak tartışmalar üretir. Modellemeden önce sonuç tanımını satış liderliği ile kabul edin.
Marka ve organik etkileri görmezden gelmek başka bir yaygın hatadır. Harcamalar büyük bir ürün lansmanı ile aynı zamanda arttıysa, model lansmanın yaptığını reklamlara atfedebilir. Lansmanı bir değişken olarak dahil edin.
Son olarak, MMM’e tek seferlik bir proje olarak davranmak onu boşa harcar. Pazarlar değişir, kanal maliyetleri kayar ve yeni kanallar ortaya çıkar. Üç ayda bir yenilenen bir model yararlı kalır; bir kez inşa edilip unutulan bir model slayta dönüşür.
Bu hafta nereden başlanmalı
Reklam platformlarınızdan ve finans kayıtlarınızdan kanal bazında iki yıllık haftalık harcamaları ve CRM’inizden haftalık nitelikli pipeline’ı bir sayfaya aktarın. Boşluklar, yeniden adlandırılmış kampanyalar ve harcamaların toplu olarak rezerve edildiği aylar için kontrol edin. Sayfa bir arada duruyorsa, ilk keşif modelini çalıştırmak için yeterince şeye sahipsiniz; değilse, o sayfayı düzeltmek bu çeyrekte yapabileceğiniz en değerli analitik çalışmadır.
Okumaya devam edin: Reklamcılık · AI Reklam Optimizasyonu