AI destekli pazarlama karması modellemesi, bir e-ticaret markasının kullanıcı düzeyinde izleme yerine zaman içindeki toplam harcama ve gelirleri kullanarak her bir kanalın satışlara ne kadar katkıda bulunduğunu tahmin etmesine yardımcı olur. Makine öğrenimi ve Bayes yöntemleri uyum sürecini hızlandırır, birçok model sürümünü test eder ve sonuçları bütçe senaryolarına dönüştürür. Bu, en az iki yıllık haftalık verisi ve birkaç ücretli kanalı olan mağazalar için en iyi şekilde çalışır.
Pazarlama karması modellemesi nedir ve AI ne ekler?
Pazarlama karması modellemesi veya MMM, onlarca yıldır var olan istatistiksel bir yöntemdir. Satışları, kanal başına harcama gibi pazarlama girdilerine ve mevsimsellik, fiyat değişiklikleri ve promosyonlar gibi dış faktörlere göre regresyona tabi tutar. Çıktı, her bir kanalın artan etkisinin ve bu etkinin nasıl azaldığının veya doygunluğa ulaştığının bir tahminidir.
AI kısmı çoğunlukla otomasyon ve belirsizlik ile ilgilidir. Meta’nın Robyn ve Google’ın Meridian gibi açık kaynaklı projeleri, birçok aday modeli uyarlamak, mantıklı olanları seçmek ve tek bir sayı yerine güvenilir aralıklar bildirmek için evrimsel hiperparametre arama veya Bayes çıkarımı gibi teknikler kullanır. Büyük dil modelleri artık analistlerin verileri temizlemesine, yapılandırmayı yazmasına ve sonuçları teknik olmayan paydaşlara açıklamasına yardımcı oluyor.
E-ticaret markaları neden MMM’ye geri dönüyor?
Tıklama tabanlı ilişkilendirme daha az eksiksiz hale geldi. Tarayıcı gizlilik özellikleri, onay banner’ları ve Apple’ın Uygulama İzleme Şeffaflığı, piksellerin görebildiklerini azaltıyor. Platform kontrol panelleri de kendilerine kredi verme eğilimindedir, bu nedenle Meta, Google ve TikTok’ta bildirilen dönüşümlerin toplamı genellikle Shopify’daki gerçek siparişleri aşar.
MMM, çerezlere ihtiyaç duymadığı için bunu atlatır. Toplam haftalık gelire ve toplam haftalık harcamaya bakar, bu nedenle her kanala aynı kuralla davranır. Bu, platform raporları uyuşmadığında onu yararlı bir hakem yapar.
Bir çevrimiçi mağaza için pratik kullanım durumları
Kanallar arasında bütçe yeniden tahsisi
En yaygın kullanım bir senaryo planlayıcısıdır. Model yanıt eğrilerini tahmin ettiğinde, ücretli sosyal bütçenin bir kısmını aramaya taşırsanız veya yavaş bir ayda bağlı kuruluş harcamalarını keserseniz tahmin edilen gelire ne olacağını sorabilirsiniz. Araç bir tahsis önerir; ekip stok seviyelerini ve marjları göz önünde bulundurarak karar verir.
Doygunluğu bulma
Yanıt eğrileri, ekstra harcamanın nerede geri dönüş sağlamayı bıraktığını gösterir. Örneğin, bir cilt bakımı markası, Meta’daki araştırma kampanyalarının belirli bir haftalık bütçenin üzerinde düzleştiğini, YouTube’un ise hala yerinin olduğunu bulabilir. Bu bulgu körü körüne takip edilmeye değil, test edilmeye değerdir.
Piksellerin kaçırdığı kanalları ölçme
Podcast’ler, influencer tohumlama, ev dışı ve TV, tıklama verilerinde çok az iz bırakır. MMM, harcamalar zaman içinde ölçülebilir olacak kadar değiştiği sürece bunları harcama veya gösterim serisi olarak dahil edebilir ve dijital kanallarla birlikte etkilerini tahmin edebilir.
- Ücretli arama, ücretli sosyal medya, video ve bağlı kuruluşlar genelinde üç aylık bütçe planlaması
- Marka aramasının üst huni medyası tarafından yönlendirilip yönlendirilmediğini kontrol etme
- Mevsimsel promosyonların artışını reklam harcamalarından ayrı olarak tahmin etme
- Mevcut pazarlardan gelen yanıt eğrilerini kullanarak yeni pazarlar için gerçekçi hedefler belirleme
- Finansa pazarlama getirisinin kanal açısından nötr bir görünümünü verme
Başlamadan önce hangi verilere ihtiyacınız var?
Veri kalitesi sonucu algoritmadan daha fazla belirler. Çoğu uygulayıcı, modelin mevsimselliği pazarlamadan ayırabilmesi için iki ila üç yıllık haftalık verileri önerir. Günlük veriler daha gürültülüdür ancak yüksek hacimli mağazalar için çalışabilir.
- Shopify, WooCommerce veya ERP’nizden, ideal olarak iadeler düşüldükten sonra haftalık gelir veya siparişler
- Her reklam platformundan kanal başına haftalık harcama ve mümkünse gösterimler
- Promosyon takvimi, fiyat değişiklikleri ve indirim derinliği
- Satışları baskılayan stok tükenmeleri ve site kesintileri
- Tatiller gibi dış faktörler ve takip edebiliyorsanız rakip etkinliği
Asla değişmeyen harcamalar bir sorundur. İki yıl boyunca her hafta aramaya aynı miktarı harcadıysanız, modelin öğrenecek hiçbir şeyi yoktur. Planlanmış varyasyon, mütevazı olsa bile, sonraki modelleri çok daha bilgilendirici hale getirir.
AI destekli MMM’nin sınırları nelerdir?
MMM, toplu verilerdeki korelasyonu tahmin eder ve adstock ve doygunluk hakkındaki varsayımlara dayanır. Benzer uyuma sahip iki model, bir kanalın değeri konusunda anlaşamayabilir. İyi uygulamanın modeli geo-holdout testleri veya platform dönüşüm artışı çalışmaları gibi deneylerle kalibre etmesinin ve Meridian ile Robyn’in deneysel sonuçları öncül veya kalibrasyon noktaları olarak girmeyi desteklemesinin nedeni budur.
Ayrıca tepki vermesi yavaştır. Haftalık bir model size dün hangi reklam yaratıcısının kazandığını söylemeyecektir. Bunu stratejik tahsis için kullanın ve platform raporlamasını ve A/B testlerini taktiksel kararlar için saklayın.
Meridian, Robyn ve bir satıcı arasında nasıl seçim yaparsınız?
Açık kaynaklı araçların kullanımı ücretsizdir ancak R veya Python okuyabilen ve sonucu sorgulayabilen bir analiste ihtiyaç duyar. Robyn, R ile yazılmıştır ve otomatik model seçimi ve bütçe tahsis edicisi ile bilinir. Meridian, geo-seviye veriler ve erişim ve frekans girişleri desteğiyle Bayes yöntemleri üzerine inşa edilmiş bir Python kütüphanesidir.
Ticari MMM platformları, benzer istatistikleri bir kontrol paneli ve bir hizmet ekibinde paketler. Kurulum süresinden tasarruf sağlarlar ancak varsayımların görülmesini zorlaştırabilirler. Hangi yolu seçerseniz seçin, öncülleri, uyum teşhislerini ve modelin holdout dönemlerine karşı nasıl doğrulandığını görmeyi isteyin.
- Dahili analiz becerileriniz olduğunda ve tam kontrol istediğinizde açık kaynağı seçin
- Hız şeffaflıktan daha önemli olduğunda ve bütçe izin verdiğinde bir satıcıyı seçin
- Her iki durumda da belgelenmiş varsayımlarda ve deney tabanlı kalibrasyonda ısrar edin
Bir veya iki ücretli kanalı olan küçük bir mağazanın MMM’ye hiç ihtiyacı olmayabilir. Her platformdaki basit artış testleri, kanal karması büyüyene kadar ana soruları yanıtlayabilir.
Alien Road AI destekli pazarlama karması modellemesini nasıl uygular
Keşif önce gelir. Tipik bir çalışmada, müşterinin sipariş verilerini ve reklam hesaplarını denetler, harcama geçmişi olan her kanalı listeler ve stok tükenmeleri, izleme kesintileri veya tek seferlik olaylardan etkilenen haftaları işaretleriz. Müşteriyle modelin hangi iş sorusunu yanıtlaması gerektiği konusunda anlaşırız, çünkü her şey için inşa edilmiş bir model nadiren hiçbir şeye yanıt verir.
Kurulum, temiz bir haftalık veri kümesi oluşturmak ve ardından müşteriyle açıkça tartıştığımız öncüllerle Meridian veya Robyn gibi açık kaynaklı bir modeli uyarlamak anlamına gelir. Veri temizleme komut dosyalarını ve dokümantasyonu hızlandırmak için dil modellerini kullanırız, ancak her katsayı bir analist tarafından kontrol edilir. Bir kanalın tahmininin mantıksız göründüğü yerde, sayıya güvenmek yerine bir geo veya holdout testi öneririz.
Raporlama, aylık veya üç aylık olarak yenilenen kısa bir senaryo destesi ve canlı bir planlayıcıdır. Tek rakamları değil aralıkları gösterir ve hangi sonuçların deneylerle desteklendiğini belirtir. Zamanla model her yeni testle yeniden kalibre edilir, böylece tavsiyeleri daha istikrarlı hale gelir.
Bu hafta nereden başlanmalı
İki yıllık haftalık geliri ve kanal başına harcamayı bir sayfaya aktarın ve çizgi grafik olarak bakın. Harcama çizgileri düzse veya verilerde boşluklar varsa, herhangi bir araç seçmeden önce bunu düzeltin. Ardından Meridian veya Robyn için başlangıç kılavuzunu okuyun ve kendi verileriniz girmeden önce ekibinizin girdileri anlaması için demo veri kümesini çalıştırın.
Okumaya devam edin: Reklamcılık · AI Reklam Optimizasyonu