AI destekli pazarlama karması modellemesi, her bir pazarlama kanalının ve fiyat ile mevsimsellik gibi dış faktörlerin satışlara ne kadar katkıda bulunduğunu tahmin eden istatistiksel bir yöntemdir; makine öğrenimi ise uyumlaştırma, ayarlama ve senaryo çalışmalarını hızlandırır. Platform kontrol panellerinin cevaplayamadığı bir soruya cevap verir: Bütçeyi bir kanaldan diğerine aktarsaydık gelir nasıl görünürdü?
Geleneksel pazarlama karması modellemesi (MMM) on yıllardır mevcuttur. Tüketim malları şirketleri bunu dijital reklamlardan çok önce, genellikle yılda bir rapor sunan pahalı danışmanlık firmaları aracılığıyla kullanırlardı. Değişen şey erişimdir. Meta’nın Robyn’i ve Google’ın Meridian’ı gibi açık kaynaklı çerçeveler ve PyMC-Marketing gibi Bayesian kütüphaneleri, orta ölçekli reklamverenlerin kendi modellerini her çeyrekte ve hatta her ay çalıştırmalarını pratik hale getirdi.
AI, pazarlama karması modellemesine aslında ne katıyor?
MMM’nin özü hala regresyondur. Satışlar, iki iyi bilinen etkiyi yansıtacak şekilde dönüştürülmüş her kanaldaki harcamanın bir fonksiyonu olarak açıklanır: adstock (bir reklam yayınlandıktan sonra günler veya haftalarca çalışmaya devam eder) ve doygunluk (her ek lira öncekinden daha az kazandırır). “AI” kısmı, onu değiştirmek yerine bu çekirdeğin etrafında yer alır.
- Hiperparametre arama: Robyn gibi araçlar, bir analistin birkaç tanesini tahmin etmesi yerine binlerce adstock ve doygunluk kombinasyonunu test etmek için evrimsel optimizasyon (Nevergrad) kullanır.
- Bayesian priors: Meridian ve PyMC-Marketing, lift testinden elde edilen sonuçlar gibi zaten inandığınız şeyleri kodlamanıza ve bu inançları verilerle güncellemenize olanak tanır.
- Bütçe optimizasyonu: yanıt eğrileri mevcut olduğunda, bir optimize edici, gerçek kısıtlamalar altında bir hedefi maksimize eden harcama dağılımını arar.
- Daha hızlı iterasyon: dil modelleri veri temizleme komut dosyaları yazmaya ve model tanılarını özetlemeye yardımcı olur, ancak nedenselliği kendi başlarına yorumlamaları konusunda onlara asla güvenilmemelidir.
Mesele modelin akıllı hale gelmesi değildir. Mesele, bir zamanlar bir danışmanlık firmasının üç ayını alan bir sürecin, artık temiz verilere sahip küçük bir ekip tarafından birkaç hafta içinde tekrarlanabilmesidir.
Gizlilik değişiklikleri neden MMM’yi yeniden alakalı kılıyor?
Tıklama tabanlı ilişkilendirme, bireylerin izlenmesine bağlıdır. Tarayıcı kısıtlamaları, GDPR ve Türkiye’nin KVKK’sı kapsamındaki onay gereklilikleri ve Apple’ın Uygulama İzleme Şeffaflığı, belirli bir reklam tıklamasına kaç dönüşümün bağlanabileceğini azalttı. Platform tarafından bildirilen sayılar boşlukları modellenmiş tahminlerle doldurur ve her platform kendini övme eğilimindedir.
MMM, toplanmış haftalık veya günlük veriler üzerinde çalışır. Çerezlere veya kullanıcı kimliklerine ihtiyaç duymaz. Bu, onu Google Ads, Meta Ads Manager ve TikTok Ads Manager’ın her birinin iddia ettiğine karşı doğal bir çapraz kontrol haline getirir. Platformlar toplu olarak işletmenin fiilen kaydettiğinden daha fazla dönüşüm bildirdiğinde, bir karma modeli genellikle örtüşmeyi net bir şekilde gösteren ilk araçtır.
Alien Road, AI destekli pazarlama karması modellemesini nasıl uyguluyor
Tipik bir iş birliğinde MMM’yi tek seferlik bir rapor olarak değil, dört aşamalı bir ölçüm projesi olarak ele alıyoruz. Her aşamanın, bir sonrakine geçmeden önce müşterinin onayladığı bir çıktısı vardır.
1. Keşif ve veri denetimi
Satışları hareket ettirebilecek her girdiyi listeleyerek başlıyoruz: ücretli kanallar, organik arama oturumları, e-posta gönderimleri, promosyonlar, fiyat değişiklikleri, stok tükenmeleri, Ramazan ve Yeni Yıl dönemi gibi tatiller ve döviz kurları gibi makro faktörler. Türk müşteriler için sadece döviz hareketleri bile talepteki büyük dalgalanmaları açıklayabilir, bu yüzden onları dışarıda bırakmak reklamları yanlışlıkla kredilendiren bir model üretir.
Denetim, geçmiş uzunluğunu ve ayrıntı düzeyini kontrol eder. Çalışma kuralı olarak yaklaşık iki yıllık haftalık veri veya en az bir yıllık günlük veri ve harcamalarda yeterli değişkenlik arıyoruz. Her hafta aynı bütçeyle çalışan bir kanal, modele öğrenecek hiçbir şey vermez.
2. Model oluşturma ve kalibrasyon
Genellikle iki aday model oluşturuyoruz, genellikle biri Robyn’de ve biri Meridian veya PyMC-Marketing’de Bayesian modeli oluyor ve bunları karşılaştırıyoruz. Müşterinin coğrafi tutma testleri veya platform dönüşüm lift çalışmaları yaptığı yerlerde, bu sonuçlar priors veya kalibrasyon hedefleri olarak dahil edilir. Bu, güvenilirlik için en yararlı adımdır: kontrollü bir deneyle uyuşan bir model, yalnızca geçmişe iyi uyan bir modelden çok daha fazla güven kazanır.
3. Doğrulama
En son haftaları tutuyoruz, tahmin ediyoruz ve tahmini gerçekte olanlarla karşılaştırıyoruz. Ayrıca katsayıların iş mantığına uygun olduğunu kontrol ediyoruz. Model, markalı aramanın gelirin çoğunu sağladığını söylüyorsa, bu genellikle aramanın başka bir yerde yaratılan talebi yakaladığını gösterir ve girdileri yeniden yapılandırırız.
4. Raporlama ve senaryo planlama
Nihai çıktı bir katsayı tablosu değildir. Müşteriler kanal başına yanıt eğrileri, mevcut harcamalarda marjinal getiri ve tek sayılar yerine aralıklı iki veya üç bütçe senaryosu alırlar. Modeli kararlaştırılan bir programda, genellikle üç ayda bir yeniliyoruz ve sonuçların zaman içinde karşılaştırılabilir kalması için varsayımlardaki her değişikliği kaydediyoruz.
Bir karma modelinin sınırları nelerdir?
MMM iyi inşa edildiğinde belirsizlik konusunda dürüst, edilmediğinde ise yanıltıcıdır. Birkaç sınırı önceden belirtmekte fayda var.
- Kanal düzeyinde çalışır. Hangi reklam yaratıcısının veya hangi anahtar kelimenin en iyi performansı gösterdiğini size söylemeyecektir; platform testleri ve ilişkilendirme bununla ilgilenmeye devam eder.
- Korelasyonlu kanallar birbirine karışır. TV ve YouTube her zaman aynı anda yükselip düşüyorsa, model onları bir deney olmadan ayıramaz.
- Küçük bütçeler geniş hata çubukları üretir. İki kanal üzerinden ayda birkaç bin avro harcayan bir işletme için daha basit bir artımlılık testi zamanın daha iyi bir kullanımı olabilir.
- Sonuçlar geçmişi tanımlar. Geçmişi olmayan yeni bir kanal, modellenmeden önce priors ile tahmin edilmeli veya test edilmelidir.
MMM sonuçlarını aşırı tepki vermeden nasıl okumalısınız?
Ortalama getiriye değil, marjinal getiriye bakın. Bir kanal güçlü bir ortalama ROI’ye sahip olabilir ve yine de doymuş olabilir, yani orada harcanan bir sonraki lira az getiri sağlar. Yanıt eğrisi bu düzleşmenin nerede başladığını gösterir.
Güvenilir aralıkları ciddiye alın. Model, Meta’nın harcama birimi başına 1.2 ile 3.5 birim gelir getirdiğini söylüyorsa, dürüst okuma “muhtemelen karlı, kesin seviye belirsiz”dir ve bir sonraki adım onu daraltmak için bir lift testidir. Bütçenin yarısını geniş bir aralıkta taşımak, analiz kılığında bir kumardır.
Son olarak, bütçeleri kademeli olarak değiştirin. Çeyrek başına harcamanın yüzde on ila yirmisini kaydırmak ve modelin tahmin edilen sonucunun görünüp görünmediğini kontrol etmek, dramatik bir yeniden tahsisattan daha güvenli bir döngüdür.
Bu hafta nereden başlamalı
Başlamak için tam bir modele ihtiyacınız yok. Kanal başına haftalık harcamayı ve son 24 ayın haftalık gelirini bir sayfaya çekin, promosyonlar, fiyat değişiklikleri ve tatiller için sütunlar ekleyin ve takibin bozulduğu veya bir ürünün stokta olmadığı haftaları işaretleyin. O tek dosya size bir karma modelinin mümkün olup olmadığını söyler.
Harcamalar o dönemde neredeyse hiç değişmediyse, bunun yerine kasıtlı bir test planlayın: dört ila altı hafta boyunca bir dizi bölgede bir kanalı artırın veya duraklatın. Sonuç kendi başına yararlıdır ve gelecekteki herhangi bir modeli güvenilir kılan kalibrasyon noktası haline gelir.
Okumaya devam edin: Reklamcılık · AI Reklam Optimizasyonu