AI destekli pazarlama karması modellemesi (MMM), bireysel kullanıcıları izlemek yerine toplu haftalık veya günlük verileri kullanarak her bir pazarlama kanalının satışlara ne kadar katkıda bulunduğunu tahmin eden istatistiksel bir yöntemdir. AI ve modern Bayes araçları, bunu oluşturmayı daha hızlı, güncellemeyi daha kolay ve bütçe planlaması için daha kullanışlı hale getirir. Birden fazla kanalda harcama yapan ve ek bütçenin nerede işe yarayacağına dair bağımsız yanıtlar isteyen markalar için en uygun yöntemdir.
MMM yeni bir şey değil. Tüketim malları şirketleri bunu on yıllardır, genellikle oluşturulması aylar süren modellerle ve uzman danışmanlıklar aracılığıyla kullanıyorlar. İki değişiklik onu yeniden canlandırdı: gizlilik kuralları ve tarayıcı kısıtlamaları kullanıcı düzeyindeki ilişkilendirmeyi zayıflattı ve açık kaynaklı araçlar MMM’i daha küçük ekipler için erişilebilir hale getirdi.
En bilinen açık kaynaklı seçenekler Meta’nın Robyn’i, önceki LightweightMMM projesinin yerini alan Google’ın Meridian’ı ve PyMC Labs’ten PyMC-Marketing’dir. Ticari platformlar da yönetilen bir hizmet olarak MMM sunmaktadır. AI birkaç noktada devreye girer: otomatik model seçimi, daha hızlı Bayes hesaplaması, senaryo planlaması ve sonuçların doğal dilde açıklanması.
Pazarlama karması modellemesi nasıl çalışır?
Özünde MMM bir regresyondur. Satışların veya dönüşümlerin zaman serisini alır ve bunu kanal bazında pazarlama harcamaları ile mevsimsellik, fiyat, promosyonlar, tatiller ve ekonomik koşullar gibi diğer faktörlerle açıklar. Model, her bir faktörün satışları ne kadar etkilediğini tahmin eder.
İki fikir, onu genel istatistiklerden ziyade pazarlama için uygun hale getirir.
- Adstock veya taşıma etkisi: bu hafta görülen bir reklam, sonraki haftalardaki satışları etkileyebilir. Model, her kanalın etkisinin ne kadar sürdüğünü tahmin eder.
- Doygunluk veya azalan verimler: harcamaları ikiye katlamak nadiren sonuçları ikiye katlar. Model, her kanal için eğriyi tahmin eder ve ek harcamaların nerede artık işe yaramadığını gösterir.
Meridian ve PyMC-Marketing tarafından kullanılan Bayes yöntemleri, analistlerin lift testlerinden elde edilen sonuçlar gibi ön bilgileri eklemelerine ve belirsizliği tek sayılar yerine aralıklar olarak ifade etmelerine olanak tanır.
AI nerede yardımcı olur?
AI desteği temel olarak manuel işi azaltır ve çıktıları daha kullanılabilir hale getirir.
- Veri hazırlama: birçok kaynaktan gelen harcamaları, gösterimleri ve satışları temizleyip tek bir haftalık tabloda hizalama.
- Model arama: adstock ve doygunluk ayarlarının birçok kombinasyonunu test etme ve uygun olanları, ayrıca iş açısından mantıklı olanları seçme. Örneğin Robyn, bunun için çok amaçlı optimizasyon kullanır.
- Senaryo planlaması: bütçe kanallar arasında kaydırılırsa beklenen satışlara ne olacağını gösterme.
- Açıklama: dil modelleri, model çıktılarını paydaşlar için basit özetlere dönüştürebilir, ancak bunların gerçek rakamlarla kontrol edilmesi gerekir.
AI, muhakeme ihtiyacını ortadan kaldırmaz. Bir model geçmiş verilere iyi uyum sağlayabilir ancak girdiler yanlışsa veya kanallar her zaman birlikte hareket ettiyse yine de yanıltıcı tavsiyeler verebilir.
Hangi verilere ihtiyacınız var?
MMM geçmişe ve varyasyona ihtiyaç duyar. Yaygın bir kılavuz, modelin mevsimselliği pazarlama etkilerinden ayırabilmesi için en az iki yıllık haftalık veridir. Günlük veriler daha kısa geçmişlerle yardımcı olabilir ancak daha gürültülüdür.
- Haftalık satışlar veya dönüşümler, mümkünse bölge bazında.
- Harcamalar ve mümkünse kanal bazında haftalık gösterimler veya tıklamalar.
- Promosyonlar, fiyat değişiklikleri, ürün lansmanları ve stok tükenmeleri.
- Tatiller veya hava durumu gibi işletme için geçerli olan dış faktörler.
Varyasyon önemlidir. Her kanalın harcaması birlikte yükselip düşseydi, model onları birbirinden ayıramazdı. Bazı bölgelerde bir kanalı duraklatmak gibi planlanmış değişiklikler, modelleri çok daha güvenilir hale getirir.
MMM, ilişkilendirme ve lift testleri ile nasıl karşılaştırılır?
Üç yöntem farklı soruları yanıtlar ve olgun ekipler hepsini kullanır.
- Platform ve çoklu dokunuş ilişkilendirmesi: hızlı, ayrıntılı, kullanıcı düzeyinde, ancak çevrimdışı etkilere karşı kör ve en iyi takip eden kanallara karşı taraflı.
- Lift ve geo testleri: bir kanal için belirli bir zamanda artan etkinin en net kanıtı, ancak yavaş ve kapsamı sınırlı.
- MMM: çevrimdışı dahil tüm kanalları kapsar ve bütçe eğrileri verir, ancak daha düşük ayrıntı düzeyi ve daha geniş belirsizlikle.
Pratik bir yaklaşım, MMM’i kalibre etmek için lift testlerini ve bütçe bölümlerini yönlendirmek için MMM’i kullanmak, ilişkilendirmenin ise her platform içindeki günlük optimizasyonu yönetmesini sağlamaktır.
Sınırlar nelerdir?
MMM sonuçları aralıkları olan tahminlerdir. Düşük harcamalı kanallar genellikle geniş, belirsiz tahminler alır. Modeller, yıllar içinde oluşan marka etkileriyle mücadele eder. Ve sonuçlar modelleme seçimlerine bağlıdır; iki analist aynı verilerden farklı sonuçlara ulaşabilir, bu yüzden şeffaflık ve kalibrasyon önemlidir.
Ekipler ayrıca MMM’i tek seferlik bir proje olarak ele alarak kötüye kullanırlar. Piyasalar değişir, bu yüzden modeller üç ayda bir veya en az yılda iki kez yenilenmelidir.
Şirket içinde modele kim sahip olmalıdır?
MMM pazarlama, finans ve analitik arasında yer alır ve sadece biri sahip olduğunda sonuçlar göz ardı edilir. Finansın satış verilerine, pazarlamanın kanal girdilerine güvenmesi ve analitiğin yöntemi açıklaması gerekir. Verileri kimin onaylayacağını, modeli kimin inceleyeceğini ve bütçe değişikliklerine kimin karar vereceğini en başta kabul edin.
Üç grubun en son sonuçları incelediği ve bir test üzerinde anlaştığı kısa bir üç aylık toplantı, kimsenin harekete geçmediği uzun bir rapordan daha iyi çalışır.
Alien Road, AI destekli pazarlama karması modellemesini nasıl uygular
Tipik bir çalışmada MMM, bir veri denetimi ile başlar. Google Ads, Meta, TikTok, LinkedIn ve herhangi bir çevrimdışı medyadan harcamaları, gösterimleri ve sonuçları, ayrıca müşterinin mağazasından veya CRM’inden satışları topluyoruz ve yeterli geçmiş ve varyasyon olup olmadığını kontrol ediyoruz. Yoksa, modellemeden önce birkaç aylık planlanmış harcama değişiklikleri tasarlıyoruz.
Modelin kendisi genellikle verilere ve müşterinin şeffaflık tercihine bağlı olarak Meridian, Robyn veya PyMC-Marketing gibi açık kaynaklı bir çerçeve ile oluşturulur. Müşteri lift testleri yaptıysa, modeli kalibre etmek için bu sonuçları kullanırız. AI araçları veri hazırlama, model arama ve ilk taslak özetlerine yardımcı olur; analistler her sonucu kontrol eder.
Raporlar, kanal katkısını belirsizlik aralıkları, yanıt eğrileri ve beklenen sonuçlarla iki veya üç bütçe senaryosu ile sunar. Kontrollü bir bütçe kayması önerir, etkisini ölçer ve modeli yeni verilerle yenileriz.
Bu hafta nereden başlamalı
Son iki yıl için toplam satışlar ve kanal bazında harcamalarla haftalık bir tablo oluşturun. Modellemeden önce bile, bu çizgileri birlikte çizmek, kanalların bağımsız hareket edip etmediğini ve promosyonlar veya stok tükenmeleri gibi büyük olayların nerede kaydedilmesi gerektiğini gösterir.
Geçmiş kısaysa veya her kanal birlikte hareket ettiyse, bir test planlayın: bir bölgede veya birkaç haftalığına bir kanalı azaltın veya duraklatın. Bu varyasyon, gelecekteki herhangi bir modeli çok daha güvenilir hale getirecektir.
Okumaya devam edin: Reklamcılık · AI Reklam Optimizasyonu