AI destekli pazarlama karması modellemesi, her bir kanalın satışlara nasıl katkıda bulunduğunu tahmin etmek ve ardından bütçeleri planlamaya yardımcı olmak için istatistiksel modelleri, günümüzde ise genellikle Google’ın Meridian ve Meta’nın Robyn gibi açık kaynaklı araçlarını kullanır. İş akışı beş adımda gerçekleşir: haftalık verileri toplamak ve temizlemek, modeli kurmak, deneylerle kalibre etmek, sonuçları işletme ile gözden geçirmek ve bunları bir bütçe senaryosuna dönüştürmek. AI, veri hazırlığını, model aramasını ve raporlamayı hızlandırır.
Pazarlama karması modellemesi nedir?
Genellikle MMM olarak adlandırılan pazarlama karması modellemesi, zaman içindeki toplu verileri kullanarak pazarlama faaliyetlerinin satış veya kayıt gibi bir sonuç üzerindeki etkisini tahmin eder. Bireysel kullanıcıları izlemez, bu da çerez ve cihaz takibinin sınırlı olduğu durumlarda onu yararlı kılar. Mevsimsellik, fiyat değişiklikleri ve promosyonlar gibi faktörleri hesaba katar ve reklam etkilerinin zaman içinde nasıl yayıldığını ve harcama arttıkça getirilerin nasıl düzleştiğini tahmin eder.
İki açık kaynaklı araç yaygın olarak kullanılmaktadır. Meta’dan Robyn, birçok aday model üretmek için otomatik hiperparametre aramasını kullanır. Google’dan Meridian, analistlerin ön bilgileri ve deney sonuçlarını dahil etmelerine olanak tanıyan bir Bayes çerçevesidir. Her ikisi de analist yargısı gerektirir; hiçbiri gerçeği üreten bir düğme değildir.
AI nerede yardımcı olur, nerede olmaz?
Burada “AI destekli” iki anlama gelir. Modelleme araçları, model arama ve tahminin bölümlerini otomatikleştirir. Ayrıca, genel AI asistanları yavaş çevre işlerinde yardımcı olur: veri temizleme betikleri yazmak, varsayımları belgelemek, çıktıları açıklamak ve raporlar hazırlamak.
AI’nın yapmadığı şey, bir sonucun inandırıcı olup olmadığına karar vermektir. Bir asistan, bozuk bir modelden makul bir grafik üretebilir. Analist ve işletme, rakamların bildiklerine uyup uymadığına hala kendileri karar verir.
Adım 1: verileri toplayın ve temizleyin
MMM, modelin mevsimselliği görebilmesi için genellikle iki yıl veya daha fazlasını kapsayan haftalık (bazen günlük) verilere ihtiyaç duyar.
- Sonuç: haftalık satış, gelir, potansiyel müşteri veya diğer iş sonuçları.
- Medya: Google Ads, Meta, TikTok, YouTube, TV ve açıq hava reklamı gibi her kanal için harcama ve mümkünse gösterimler.
- Kontroller: fiyat, promosyonlar, dağıtım, tatiller, biliniyorsa rakip faaliyetleri ve yüksek enflasyonlu pazarlarda enflasyon gibi makro faktörler.
- Organik sinyaller: e-posta gönderimleri, organik arama oturumları, PR sıçramaları.
Her platformdan verileri dışa aktarın, aynı haftalara ve para birimine hizalayın ve boşlukları kontrol edin. AI asistanları, dosyaları birleştiren ve eksik haftaları işaretleyen pandas veya SQL betikleri yazmak için burada kullanışlıdır, ancak her betik gözden geçirilmeli ve verinin bir kopyası üzerinde çalıştırılmalıdır.
Adım 2: modeli kurun
Aracı seçin
Ekibiniz R veya Python’da çalışıyorsa ve karşılaştırmak için birçok aday model istiyorsa Robyn’i kullanın. Önceliklerle Bayesçi bir yaklaşım istiyorsanız ve beslemek için deney sonuçlarınız varsa Meridian’ı kullanın. Bazı ekipler her ikisini de test eder.
Yapıyı tanımlayın
- Hangi kanalların ayrı ayrı modellendiği ve hangilerinin gruplandırıldığı.
- Kanal başına Adstock (devir) ayarları ve doygunluk eğrileri.
- Kontrol değişkenleri ve mevsimsellik terimleri.
- Geçmiş çalışmalara veya deneylere dayalı, muhafazakar bir şekilde belirlenmiş Meridian’daki öncelikler.
Bu kararları yazın. Bir AI asistanı, kaba notları müşterinin okuyabileceği net bir varsayım belgesine dönüştürebilir.
Adım 3: deneylerle kalibre edin
MMM sonuçları, nedensel testlere karşı kontrol edildiğinde iyileşir. Geo deneyler, Meta veya Google’dan dönüşüm artışı çalışmaları ve holdout testleri, bazı kanallar için temel gerçeği sağlar.
- Ana bir kanal için en az bir artış testi çalıştırın veya toplayın.
- Sonuçları modele kalibrasyon (Robyn) veya öncelikler (Meridian) olarak besleyin.
- O kanal için model tahminlerini deneyle karşılaştırın; büyük boşluklar, modelin yeniden gözden geçirilmesi gerektiği anlamına gelir.
Adım 4: sonuçları işletme ile gözden geçirin
Model çıktısı, kanal katkıları, getiri eğrileri ve güven aralıkları kümesidir. Kimse buna göre hareket etmeden önce, bir çalışma oturumunda gözden geçirin.
- Katkılar, ekibin pazar hakkında bildikleriyle eşleşiyor mu?
- Belirsizlik aralıkları, kararların beklemesi gerekecek kadar geniş mi?
- İyi tahmin etmek için harcama varyasyonu çok az olan kanallar var mı?
- Stok tükenmesi gibi herhangi bir tek seferlik olay sonuçları çarpıttı mı?
AI özetin ilk sürümünü taslak olarak hazırlayabilir, ancak incelemenin kendisi işi bilen insanları içermelidir.
Adım 5: sonuçları bir bütçe senaryosuna dönüştürün
Senaryoları karşılaştırmak için modelin bütçe iyileştiricisini kullanın: mevcut dağılım, daha iyi marjinal getirileri olan kanallara doğru bir kayma ve temkinli bir orta seçenek. Minimum marka harcaması veya kanal başına maksimum haftalık harcama gibi gerçekliği yansıtan sınırları uygulayın.
Ardından bir takip testi planlayın. Model bütçeyi bir kanaldan diğerine taşımayı öneriyorsa, hepsini bir kerede taşımak yerine bir kısmını taşıyın ve ölçün.
Alien Road, AI destekli MMM’i reklamcılık çalışmalarında nasıl uygular
Tipik bir etkileşim, veri hazırlığı kontrolü ile başlar: kaç haftalık veri var, hangi kanallar yeterli harcama varyasyonuna sahip ve hangi kontroller mevcut? Geçmiş çok kısaysa, ekip deneyler ve daha basit bir modelle başlar ve daha sonra daha tam bir MMM planlar.
Kurulum, birleştirilmiş haftalık veri setinin oluşturulmasını, Robyn veya Meridian’ın çalıştırılmasını ve bir AI asistanının yardımıyla varsayım belgesinin yazılmasını içerir. Sonuçlar, müşterinin pazarlama ve finans kontakları ile gözden geçirilir.
Ölçüm, genellikle üç ayda bir yapılan planlı model yenilemeleriyle ve ana önerileri kontrol eden artış testleriyle devam eder. Her yenileme raporu neyin değiştiğini ve nedenini gösterir.
Kaçınılması gereken yaygın iş akışı hataları
Bir avuç hata projeler arasında tekrarlanır. Ekipler genellikle bazı kanalların harcama varyasyonu az olduğunda çok fazla kanalı ayrı ayrı modeller, bu da geniş, anlamsız aralıklar üretir. Diğerleri, enflasyonist bir pazardaki fiyat artışları gibi önemli kontrol değişkenlerini unutur ve model, fiyatlandırmadan gelen satışlar için medyaya kredi verir.
Bir diğer hata, bir model çalışmasını nihai olarak görmektir. MMM bir döngüdür: veri, model, test, gözden geçirme ve yenileme. Deneyler tahminleri keskinleştirdikçe ve işletme hangi sinyallere güveneceğini öğrendikçe değer her turda artar. Son olarak, belirsizlik olmadan nokta tahminleri sunmaktan kaçının; tek bir sayı olarak gösterilen bir kanal getirisi, verilerin destekleyemeyeceği kararlara davetiye çıkarır.
Bu hafta nereden başlamalı
Son iki yılda para harcadığınız her kanalın bir listesini yapın ve her biri için haftalık harcamaları dışa aktarıp aktaramayacağınızı kontrol edin. Boşlukları, para birimi değişikliklerini ve kaydı olmayan kampanyaları not edin. Bu envanter, bir modelin şimdi oluşturulup oluşturulamayacağına veya ilk işin veri toplamayı düzeltmek olup olmadığına karar verir.
Okumaya devam edin: Reklamcılık · AI Reklam Optimizasyonu