Tıklama bazlı ilişkilendirme (attribution) zayıflıyor ve zayıflamaya devam edecek. Üçüncü taraf çerezler büyük ölçüde ortadan kalktı, mobil uygulama takibi çoğu kullanıcının reddettiği bir onay gerektiriyor ve dönüşümlerin giderek artan bir kısmı, beraberinde kullanılabilir bir yol verisi olmadan gerçekleşiyor. Çoğu ekibin buna tepkisi, aynı son tıklama raporlarını okumaya devam ederken, rakamların artık geliri yansıtmadığını sessizce kabul etmek oldu. Marketing mix modeling AI, pratik bir alternatif sunuyor: Bireyleri takip etmek yerine, toplam harcamayı toplam sonuçlara göre modelliyor ve her kanalın ne kadar katkı sağladığını tahmin ediyor.
Bu yaklaşım aslında yeni değil. Tüketici ürünleri şirketleri, henüz kimsenin takip pikseli kullanmadığı on yıllar önce medya harcamaları ve satışlar üzerinde regresyon analizi yapıyordu. Yeni olan şey, bu modellemenin artık orta ölçekli bir reklamveren için ulaşılabilir olmasıdır. Açık kaynaklı kütüphaneler istatistiksel mekanizmayı yönetiyor, bulut bilişim Bayesian tahminini ucuzlatıyor ve model katmanı, eskiden uzmanlık gerektiren; önsel (prior) belirleme, uyum kontrolü ve çıktıları bütçe kararlarına dönüştürme gibi kısımlarda yardımcı oluyor.
Model aslında ne yapıyor?
Temelde, haftalık veya günlük sonuç verilerini kanal başına harcamalarla eşleştiriyorsunuz; ancak regresyonun kendisinden daha önemli olan iki ayarlama mevcut. İlki, reklamın durduktan sonra da çalışmaya devam ettiği gerçeğini modelleyen “adstock” etkisidir: Bir televizyon reklamı veya görüntülü reklam kampanyası, gece yarısı bitmek yerine haftalarca süren bir etkiye sahiptir. İkincisi ise azalan verimleri modelleyen “doygunluk” (saturation) etkisidir; çünkü bir kanala yatırılan on bininci euro, ilk bin euro ile aynı getiriyi sağlamaz.
Satışları etkileyen diğer her şey için kontroller ekleyin: fiyat değişiklikleri, promosyonlar, gözlemleyebiliyorsanız rakip faaliyetleri, mevsimsellik, tatiller, stok tükenmeleri ve diğer büyük tek seferlik olaylar. Bir kontrolü atlamak hata mesajı üretmez. Bunun yerine, genellikle o sırada aktif olan kanala atanan, kendinden emin ama yanlış bir katsayı üretir.
Marketing mix modeling AI neleri cevaplayabilir, neleri cevaplayamaz?
Çözünürlük konusunda net olun. Bir mix model, haftalar bazında kanal düzeyinde ve bazen kampanya düzeyinde soruları yanıtlar. Anahtar kelime veya kreatif düzeyindeki soruları yanıtlamaz ve size hiçbir zaman hangi bireysel müşterinin nereden geldiğini söylemez. Size kullanıcı düzeyinde ilişkilendirme sağlayan bir mix model satan biri, size başka bir şey satıyordur.
İyi yanıtladığı sorular, maliyeti yüksek olanlardır. Marka arama bütçemiz artımlı mı yoksa zaten yarattığımız talebi mi topluyor? Görüntülü reklamları yüzde otuz oranında kesersek toplam gelir ne olur? En iyi kanalımız hangi noktada ölçeklenmeyi bırakıyor? Bunlar milyonlarca dolar değerindeki kararlardır ve son tıklama raporlamasının dokunamadığı tam olarak bu kararlardır; çünkü son tıklama, nihai temas noktasına kredi verir ve talebi yaratan kanallara karşı yapısal olarak kördür.
Başlamadan önce ihtiyacınız olan veriler
Gereksinimler insanların varsaydığından daha az zahmetlidir, ancak bir noktada katıdır: geçmiş veri. Parametreleri eşleştirmek için yeterli süreye ihtiyacınız vardır; bu da pratikte en az iki yıllık haftalık veri ve ideal olarak bu harcamalarda değişkenlik anlamına gelir. Eğer her kanal iki yıl boyunca sabit bir bütçeyle çalıştıysa, modelin öğrenecek hiçbir şeyi yoktur. Kasıtlı değişkenlik bir sorun değil, bir girdidir.
- Kanal başına haftalık harcama; gerçek bir verimlilik okuması istiyorsanız üretim ve ajans maliyetleri dahil.
- Haftalık gelir veya işletmenin üzerinde anlaştığı başka bir tekil sonuç metriği.
- Aynı haftalık periyotta fiyat ve promosyon geçmişi.
- Bilinen dış olaylar: lansmanlar, kesintiler, PR artışları, rakip kampanyaları.
- Mümkünse kanal başına gösterim veya erişim; bu genellikle sadece harcamadan daha iyi sonuç verir.
Proje süresinin çoğu bu tabloyu oluşturmaya harcanır. Veriler temizlendikten sonra modellemenin kendisi birkaç günlük iştir. Bunun tersini bütçeleyen ekipler her zaman şaşırır.
Bir deneyle doğrulayın
Bir mix model, belirsizlik içeren bir tahminler bütünüdür ve kendinden emin bir şekilde yanlış olabilir. Tek güvenilir kontrol gerçek bir deneydir: Bir kanalı belirli bölgelerde kapatın, diğerlerinde açık bırakın ve karşılaştırın. Model yüzde on iki gelir düşüşü öngördüyse ve kontrol grubu yüzde iki gösteriyorsa, modelin üzerinde çalışılması gerekir. Yılda en az bir kez coğrafi (GEO) holdout testi yapın ve bunu sadece onaylamak için değil, kalibre etmek için kullanın.
Bu aynı zamanda doğruluk sorusuna verilen dürüst cevaptır. Mix modeller ve tıklama ilişkilendirmesi genellikle önemli ölçüde farklı sonuçlar verir ve hiçbiri mutlak gerçek değildir. Artımlılık (incrementality) deneyleri, mevcut olan en yakın “gerçek” veridir ve diğer tüm yöntemler bunlara göre değerlendirilmelidir.
Çıktıyı bir hüküm değil, bir yön olarak kullanın
En yaygın yanlış kullanım, modelin ROAS rakamlarını kesin sayılar olarak kabul edip medya planını tablonun tepesine göre yeniden oluşturmaktır. Güven aralıklarına bakın. Eğer iki kanal birbiriyle büyük ölçüde örtüşüyorsa, model size onları ayıramadığını söylüyordur; bu noktada bütçeyi bir tahmin üzerinden kaydırmak sadece gürültü peşinde koşmaktır.
Modelin maliyetini çıkardığı yer, yön belirleyici ve tekrarlanabilir olmasıdır. Modeli üç ayda bir yenileyin, yanıt eğrilerinin nasıl değiştiğini takip edin ve bunu kanallar arasındaki genel dağılımı belirlemek için kullanın; tıklama verilerini ve deneyleri ise her kanalın kendi içindeki kararlar için saklayın. Marketing mix modeling AI, mevcut raporlamanızın yerini almaz. Mevcut raporlamanızın asla cevaplamak için tasarlanmadığı soruyu, yani kimsenin takip edilemediği bir dünyada reklamın toplamda ne kadar değerli olduğunu yanıtlar.
Okumaya devam edin: AI Advertising Optimization