Rinkodaros mišinių modeliai - tai įrankiai, skirti žiniasklaidos kanalo (ir kitų veiksnių) indėliui į tikslinį KPI, kuris dažniausiai yra pardavimai, nustatyti. Šie modeliai (nuo šiol juos vadinsime MMM) padeda surinkti įžvalgas apie kanalų indėlį, kurias vėliau galima panaudoti optimizuojant rinkodaros strategiją, pavyzdžiui, padidinti išlaidas naudingesniems kanalams ir sumažinti biudžetą tiems, kurie neduoda daug naudos.

Šiame straipsnyje papasakosime apie MMM funkcijas, pagrindinius reikalavimus duomenims, galimus naudojimo atvejus, turimas priemones (kartu su jų privalumais ir trūkumais) ir jų naudą galutiniam klientui.

Modelio komponentai

MMM gali būti adityviniai arba multiplikatyviniai (pagal tai, ar vidinių komponentų vertės sudedamos, ar dauginamos kartu). Dažniausiai naudojamas adityvusis modelis. Galimo išskaidymo pavyzdys:

Šiuo atveju t yra laikotarpis, o α - intercepcija. Svarbiausi MMM poveikiai dažnai naudojami ir derinami media channelst elemento viduje. Jie yra “Carryover” ir “Shape”.

"Carryover" poveikis

Paprastai kalbant, perkeliamasis poveikis - tai tam tikras poveikis, kuris tęsiasi kurį laiką po to, kai buvo atliktas pradinis veiksmas.

Pavyzdžiui, skelbimą rodėme tik vieną dieną, tačiau jo poveikį pardavimams pastebėjome praėjus kelioms dienoms po to, kai skelbimas buvo nutrauktas.

Poveikis gali pasireikšti dėl kelių priežasčių, pavyzdžiui, dėl uždelsto reklamos poveikio, uždelsto vartotojų atsako arba net dėl to, kad perka vartotojai, kurie girdėjo iš tų, kurie pirmieji pamatė reklamą (iš lūpų į lūpas).

Norėdami sumodeliuoti reklamos “carryover” poveikį, transformuojame žiniasklaidos išlaidų vienam kanalui laiko eilutę, naudodami funkciją adstock (matematinius paaiškinimus dėl paprastumo praleisime).

"Shape" efektas

“Shape” efektas reiškia pardavimų pokytį, kuris yra atsakas į didėjantį reklamos intensyvumą tuo pačiu laikotarpiu. Iš esmės jis parodo, kaip mūsų KPI būtų paveiktas, jei padidintume arba sumažintume reklamos intensyvumą.

Pavyzdžiui, jei reklamai išleisime 100 dolerių, gausime 1000 pardavimų, tačiau jei išleisime 200 dolerių, gausime tik 1500.

“Shape” efekto pavyzdys:

Norint modeliuoti formos efektą, viena iš galimų funkcijų yra “Hill” funkcija (apie konkretų matematinį paaiškinimą galite paskaityti įvairiuose viešuose šaltiniuose).

Be “Hill” funkcijos, “shape” efektui modeliuoti galima naudoti ir kitas funkcines formas, pavyzdžiui, eksponentinę funkciją, sigmoidinę funkciją (dar vadinamą logistine funkcija) arba kitų tikimybių pasiskirstymų integralą.

Efektų suderinimas

Anksčiau minėtus “Carryover” ir “Shape” efektus galima derinti dviem būdais:

Jei kiekvienu laikotarpiu išleisti pinigai yra maži, lyginant su sukauptomis išlaidomis, “shape” poveikis nėra toks akivaizdus. Šiuo atveju transformacijų eiliškumas būtų adstock → shape.
Kita vertus, jei žiniasklaidos išlaidos yra labai koncentruotos vienkartiniais laikotarpiais, pirmenybė teikiama shape → adstock.

Teoriškai nėra būtina naudoti abu šiuos poveikius, tačiau iš viešų tyrimų ir mūsų eksperimentų matyti, kad daugeliu atvejų tai naudinga modelio tikslumui ir patikimumui.

Žinoma, gali būti naudojami ir papildomi komponentai, kurie gali būti derinami sudedamuoju arba daugybos būdu, pvz:

Sezoniškumas (siekiant nustatyti tam tikro sezoninio poveikio atvejus).
Tendencija (skirta fiksuoti nuolatinį, ilgalaikį KPI didėjimą / mažėjimą).
Kontroliniai kintamieji (siekiant nustatyti kitų įvykių įtaką KPI).

Daugiau informacijos apie šį poveikį rasite čia:

Duomenų reikalavimai

Formatas

Svarbiausias reikalavimas, keliamas duomenims, yra tas, kad tai turėtų būti laiko eilutė, apimanti reklamos išlaidas (arba parodymus) kiekvienam žiniasklaidos kanalui kartu su tiksliniu KPI (pvz., pardavimais).

Atitinkamo formato duomenų rinkinio pavyzdys, kuriame yra parodymai (kaip žiniasklaidos kanalai) ir pardavimai (kaip tikslas):

Dažnis

Priimtinas duomenų teikimo dažnumas - kas savaitę arba kasdien, tačiau pirmenybė teikiama savaitiniams įrašams.

Naudojant kasdienes vertes, dėl didesnių svyravimų sunkiau nustatyti sezoniškumą ir žiniasklaidos poveikį. Dėl šios priežasties kasdienius duomenis galima naudoti, bet tik su 1-2 metų įrašais, nes vėliau duomenų dispersija yra tokia didelė, kad modelio rezultatai pradeda prastėti. Dėl per mažos dispersijos rezultatai taip pat prastėja, o modelio patikimumas mažėja.

Taigi pagrindinė išvada yra ta, kad labai mažas nuokrypis (pvz., metinių duomenų) arba labai didelis nuokrypis (pvz., valandinių duomenų) bus netikslus, todėl rekomenduojama jo visiškai vengti.

Kiekis

Mūsų komanda eksperimentavo su įvairiais duomenų dažniais ir kiekiais - modeliai buvo lyginami pagal tikslumą ir patikimumą. Remdamiesi gautais rezultatais galime pateikti duomenų kiekio rekomendacijas (mažiausias ir pageidaujamas kiekis):

Mažiausias kiekis - ne mažiau kaip 3 mėnesių (90 įrašų) dienos duomenų arba ne mažiau kaip 6 mėnesių (24-30 įrašų) savaitės duomenų.
Pageidautinas kiekis - ne mažiau kaip 1 metų (365 įrašai) dienos duomenų arba ne mažiau kaip 2-5 metų (96-240 įrašų) savaitės duomenų.

Nepamirškite, kad, esant minimaliems duomenų reikalavimams, rezultatai gali būti ne visai teisingi, nes modeliui bus sunku nustatyti tikslius koeficientus. Minimalus duomenų kiekis gali būti naudojamas tik apytiksliam kiekvieno kanalo indėliui nustatyti.

Retumas

Retumą galima laikyti duomenų nuoseklumo spragomis. Labai nenuoseklaus (reto) duomenų rinkinio pavyzdys:

Atlikę eksperimentus įsitikinome, kad didelis retumas turės neigiamos įtakos bendriems rezultatams dėl neteisingo tendencijų, sezoniškumo ir išteklių fiksavimo.

Labai rekomenduojama, kad pateiktuose duomenyse (savaitės arba dienos) nebūtų duomenų spragų. Arba, blogiausiu atveju, trūkstami tarpai užpildomi ir (arba) interpoliuojami.

Detalumas

Kita svarbi sąvoka - duomenų detalumas. Paprastai rekomenduojama naudoti medijos kanalo kintamuosius, kurie yra smulkesnio lygmens. Pavyzdys:

Pageidaujami naudoti žiniasklaidos kanalai būtų stulpelyje "Variable" nurodytos vertės. Jei įmanoma - būtų galima naudoti dar didesnį detalumą (pavyzdžiui, "Facebook" kanalą suskirstyti į "Facebook" vaizdo įrašus, "Facebook" skelbimus ir kitus). Tai taikoma tik tuo atveju, jei kanalai nėra labai tarpusavyje susiję.

Tačiau bendras modelio kanalų skaičius neturėtų būti per didelis (daugiau nei 4-5 kanalai greičiausiai įneš neapibrėžtumo), todėl didesnį detalumą reikėtų naudoti atsargiai - geriausia, kai iš pradžių nėra tiek daug kanalų.

Kanalų ir įrašų santykis

Viešai skelbiamose rekomendacijose nurodoma, kad minimalus kanalų ir įrašų santykis turėtų būti 1:7-10.

Pavyzdžiui: jei turime 3 reklamos kanalus be jokių papildomų funkcijų ir naudojame savaitinį modelį, tuomet turėtų pakakti 21-30 savaičių mokymo duomenų rinkinio.

Pagrindinė mūsų komandos eksperimentų išvada buvo ta, kad tobulas santykis pasiekiamas naudojant mažiau žiniasklaidos kanalų ir daugiau duomenų įrašų. Geriausi rezultatai buvo pasiekti naudojant 4-6 kanalus ir 1-2 metų duomenis, taigi idealus santykis labiau linksta į 1:25 savaitiniams duomenims ir 1:90 - kasdieniams.

Modeliai buvo jautresni duomenų įvedimo skaičiui nei kanalų skaičiui, tačiau žiniasklaidos kanalų duomenų kokybė yra svarbesnė už kiekybę. Pasirinkus tik svarbiausius kanalus, daugeliu atvejų rezultatai bus geresni.

Naudojimo atvejai

Pagrindinė MMM veikimo savybė yra ta, kad kiekvienas medijos kanalas turi turėti nuoseklius medijos kanalo duomenis. Toliau nurodysime kelis naudojimo atvejus (ir gerus, ir blogus), kurie galėtų padėti nustatyti, kada MMM tinka naudoti, o kada jis tiesiog neveiks.

Geri naudojimo atvejai

Klientas nuolat skiria reklamos išlaidas kai kuriuose žiniasklaidos kanaluose ir žino kiekvieno laiko įrašo KPI. Jis nori sužinoti, kuriems kanalams verta leisti pinigus, o kuriems - ne (kad padidintų KPI).
Klientas turi nuolatinius duomenis apie žiniasklaidos kanalų įspūdžius ir žino kiekvieno įrašo KPI. Jis nori sužinoti, kuriuose kanaluose verta padidinti parodymų skaičių (kad KPI būtų didesnis).
Klientas turi panašų duomenų rinkinį ir panašius poreikius, kaip minėta pirmiau, tačiau duomenų rinkinys suskirstytas į skirtingus regionus. Šiuo atveju galima naudoti geografinį modelį (jį galima rasti lightweight_mmm bibliotekoje).
Klientas turi panašų duomenų rinkinį, kaip minėta pirmiau, bet nori sužinoti ROAS, ROI arba optimalų biudžetą kiekvienam žiniasklaidos kanalui. Šiuo atveju galima naudoti biudžeto skirstytuvą pagal MMM modelį (galima rasti pymc-marketing bibliotekoje).

Blogi naudojimo atvejai

Klientas 1 mėnesį vykdė kampaniją (1 ar keliems žiniasklaidos kanalams) ir nori sužinoti, ar dėl to padidėjo pardavimai ateityje (pvz., per kitus 6 mėnesius be jokių papildomų išlaidų). Šiuo atveju modelis neveiks, nes kartu su stebimu KPI reikia turėti pastovias žiniasklaidos kanalo reikšmes.
Klientas turi kelis žiniasklaidos kanalus, kuriuose reklamos išlaidos (arba parodymai) dažniausiai yra pastovios (t. y. mažai kinta). Tokiu atveju modeliui bus sunku nustatyti koeficientus.
Klientas turi labai nenuoseklų arba retą duomenų rinkinį. Šiuo atveju rezultatai greičiausiai nebus patenkinami.
Kliento poreikiai yra tokie patys, kaip ir vieno iš gerųjų naudojimo atvejų atveju, tačiau visi jo žiniasklaidos kanalai yra labai susiję. Tokiu atveju modelis neveiks. Jis nesugebės atskirti indėlio koeficientų ir greičiausiai išves juos kaip vienodus. Dėl to prieš mokant modelį reikėtų patikrinti visus duomenų rinkinius ir išvalyti juos nuo didelės koreliacijos.
Klientas neturi reguliaraus, laiko eilutėmis pagrįsto duomenų rinkinio - tik kelis vienkartinius reklamos išlaidų įvykius arba bendras reklamos išlaidas ir pardavimus. Šiuo atveju modelis negali būti naudojamas.

Įrankiai

Yra daug puikių MMM kūrimo įrankių, tačiau mūsų komanda daugiausia dėmesio skyrė "Python" sprendimams. Šiam tikslui buvo ištirtos 2 bibliotekos, skirtos MMM mokymui, abi turinčios savų privalumų ir trūkumų.

Lightweight_mmm

Privalumai:

Galimybė laisvai pasirinkti, kokio tipo modelį naudoti (carryover, adstock, hill adstock). Hill adstock rekomenduojama naudoti realių duomenų atveju, nes jis apima ir adstock, ir saturation funkcijas.
Geo modelio palaikymas.
Saturation kreivės, investicijų grąžos grafikai, biudžeto skirstymo funkcijos.
Modelyje galima sujungti ir parodymų, ir reklamos išlaidų žiniasklaidos kanalo duomenis.

Trūkumai:

Laisvai derinti saturation ir adstock efektų negalima.
Duomenų mastelio keitimą reikia atlikti rankiniu būdu.
Lift testai nepalaikomi.

PyMC-Marketing

Privalumai:

Duomenų mastelio keitimas taikomas automatiškai.
Galimybė įtraukti lift testo kalibravimą iš "CausalPy" (siekiant dar labiau pagerinti modelio rezultatus).
Saturation kreivės, ROAS grafiko ir biudžeto skirstymo funkcijos.

Trūkumai:

Pagal numatytuosius nustatymus naudojami uždelsto adstock ir logistinio saturation efektai (jų pakeisti neįmanoma).
Galima naudoti tik vieno žiniasklaidos kanalo duomenis apie parodymus ir reklamos išlaidas (modelis orientuotas į reklamos išlaidas).

Apskritai geriausias (numatytasis) pasirinkimas yra pymc-marketing dėl patogumo ir galimybės kalibruoti modelį naudojant lift testus.

"Lightweight_mmm" reikėtų rinktis, jei reikia geo modelio arba parodymų ir reklamos išlaidų parametrų.

Neapdorotus modelius (pvz., pymc arba pyro) taip pat galima kurti ir naudoti, tačiau tai rekomenduojama daryti tik labai specifiniais atvejais, pavyzdžiui, kai klientas turi specifinių poreikių ir (arba) žinių apie modelio poveikį arba kai abi bibliotekos negali duoti patenkinamų rezultatų.

Daugiau informacijos apie šias priemones pateikiama čia:

Naudojimas galutiniam klientui

MMM galima naudoti įvairiais būdais, kad klientui būtų suteikta įžvalgų ir verslo vertės. Populiariausios naudingos funkcijos yra šios:

Kanalo indėlio analizė.
KPI prognozės.
Saturation kreivės.
Biudžeto optimizavimas.

Kanalo indėlio analizė

Pagal modelį galima nustatyti kiekvieno žiniasklaidos kanalo koeficientus, atspindinčius kiekvieno iš jų poveikį tiksliniam KPI (pardavimams). Koeficientus galima normalizuoti į procentus, o modelio patikimumą galima pavaizduoti vertikalia linija (kuo ilgesnė linija - tuo mažiau mūsų modelis yra įsitikinęs tam tikra prognoze). Turėdamas šią informaciją, klientas gali matyti didžiausią ir mažiausią indėlį turinčius veiksnius su atitinkamu patikimumu.

Pavyzdys: "Google", el. paštas ir partnerių kanalai yra didžiausi, tačiau jų patikimumas yra mažesnis. Article_Released yra mažiausias įnašas su didžiausiu pasitikėjimu.

KPI prognozės

Be to, modelis gali naudoti išskirtus koeficientus būsimiems pardavimams prognozuoti. Tai gali būti naudinga, jei klientas yra suplanavęs rinkodaros strategiją, kurią ketina naudoti ateityje, ir nori sužinoti, kokius potencialius pardavimus ji galėtų atnešti.

Pavyzdys: Modelis gali gerai prognozuoti būsimus pardavimus (R2 > 0,9 ir MAPE < 10 % būtų idealus rezultatas).

Saturation kreivės

Ši funkcija, ko gero, yra geriausia (verslo vertės požiūriu), nes ji aiškiai parodo klientui, kaip kiekvienas kanalas prisidėtų prie pardavimų, jei padidintume arba sumažintume kanalo išlaidas (arba parodymus). Ji gali užtikrintai nurodyti ir tuos kanalus, į kuriuos verta toliau investuoti, ir tuos, kurių būtų naudinga atsisakyti.

Pavyzdys: Šiuo metu daugiausia lėšų skiria "Google" ir el. pašto kanalai, pažymėti brūkšnine linija. Jei išlaidas padidintume 1,5 karto (žr. δ = 1,5), šie kanalai vis tiek duotų didelę grąžą, o kitų 3 kanalų indėlis praktiškai nesikeistų.

Biudžeto optimizavimas

Galiausiai, biudžeto optimizavimo priemonė gali padėti efektyviam planuojamo biudžeto optimizavimui. Remdamasis gautais įnašais ir prisotinimo kreivėmis, optimizatorius gali perskirstyti biudžetą tarp kanalų, kad būtų pasiektas didžiausias KPI (pardavimai).

Pavyzdys: "Facebook" biudžetas buvo sumažintas ir daugiausia perskirstytas kanalams "Google" ir "Overall_Views". Šis veiksmas padidino prognozuojamus pardavimus 70 000 eurų.

Sėkmingai apžvelgėme pagrindines rinkodaros mišinių modelių sąvokas, jų naudojimo galimybes, duomenų reikalavimus, turimus įrankius ir bendrus patarimus bei gudrybes.

Ar jums reikia pagalbos rengiant rinkodaros mišinio modelį? Kreipkitės į mūsų komandą ir mes rasime jums geriausią sprendimą.

Rinkodaros mišinių modeliai (MMMs): išsami apžvalga

Apribojimų pavertimas galimybėmis: anomalijų aptikimas be priežiūros

LLM (didžiųjų kalbos modelių) naudojimas programavimui