Medya Karması Modellemesi
Medya karması modellemesi (MMM), zaman içindeki toplam harcama ve sonuç verilerini analiz ederek her pazarlama kanalının satışlara veya dönüşümlere katkısını tahmin eden istatistiksel bir yöntemdir.
Önemli noktalar
- Adstock taşınan etkiyi, doygunluk eğrileri ise ek harcamanın azalan getirisini modeller.
- Katsayılar yalnızca kanal harcaması geçmişte gerçekten değişkenlik gösterdiyse tahmin edilebilir.
- Çıktı, sonucu bir temel düzeye ve kanal başına katkılara ayırır.
- Sonraki bütçe kararını ortalama getiri değil, mevcut düzeydeki marjinal getiri yönlendirir.
- Toplulaştırılmış girdiler nedeniyle MMM tek tek kreatif, anahtar kelime veya kitle değerlendiremez.
Derinlemesine
MMM, genellikle haftalık satış ya da nitelikli lead gibi bir iş sonucunu; kanal başına harcama, fiyat, promosyon, dağıtım, mevsimsellik ve hava durumu veya rakip hareketleri gibi dış etkenlerden oluşan geçmiş veri sütunlarına karşı regresyona sokar. İşin büyük bölümünü iki dönüşüm yapar. Adstock, bir haftanın harcamasını sonraki haftalara yayarak reklamın yayından sonra da çalışmayı sürdürdüğünü temsil eder; doygunluk eğrisi ise her kanalın katkısını, ek harcama giderek daha az getirecek biçimde büker. Tahmin edilen katsayılar sonucu bir temel düzeye ve kanal başına katkılara ayırır.
Modelin kalitesini girdilerdeki değişkenlik belirler. Bir kanalın bütçesi iki yıl boyunca sabit kaldıysa modelin öğreneceği hiçbir şey yoktur ve ne kadar veri beslerseniz besleyin katsayısı oynak kalır. Bilinçli bütçe dalgalanmaları, kaydırmalı kampanya başlangıçları ve bölgesel farklar tanımlanabilirliği belirgin biçimde artırır. Ödünleşim ters yönde de işler: değişken sayısı arttıkça, birlikte hareket eden kanalların krediyi keyfi biçimde bölüşme riski büyür. Bu yüzden modelciler katsayıları öncüllerle sınırlar ya da her zaman birlikte hareket eden kanalları tek bir başlık altında birleştirmeyi tercih eder.
Ekipler tahmin edilen yanıt eğrilerini raporlamadan çok planlama için kullanır. Mevcut harcama düzeyindeki marjinal getiriyi kanal kanal okumak, bir sonraki bütçe biriminin nerede en çok kazandırdığını gösterir ve çeyreklik planlama tartışmasını bir aritmetik meselesine dönüştürür. Modellenecek sonucun seçimi ise bir yargı kararıdır: ham form doldurmaları modellemek ucuz trafiğin baskın çıkmasına yol açar; scorecard hunisinin puanladığı nitelikli lead'leri modellemek katsayıları gerçekten uygun adaylara bağlar ve eğriler bütçeyi salt hacim yerine gerçek pipeline'a doğru yönlendirir. Aradaki fark, aynı harcamanın kalitesini tamamen değiştirir.
MMM tasarımı gereği kabadır. Haftalık ya da aylık toplamlarla çalıştığı için hangi kreatifin, hangi kitlenin veya hangi anahtar kelimenin işe yaradığını söyleyemez ve iki haftalık bir testle ilgili soruyu yanıtlamaz. Tipik olarak iki üç yıllık tutarlı veri gerektirir; bu da genç şirketleri ve geçen çeyrek başlatılmış kanalları kapsam dışı bırakır. Yöntem korelasyona dayandığı için, modelden dışarıda bırakılan bir fiyat indirimi ya da dağıtım değişikliği, onunla rastlantısal olarak korele olan hangi kanal varsa onun katkısına yazılır ve o kanal hak etmediği bir başarıyla anılır.
Pratikte örnek
Nasıl ölçülür
Kanalları yargılamadan önce modeli yargılayın. En son birkaç ayı dışarıda bırakın, o dönemi tahmin ettirin ve tahminle gerçekleşeni karşılaştırın; hiç görmediği bir dönemi yeniden üretemeyen bir model bütçe belirlememelidir. Ayrıca artıkların zaman içinde bir örüntü göstermediğini ve medyayla açıklanmayan pay olan temel düzeyin, markanızın yaşı ve bilinirliği için makul bir büyüklükte olduğunu ayrıca kontrol edin.
Ardından kanal çıktılarını iki ayrı sayı olarak okuyun. Katkı, modelin dönem boyunca bir kanala atadığı sonuç payıdır; reklam harcamasının marjinal getirisi ise bugünkü düzeyde bir sonraki bütçe biriminin getireceği ek sonuçtur. Bir kanalın katkısı büyük, marjinal getirisi zayıf olabilir; bu tam olarak doygunluğa ulaşmış bir kanalın görüntüsüdür. Bu yüzden planlamayı marjinal getiri üzerinden yapın, yönetime raporlamayı ise katkı payı üzerinden kurun.
Sık yapılan hatalar
İlk hata, modele dekoratif bir harcama geçmişi vermektir. Her kanal sabit bir haftalık bütçeyle çalıştığında regresyon kanalları birbirinden ayıramaz ve neredeyse hiçbir bilgiye dayanmayan, kendinden emin görünen katsayılar üretir. Modeli kurmadan önce bütçeleri bölgeye ya da haftaya göre bilinçli olarak değiştirin; her promosyonu, fiyat değişikliğini ve site kesintisini kayda geçirin, çünkü kaydedilmeyen olaylar o sırada yayında olan kanalın katkısına yazılır.
İkinci hata, modeli bir ön kabul yerine kesin hüküm gibi okumaktır. Ekipler katsayısı düşük çıktı diye bir kanalı keser; oysa o kanalın kullanılabilir bir değişkenliği olup olmadığını ya da etkisinin modelleme penceresi dışına düşüp düşmediğini kontrol etmemiştir. Modeli sıralanmış hipotezler üretmek için kullanın, en büyük iki üç bütçe kaydırmasını taşımadan önce bir holdout testiyle doğrulayın ve modeli her çeyrek yeniden tahmin edin.
Sıkça sorulan sorular
Medya karması modellemesi atıfla nasıl farklılaşır?
Atıf, bireysel kullanıcı yolculuklarını izleyip temas noktalarına tıklama düzeyinde kredi verirken MMM zaman içindeki toplulaştırılmış harcama ve sonuç verileriyle çalışır. MMM gizlilik açısından dayanıklıdır ve tıklama temelli atfın kaçırdığı çevrimdışı ile marka etkilerini yakalar.
Medya karması modellemesi ne kadar veri gerektirir?
Başparmak kuralı olarak iki ila üç yıllık haftalık gözlem; böylece model birkaç mevsim döngüsünü ve kanalları ayırmaya yetecek bütçe hareketini görür. Harcamalar keskin biçimde değiştiyse ya da bölgesel veri gözlem sayısını çoğaltıyorsa daha kısa geçmişler de işe yarayabilir. Uzunluktan önemlisi değişkenliktir: uzun ama düz bir geçmiş neredeyse hiç kullanılabilir bilgi taşımaz.
MMM, çok temaslı ilişkilendirmeden daha mı iyidir?
İkisi farklı soruları yanıtlar. MMM toplulaştırılmış veriyle çalışır ve çevrimdışı, marka ve gizlilik kısıtlı kanalları kapsar, ama bireysel yolculukları göremez. Çok temaslı ilişkilendirme izlenen kullanıcıları ayrıntılı takip eder, ancak tanımlayıcı bulunmayan her yerde körleşir. Olgun ekipler ikisini periyodik holdout testleriyle birlikte yürütür ve sürekli çelişkiyi araştırılacak bir sinyal sayar.
MMM'de adstock nedir?
Adstock, bir dönemin reklam etkisini sonraki dönemlere yayan dönüşümdür ve bu hafta görülen bir reklamın gelecek ay dönüşüm üretebileceği gerçeğini yakalar. Bir sönüm oranıyla tanımlanır: yüksek oran etkinin hızla söndüğü, düşük oran ise uzun süre kaldığı anlamına gelir. Yanlış seçilmiş bir sönüm oranı, katkıyı hızlı ve yavaş kanallar arasında kaydırır.
Küçük bir şirket medya karması modellemesi yapabilir mi?
Mümkündür ama çoğu zaman emeğin en iyi kullanımı değildir. Az sayıda kanal, kısa geçmiş ve düşük haftalık hacimlerde modelin ayıracağı fazla bir şey yoktur ve güven aralıkları tahminleri yutar. Küçük ekipler genellikle her seferinde tek kanalda holdout testleriyle daha ileri gider ve harcama yeterince kanala yayıldığında MMM'ye geri döner.
Medya karması modeli ne sıklıkla yenilenmeli?
Yeni haftalar geldikçe çeyreklik olarak yeniden tahmin edin; iş yapısı değiştiğinde ise kurgunun kendisini baştan kurun: yeni bir fiyatlama modeli, yeni bir pazar ya da daha önce var olmayan bir kanal. İki yenileme arasında mevcut yanıt eğrileriyle plan yapabilirsiniz, ancak harcaması tarihsel aralığın çok dışına çıkmış kanalları kapsam dışı sayın.
MMM'deki temel düzey neyi temsil eder?
Temel düzey, modelin medyaya atfetmediği sonuç payıdır: marka gücünden, mevcut müşterilerden, dağıtımdan ve mevsimsellikten gelen talep. Çok büyük bir temel düzey, medyanın ekibin sandığından daha az iş gördüğüne ya da modelde eksik bir sürücü bulunduğuna işaret eder. Temel düzeyin yıllar içinde nasıl hareket ettiğini izlemek başlı başına bir marka inşası ölçüsüdür.