Pazarlama karması modelleme (MMM) daha erişilebilir hale geliyor, ancak başlamak hâlâ zorlu bir süreç.
MMM'nin benimsenmesine ilişkin birkaç konuşmadan sonra aynı sorunun sürekli sorulduğunu fark ettim: "MMM kavramına inanıyoruz ancak nasıl başlayacağımızı bilmiyoruz."
Bunun yanıtı, uygulanabilir açık kaynak platformlarının giriş engelini önemli ölçüde azaltmış olmasıdır. Güvenilir, uygulanabilir sonuçlar üretmek için gereken uzmanlık düzeyini düşürmediler.
Açık kaynaklı MMM başlangıç noktasını değiştirdi
MMM'nin benimsenmesi hızlanıyor.ABD'li pazarlamacıların neredeyse yarısı (%46,9)önümüzdeki yıl MMM'ye daha fazla yatırım yapacaklarını belirterek, MMM'yi en güvenilir ölçüm metodolojisi (%27,6) olarak sıraladılar.
MMM'deki açık kaynak devrimi gerçektir. Üç üretim sınıfı kitaplık artık tüm metodolojik yelpazeyi kapsıyor:
- Robyn (Meta, R):Nevergrad, Pareto sınır modeli seçimi ve yerleşik ayrıştırma ve yanıt eğrisi grafikleri aracılığıyla otomatik hiperparametre araması — en ulaşılabilir giriş noktası. Son derece özelleştirilebilir olduğundan en çok kullandığım şey bu.
- Meridian (Google, Python/TensorFlow):Coğrafi düzeyde öncelikler ve ilkeli belirsizlik ölçümü ile Bayes çıkarımı - daha dik bir öğrenme eğrisi ile daha titiz.
- PyMC-Pazarlama (PyMC Labs, Python):Akademik düzeydeki Bayesian MMM'ye en yakın tam olasılıksal modeli sunan en esnek seçenek; ancak aynı zamanda en yüksek düzeyde istatistiksel akıcılık gerektirir.
Bu nesil araçlar, eskiden MMM'ye giden tek yol olan 150.000 ila 500.000 ABD Doları arasındaki danışmanlık kapısını ortadan kaldırdı. R veya Python uzmanlığına ve nispeten temiz geçmiş verilere sahip herhangi bir ekip artık bir modeli kendi bünyesinde çalıştırabilir.
MMM'yi keşfedenlerle yapacağınız herhangi bir konuşmada açıkça belirtmeye değer temel uyarı şudur: "Ücretsiz araç", "serbest model" anlamına gelmez. Yazılım ücretsizdir. Sürecin çok önemli bir parçası olan, doğru şekilde yapılandırmak için gereken alan uzmanlığı gerekli değildir.
Rakiplerinizin ücretli arama başarısını artıran anahtar kelimeleri, reklamları, açılış sayfalarını ve stratejileri ortaya çıkarın ve onları geride bırakmak için bir sonraki fırsatı bulun.
İlginç bir güç dinamiğine sahip kalabalık bir satıcı ortamı
Açık kaynaklı MMM üzerine inşa edilen SaaS katmanı hızla çoğaldı. Birkaç katmanı ayırt etmeye değer.
Veri katmanına öncelik veren satıcılar
Rockerbox ve Northbeam gibi platformlar ilişkilendirme ve veri toplama platformları olarak başladı, ardından MMM'yi ekledi. Avantajları, modelleme derinliği veya özelleştirme değil, veri hatları ve hızdır.
Ölçüm öncelikli satıcılar
Measured, Analytic Partners, Ekimetrics ve Nielsen Gracenote gibi platformlar, kurumsal düzeyde yeteneklerle daha yüksek bir fiyat noktasında daha titiz modelleme sunar.
Google Meridian ve GA360
Bir noktayı belirtmekte fayda var. Google'ın Meridian'ı açık kaynak olarak kullanması, alana cömert bir katkıydı ve aynı zamanda stratejik bir katkıydı. Duvarlarla çevrili bir bahçe, kendi kanallarını değerlendirmek için kullanılan ölçüm metodolojisini finanse ettiğinde ve paketlediğinde, şeffaf kodla bile model öncelikleri ve varsayılan varsayımlar hakkında sağlıklı şüpheciliği sürdürmek faydalı olacaktır.
Satıcıları değerlendirirken pratik soru şudur: Veri katmanınızın sahibi kimdir ve bu, modelleme katmanında çatışmalara neden olur mu?
Zorluk 1: Veri erişimi sessiz MMM katilidir
Bu, en az takdir edilen uygulama engelleyicisidir ve nadiren hak ettiği ilgiyi görür. İyi tanımlanmış bir MMM'nin aşağıdakilere ihtiyacı vardır:
- Temel olarak iki ila üç yıllık haftalık veriler; en az iki tam sezonluk döngüyü ve anlamlı bir harcama varyasyonu aralığını yakalamaya yeterlidir.
- Kanal düzeyinde tutarlı harcama ayrıntı düzeyi — yalnızca "dijital" değil, aynı zamanda arama, sosyal, görüntülü reklam ve videonun ayrı ayrı bölünmüş hali.
- Çevrimdışı kanallar (genellikle farklı sistemlerde bulunan TV, OOH, radyo, etkinlikler, doğrudan posta) farklı ekiplere aittir ve genellikle uyumsuz zaman ayrıntılarını kullanır.
- Dış ortak değişkenler — makro göstergeler, rakip faaliyetleri, fiyatlandırma verileri ve ürün lansman takvimleri.
- Özellikle B2B için, daha uzun satış döngüleri ve daha düşük dönüşüm hacimleri, veri gereksinimlerini daha da zorlu hale getiriyor. Çoğunlukla daha fazla geçmişe ihtiyaç duyarsınız.
Uygulamada çoğu MMM projesini engelleyen şey, model oluşturma öncesinde yapılan altı haftalık veri arkeolojisi çalışmasıdır. Finans gelirin sahibidir. Marka ekibi TV'nin sahibidir. Ajans dijital harcamanın sahibidir. Birisinin 2021'de oluşturduğu elektronik tablo, ticari promosyonların tek kaydıdır.
Model yalnızca kendisinden önceki veri arkeolojisi kadar iyidir ve satıcı demosunda bunu size kimse söylemez.
Zorluk 2: Hala kolları sıvamanız gerekiyor
Yapay zeka asistanları sözdizimi engelini önemli ölçüde azalttı. Bir Robyn çalışmasının iskelesini oluşturabilir, bir Meridian yapılandırması oluşturabilir veya bir PyMC modelinde hata ayıklamaya yardımcı olabilirler. Henüz yapamadıkları şey, bir MMM'yi güvenilir kılan karar çağrılarını yönlendirmek:
- Yüzlerce model çözümden oluşan Pareto sınırında nerede duracağınızı seçin (NRMSE ve DECOMP.RSSD değişimleri).
- Nevergrad'ın optimize edicisinin ne zaman anlamlı bir şekilde birleştiğini ve yerel bir minimum seviyeye indiğini öğrenin.
- Gerçekçi kanal dinamiklerine uyacak şekilde reklam stoğu dönüştürme parametrelerini (Weibull şekli/ölçeği, geometrik bozulma) yapılandırın.
- Bir modelin neden bir kanala mantıksız bir katkı atadığını ve bunun bir öncelik, veri düzeltme veya değişken hariç tutma ile ele alınıp alınmayacağını teşhis edin.
Başka bir deyişle,titreşim kodlamasıMMM'ye giden yol, işe yarıyor gibi görünen ancak anlayamayacağınız açılardan yanlış olan bir model üretecektir. Senaryo yazmak işin zor kısmı değil. Çıktıyı doğrulamak için gereken etki alanı uzmanlığı, MMM'nizi kalibre etmek için kanala özel artımlılık deneyleri yapmayı içerir.
3. Zorluk: İnsan uzmanlığı katmanı isteğe bağlı değildir
Araçlar, yapay zekanın yetkin bir varsayılan MMM'yi çalıştırabileceği noktaya kadar olgunlaştığında bile, yeri doldurulamaz insan katkısı, iş bağlamının kodlanmasıdır; hiçbir modelin yalnızca verilerden çıkaramayacağı şeyler:
- Adstock ve aktarım bağlamı:TV satın alımınızın dört haftalık bir devri var. Ücretli aramanızın üç günlük bir aktarımı var. Marka bilinirliği kampanyanızda aylar süren bir bozulma var. Bu bilgi verilerde bulunmaz. Bu, kanal uzmanlarının aklındadır.
- Doygunluk eğrisi şekli:Bir kanalı bilmek, muhtemelen model size bunu söylemeden önce azalan getirilere yaklaşıyor ve model aksini önerdiğinde sonuçları sorgulamak anlamına geliyor.
- Korkuluklar ve anomali yönetimi:COVID çukurları, ürün lansmanları, fiyat değişimleri ve makro aksaklıklar gibi faktörlerin açıkça modellenmesi veya yapısal kırılmalar olarak işaretlenmesi gerekir. Yapay zeka, müşterinizin 2022'nin 3. çeyreğinde fiyat krizi yaşadığını bilmiyor.
- Yorumlamanın doğruluk kontrolleri:TV'ye 2 milyon dolar harcayan bir marka için %40'lık modellenmiş bir TV katkısı "yanlış gelebilir" ve soruşturma gerektirebilir. Bu sezgi hesaplanmaz, kazanılır.
- Organizasyonel çeviri:Bir CMO ve CFO'nun harekete geçeceği terimlerle arama bütçesinin %15'inin CTV'ye kaydırılmasını neden önerdiğini açıklayamazsanız, teknik açıdan en doğru modelin hiçbir değeri yoktur.
Bir model oluşturmadan önce temelleri atın
Başlamak için en iyi yer, modeli beslemek için hangi verilere ihtiyacınız olduğunu ve bu verileri bağlamsallaştırmaya ve etkili pazarlama kararlarına dönüştürmeye kimin yardımcı olması gerektiğini anlamaktır. İkisi de kolay ya da hızlı değildir; ancak ister açık kaynaklı ister abonelik tabanlı bir platform seçin, modelinizden anlamlı bilgiler elde etmek istiyorsanız her ikisi de önemlidir.
Pratik bir ilk adım,Robyn'in demo komut dosyasını indirin ve deneyinKendi verilerinize uygulamadan önce örnek verilerle.
