Hvad er mediemix-modellering, og hvorfor vender marketingfolk tilbage til den?

Indledning

Du har sikkert bemærket, at der er sket noget mærkeligt i dit feed på det seneste.

En målemetode fra for flere årtier siden er pludselig overalt igen. Folk taler om den i hovedtaler på konferencer. Bureauer præsenterer den i alle deres præsentationer. Og nej, det er ikke nostalgi.

Det er mediemixmodellering. Og hvis du er marketingchef eller leder et bureau med små til mellemstore teams, er det vigtigt, at du forstår, hvorfor den er tilbage, og hvorfor den er vigtigere nu end for fem år siden.

Hvad mediemixmodellering egentlig er

Medieblandingsmodellering, ofte forkortet til MMM, er en statistisk teknik.

Den ser på dine historiske data: udgifter, salg, sæsonudsving, priser og andre eksterne faktorer. Derefter estimerer den, hvor meget hver kanal faktisk har bidraget til dine resultater.

Her er det, der adskiller det fra de fleste moderne sporingsmetoder. Det følger ikke individuelle brugere rundt på internettet. I stedet arbejder det ud fra aggregerede data. Samlede udgifter ind, samlede resultater ud, mønstre udledt derimellem.

Netop denne ene detalje er grunden til, at metoden er på vej tilbage.

Hvorfor den er på vej tilbage lige nu

Det er blevet sværere at stole på cookies. Reglerne om privatliv er blevet strammet yderligere. Og en stor del af den tracking, som marketingfolk har støttet sig til i årevis, er stille og roligt holdt op med at fungere så godt som før.

Ifølge en TransUnion-undersøgelse, som eMarketer har rapporteret om, planlægger næsten halvdelen af de amerikanske brand- og agenturmarkedsførere – 46,9 procent – at investere i MMM i løbet af det kommende år. Og 27,6 procent kalder det nu deres mest pålidelige målemetode, foran multitouch-attribution, der ligger på 19,4 procent.

Det er ikke en ubetydelig ændring. Det er marketingfolk, der åbent siger, at den gamle strategi ikke længere er pålidelig nok i sig selv.

En anden undersøgelse fra eMarketer og Snap viste, at over halvdelen af de amerikanske marketingfolk, 53,5 procent, allerede bruger MMM i en eller anden form. Og at forbedre hastigheden i deres MMM-proces blev rangordnet som deres højeste prioritet inden for måling.

Du bilder dig ikke denne tendens ind. Den er reel, og den tager fart.

Et simpelt eksempel på en mediemix

Lad os gøre det lidt mindre abstrakt.

Lad os sige, at du kører betalt søgemarkedsføring, betalte sociale medier og en landsdækkende radiokampagne på samme tid. Dit salg stiger i den periode. En simpel attributionsmodel vil måske give det meste af æren til den betalte søgemarkedsføring, fordi det er den kanal med de mest entydige klikdata.

Men MMM ser på det samlede billede. Det kan afsløre, at radioen faktisk var med til at skabe en stor del af den brandbevidsthed, der i første omgang fik din betalte søgemarkedsføring til at præstere så godt. Uden radioen ville den betalte søgemarkedsføring ikke have konverteret nær så effektivt.

Det er den slags indsigt, som en mediemix-analyse afdækker, og som rapportering på kanalniveau simpelthen ikke kan. Den viser dig, hvordan kanalerne arbejder sammen, ikke bare hvilken der får det sidste klik.

Moderne teknikker til mediemix-modellering

Den MMM, din branche brugte for ti år siden, og den MMM, der er tilgængelig i dag, er ikke det samme værktøj med et nyt navn.

Ældre modeller var stærkt afhængige af statisk regression, der blev opdateret en gang om året, hvis man var heldig. Moderne teknikker til mediemixmodellering bruger bayesianske metoder, der giver et bredt spektrum af resultater og et konfidensniveau, ikke blot et enkelt tal, der foregiver at være sikkert.

De opdateres også langt oftere. Ifølge forskning fra OptiMine kan modellens nøjagtighed forringes med 10 til 35 procent eller mere, når den ikke opdateres regelmæssigt. En model, der er bygget på sidste års markedsforhold, kan stille og roligt vildlede dig hele kvartalet uden at nogen bemærker det.

Den bedste aktuelle tilgang kombinerer tre elementer. MMM for det overordnede overblik. Inkrementaltest for at validere, hvad der rent faktisk er årsagssammenhæng. Og platformattribution for taktiske, øjeblikkelige signaler. Ifølge Measured oplever brands, der bruger en valideret, kausalt kalibreret version af denne tilgang, typisk en stigning i medieeffektiviteten på 10 til 30 procent inden for det første år.

Hvor dette passer ind i din faktiske arbejdsgang

Intet af dette betyder noget, hvis det blot bliver endnu en statisk PDF, der ligger på et delt drev indtil næste kvartal.

Det er her, at optimering af mediemixet skal integreres direkte i den måde, dit team rent faktisk arbejder på. Din kvartalsvise marketingplan bør afspejle, hvad din model fortæller dig nu, ikke hvad den fortalte dig for seks måneder siden. Budgetbeslutninger bør træffes lige så hurtigt, som modellen opdateres, og ikke vente til den næste planlagte gennemgang.

Det er også her, at agentisk mediekøb og agentisk merchandising på hjemmesiden begynder at få betydning. Når resultaterne fra din MMM føres direkte ind i systemer, der kan omfordele budgettet eller justere merchandising næsten i realtid, ophører modellen med at være en rapport. Den bliver en aktiv del af beslutningsprocessen.

Hvorfor du ikke bør gøre dette udelukkende med regneark

Det er virkelig svært at køre ordentlig MMM manuelt. Det kræver rene historiske data, reel statistisk ekspertise og konstant opdatering for at forblive nøjagtig.

De fleste interne teams har ikke ressourcerne til det. Ifølge en undersøgelse fra Funnel og Ravn Research er det kun omkring en fjerdedel af de interne marketingteams, der håndterer deres MMM helt på egen hånd.

Det er netop det hul, som en ordentlig marketing intelligence-platform er bygget til at lukke. I stedet for at vente på en årlig model fra en ekstern leverandør får du en mediemix-analyse, der opdateres løbende og er forbundet med resten af dine præstations- og omsætningsdata, så den faktisk ligger til grund for beslutningerne i stedet for blot at dokumentere dem efterfølgende.

Konklusion

Medieblandingsmodellering er ikke tilbage, fordi marketingfolk er blevet nostalgiske over for gamle teknikker.

Den er tilbage, fordi ændringer i privatlivsreglerne har gjort alternativet ubrugeligt, og fordi AI endelig har gjort den hurtig nok til at være nyttig her og nu i stedet for en gang om året.

Hvis du stadig udelukkende stoler på last-click-attribution, ser du ikke det fulde billede. Og hvert kvartal, du venter med at rette op på det, er et kvartal, hvor budgetbeslutninger træffes på baggrund af et ufuldstændigt billede.