Mis on meediakombinatsiooni modelleerimine ja miks pöörduvad turundajad selle juurde tagasi?

Sissejuhatus

Olete ilmselt märganud, et viimasel ajal on teie uudisvoos toimunud midagi kummalist.

Mõõtmismeetod, mis pärineb aastakümnete tagant, on äkki jälle kõikjal. Inimesed räägivad sellest konverentside avakõnedes. Agentuurid tutvustavad seda igas esitluses. Ja ei, see pole nostalgia.

Tegemist on meediamixi modelleerimisega. Ja kui olete turundusjuht või juhite agentuuri, kus töötavad väikesed ja keskmise suurusega meeskonnad, peate mõistma, miks see on tagasi tulnud ja miks on see praegu olulisem kui viis aastat tagasi.

Mis on meediamixi modelleerimine tegelikult

Meediamixi modelleerimine, mida sageli lühendatakse MMM-iks, on statistiline meetod.

See analüüsib teie varasemaid andmeid: kulutusi, müüki, hooajalisust, hinnakujundust ja muid väliseid tegureid. Seejärel hindab see, kui palju iga kanal tegelikult teie tulemustele kaasa aitas.

Siin ongi see, mis eristab seda enamikust tänapäevastest jälgimismeetoditest. See ei jälgi üksikuid kasutajaid internetis. Selle asemel töötab see koondandmetega. Kogukulutused sisse, kogutulemused välja, vahepealsed mustrid välja selgitatud.

Just see üks detail ongi põhjus, miks see meetod on taas populaarsust kogumas.

Miks see just praegu taas populaarsust kogub

Küpsistele on üha raskem tugineda. Andmekaitse-eeskirjad on muutunud üha rangemaks. Ja paljud jälgimissüsteemid, millele turundajad aastaid toetusid, lakkasid vaikselt toimimast nii hästi kui varem.

eMarketeri poolt avaldatud TransUnioni uuringu kohaselt kavatseb peaaegu pool USA brändide ja agentuuride turundajatest, 46,9 protsenti, järgmise aasta jooksul investeerida MMM-i. Ja 27,6 protsenti nimetab seda nüüd oma kõige usaldusväärsemaks mõõtmismeetodiks, edestades 19,4 protsendiga mitmekontaktilist atribuutsiooni.

See ei ole väike muutus. See tähendab, et turundajad tunnistavad avalikult, et vanad meetodid ei ole enam iseenesest piisavalt usaldusväärsed.

Teine eMarketeri ja Snapi uuring näitas, et üle poole USA turundajatest, 53,5 protsenti, kasutab MMM-i juba mingil kujul. Nende peamiseks mõõtmise prioriteediks oli MMM-protsessi kiiruse parandamine.

See trend ei ole teie kujutlusvõime vili. See on reaalne ja kiireneb.

Lihtne meediakombinatsiooni näide

Tehkem see veidi vähem abstraktseks.

Oletame, et te korraldate samaaegselt tasulist otsingut, tasulist sotsiaalmeediat ja riiklikku raadiokampaaniat. Selle aja jooksul suureneb teie müük. Lihtne atribuutsioon võib suurema osa tunnustust omistada tasulisele otsingule, sest see on kanal, mille klõpsuandmed on kõige selgemad.

Kuid MMM vaatab tervikpilti. See võib paljastada, et tegelikult oli just raadio see, mis tõi kaasa suure osa bränditeadlikkusest, mis tegi teie tasulise otsingureklaami üldse nii tulemuslikuks. Ilma raadio abita ei oleks tasuline otsingureklaam toonud ligilähedaseltki nii tõhusaid tulemusi.

Just selliseid järeldusi toob esile meediakombinatsiooni analüüs, mida kanalipõhine aruandlus lihtsalt ei suuda. See näitab, kuidas kanalid koos toimivad, mitte ainult seda, milline neist saab viimase klõpsu.

Kaasaegsed meediakombinatsiooni modelleerimise tehnikad

MMM, mida teie valdkonnas kümme aastat tagasi kasutati, ja tänapäeval kättesaadav MMM ei ole sama tööriist, millele on antud uus nimi.

Vanemad mudelid toetusid tugevalt staatilisele regressioonile, mida uuendati õnnelikul juhul kord aastas. Kaasaegsed meediakombinatsiooni modelleerimise tehnikad kasutavad Bayesi meetodeid, mis annavad tulemuste täieliku skaala ja usaldusvahemiku, mitte ainult ühte numbrit, mis teeskleb kindlust.

Neid uuendatakse ka palju sagedamini. OptiMine’i uuringu kohaselt võib mudeli täpsus langeda 10–35 protsenti või isegi rohkem, kui seda regulaarselt ei uuendata. Eelmise aasta turutingimustel põhinev mudel võib teid kogu kvartali vältel märkamatult eksitada, ilma et keegi seda märkaks.

Parim praegune lähenemisviis ühendab kolm asja. MMM üldpildi saamiseks. Inkrementaalsuse testimine, et kinnitada, mis on tegelikult põhjuslik. Ja platvormi atribuutsioon taktikaliste, hetkeliste signaalide jaoks. Measuredi andmetel näevad brändid, kes kasutavad selle lähenemisviisi valideeritud, põhjuslikult kalibreeritud versiooni, tavaliselt esimese aasta jooksul meediaefektiivsuse kasvu 10–30 protsenti.

Kuidas see sobib teie tegelikku töövoogu

Kõigel sellel pole mingit tähtsust, kui sellest saab lihtsalt järgmise kvartalini jagatud kettal seisva järjekordne staatiline PDF-fail.

Siin peab meediakombinatsiooni optimeerimine olema otseselt integreeritud teie meeskonna tegeliku tööviisiga. Teie kvartali turundustegevuse tegevuskava peaks kajastama seda, mida teie mudel teile praegu ütleb, mitte seda, mida see ütles kuus kuud tagasi. Eelarveotsused peaksid muutuma sama kiiresti kui mudel uueneb, mitte ootama järgmist kavandatud läbivaatamist.

Just siin hakkavad oluliseks muutuma agentne meediaost ja agentne veebisaidi turundus. Kui teie MMM-i väljund suunatakse otse süsteemidesse, mis suudavad eelarvet ümber paigutada või turundust peaaegu reaalajas kohandada, ei ole mudel enam lihtsalt aruanne. Sellest saab otsuste tegemise aktiivne osa.

Miks te ei peaks seda tegema ainult arvutustabelite abil

Korrektset MMM-i käsitsi teostamine on tõepoolest raske. Selle täpsuse säilitamiseks on vaja puhtaid ajaloolisi andmeid, tõelist statistikaalast asjatundlikkust ja pidevat uuendamist.

Enamikul ettevõttesisestel meeskondadel pole selleks piisavalt ressursse. Funnel ja Ravn Researchi uuringu kohaselt tegeleb vaid umbes veerand ettevõttesisestest turundusmeeskondadest oma MMM-iga täielikult iseseisvalt.

Just seda lünka ongi mõeldud täitma korralik turundusteabe platvorm. Selle asemel, et oodata väliselt tarnijalt iga-aastast mudelit, saate meediakombinatsiooni analüüsi, mis uueneb pidevalt ja on seotud teie ülejäänud tulemuslikkuse ja tulude andmetega, nii et see tegelikult toetab otsuste tegemist, mitte lihtsalt dokumenteerib neid tagantjärele.

Kokkuvõte

Meediamixi modelleerimine ei ole tagasi tulnud sellepärast, et turundajad tunneksid vanade meetodite järele igatsust.

See on tagasi, sest privaatsusmuudatused muutsid alternatiivi kasutuskõlbmatuks ja kuna tehisintellekt (AI) tegi selle lõpuks piisavalt kiireks, et olla kasulik hetkel, mitte kord aastas.

Kui te tuginete endiselt ainult viimase klõpsu atribuutsioonile, ei näe te tervikpilti. Ja iga kvartal, mil te selle parandamisega ootate, on kvartal, mil eelarveotsused tehakse puuduliku teabe põhjal.