Mitä on mediamix-mallinnus, ja miksi markkinoijat ovat palanneet sen pariin?

Johdanto

Olet todennäköisesti huomannut, että syötteessäsi on viime aikoina tapahtunut jotain outoa.

Kymmeniä vuosia sitten käytetty mittausmenetelmä on yhtäkkiä jälleen kaikkialla. Ihmiset puhuvat siitä konferenssien pääpuheenvuoroissa. Mainostoimistot esittelevät sitä jokaisessa esityksessään. Eikä, kyse ei ole nostalgiasta.

Kyse on mediamix-mallinnuksesta. Ja jos olet markkinointijohtaja tai johdat mainostoimistoa, jossa on pieniä tai keskisuuria tiimejä, sinun on ymmärrettävä, miksi se on palannut ja miksi sillä on nyt enemmän merkitystä kuin viisi vuotta sitten.

Mitä mediamix-mallinnus oikeastaan on

Media mix -mallinnus, jota usein lyhennetään MMM:ksi, on tilastollinen menetelmä.

Siinä tarkastellaan historiallisia tietojasi: kulutusta, myyntiä, kausivaihteluita, hinnoittelua ja muita ulkoisia tekijöitä. Sen jälkeen se arvioi, kuinka paljon kukin kanava on tosiasiassa vaikuttanut tuloksiisi.

Tässä on se osa, joka erottaa sen useimmista nykyaikaisista seurantamenetelmistä. Se ei seuraa yksittäisiä käyttäjiä internetissä. Sen sijaan se toimii aggregoitujen tietojen pohjalta. Kokonaiskulut sisään, kokonaistulokset ulos, ja niiden väliltä poimitaan malleja.

Juuri tämä yksityiskohta on syy siihen, miksi se on tekemässä paluuta.

Miksi se on tekemässä paluuta juuri nyt

Evästeisiin on tullut yhä vaikeampaa luottaa. Tietosuojasäännöksiä on tiukennettu jatkuvasti. Ja suuri osa seurantamenetelmistä, joihin markkinoijat ovat vuosien ajan tukeutuneet, lakkasivat hiljaa toimimasta yhtä hyvin kuin ennen.

eMarketerin raportoiman TransUnionin tutkimuksen mukaan lähes puolet yhdysvaltalaisista brändi- ja toimistomarkkinoijista, 46,9 prosenttia, aikoo investoida MMM:ään seuraavan vuoden aikana. Ja 27,6 prosenttia pitää sitä nyt luotettavimpana mittausmenetelmänään, edellä monikosketusattribuutiota, jonka osuus on 19,4 prosenttia.

Kyseessä ei ole mikään pieni muutos. Markkinoijat sanovat avoimesti, että vanha toimintamalli ei enää yksinään ole riittävän luotettava.

Toinen eMarketerin ja Snapin tekemä tutkimus osoitti, että yli puolet yhdysvaltalaisista markkinoijista, 53,5 prosenttia, käyttää jo MMM:ää jossain muodossa. MMM-prosessin nopeuttaminen nousi heidän tärkeimmäksi mittaustavoitteekseen.

Et kuvittele tätä trendiä. Se on todellinen, ja se kiihtyy.

Yksinkertainen esimerkki mediayhdistelmästä

Tarkastellaan asiaa konkreettisemmin.

Oletetaan, että käytät samanaikaisesti maksettua hakukonemainontaa, maksettua sosiaalisen median mainontaa ja valtakunnallista radiokampanjaa. Myyntisi kasvaa tuona aikana. Yksinkertainen attribuutiomalli saattaisi antaa suurimman osan kunniasta maksulliselle hakukonemainonnalle, koska se on kanava, jolla on selkeimmät klikkausdata.

MMM tarkastelee kuitenkin kokonaiskuvaa. Se saattaa paljastaa, että radio itse asiassa lisäsi merkittävästi brändin tunnettuutta, minkä ansiosta maksettu hakukampanjasi suoriutui alun perin niin hyvin. Ilman radiota maksettu hakukampanja ei olisi tuottanut läheskään yhtä tehokkaasti tuloksia.

Tällaisia oivalluksia mediayhdistelmän analyysi tuo esiin tavalla, johon kanavakohtainen raportointi ei yksinkertaisesti pysty. Se osoittaa, miten kanavat toimivat yhdessä, eikä vain sitä, mikä kanava saa viimeisen klikkauksen.

Nykyaikaiset mediamix-mallinnustekniikat

MMM, jota alallasi käytettiin kymmenen vuotta sitten, ja nykyisin käytettävissä oleva MMM eivät ole sama työkalu, jolla on vain uusi nimi.

Vanhemmat mallit nojautuivat vahvasti staattiseen regressioon, jota päivitettiin kerran vuodessa, jos oli onnea. Nykyaikaiset mediayhdistelmän mallintamistekniikat käyttävät bayesilaisia menetelmiä, jotka tuottavat laajan valikoiman tuloksia ja luottamusvälin, eivätkä vain yhtä lukua, joka teeskentelee olevansa varma.

Ne päivitetään myös paljon useammin. OptiMinen tutkimuksen mukaan mallin tarkkuus voi heikentyä 10–35 prosenttia tai jopa enemmän, jos sitä ei päivitetä säännöllisesti. Viime vuoden markkinaolosuhteisiin perustuva malli voi huomaamatta johtaa sinua harhaan koko vuosineljänneksen ajan kenenkään huomaamatta.

Paras nykyinen lähestymistapa yhdistää kolme asiaa: MMM:n kokonaiskuvan saamiseksi, inkrementaalisuustestauksen todellisten syy-seuraussuhteiden vahvistamiseksi sekä alustokohtaisen attribuution taktisten, hetkellisten signaalien saamiseksi. Measuredin mukaan brändit, jotka käyttävät validoitua, syy-seuraussuhteiden mukaan kalibroitua versiota tästä lähestymistavasta, näkevät tyypillisesti 10–30 prosentin parannuksen mediatehokkuudessa jo ensimmäisen vuoden aikana.

Miten tämä sopii osaksi todellista työnkulkuasi

Tällä ei ole merkitystä, jos siitä tulee vain yksi staattinen PDF-tiedosto lisää, joka lojuu jaetulla levyllä seuraavaan vuosineljännekseen asti.

Tässä vaiheessa mediamixin optimoinnin on integroitava suoraan siihen, miten tiimisi todellisuudessa toimii. Neljännesvuosittaisen markkinointisuunnitelmasi tulisi heijastaa sitä, mitä malli kertoo sinulle nyt, ei sitä, mitä se kertoi kuusi kuukautta sitten. Budjettipäätökset tulisi tehdä yhtä nopeasti kuin malli päivittyy, eikä odottaa seuraavaa aikataulun mukaista tarkistusta.

Tässä vaiheessa myös agenttiohjattu mainosostaminen ja agenttiohjattu verkkosivuston markkinointi alkavat olla merkityksellisiä. Kun MMM-mallin tulokset syötetään suoraan järjestelmiin, jotka voivat siirtää budjettia tai säätää markkinointia lähes reaaliajassa, malli lakkaa olemasta pelkkä raportti. Siitä tulee aktiivinen osa päätöksentekoprosessia.

Miksi tätä ei kannata tehdä pelkästään taulukoilla

Oikeanlaisen MMM:n toteuttaminen käsin on todella vaikeaa. Se vaatii puhdasta historiatietoa, todellista tilastollista asiantuntemusta ja jatkuvaa päivittämistä, jotta tulokset pysyvät tarkkoina.

Useimmilla sisäisillä tiimeillä ei ole siihen riittävää kapasiteettia. Funnelin ja Ravn Researchin tutkimuksen mukaan vain noin neljännes sisäisistä markkinointitiimeistä hoitaa MMM-analyysinsä kokonaan itse.

Juuri tämän aukon täyttämiseksi on kehitetty asianmukainen markkinointitietojärjestelmä. Sen sijaan, että odottaisit ulkoiselta toimittajalta vuosittain laadittavaa mallia, saat jatkuvasti päivittyvän mediayhdistelmäanalyysin, joka on kytketty muihin suorituskyky- ja tulotietoihisi, joten se todella ohjaa päätöksiä sen sijaan, että se vain dokumentoisi niitä jälkikäteen.

Johtopäätös

Mediayhdistelmämallinnus ei ole palannut siksi, että markkinoijat olisivat alkaneet kaivata vanhoja tekniikoita.

Se on palannut, koska tietosuojamuutokset tekivät vaihtoehdosta toimimattoman ja koska tekoäly on vihdoin tehnyt siitä riittävän nopean, jotta sitä voidaan hyödyntää reaaliaikaisesti eikä vain kerran vuodessa.

Jos luotat edelleen pelkästään viimeisen klikkauksen attribuutioon, et näe koko kuvaa. Ja jokainen vuosineljännes, jonka odotat tämän korjaamista, on vuosineljännes, jonka budjettipäätökset tehdään puutteellisen tiedon perusteella.