Mi az a médiamix-modellezés, és miért térnek vissza hozzá a marketingesek?

Bevezető

Valószínűleg észrevetted, hogy az utóbbi időben valami furcsa dolog történik a hírfolyamodban.

Egy évtizedekkel ezelőtti mérési módszer hirtelen újra mindenhol felbukkant. Az emberek konferenciák nyitóelőadásaiban beszélnek róla. Az ügynökségek minden prezentációjukban felvetik. És nem, ez nem nosztalgia.

A médiamix-modellezésről van szó. Ha marketingvezető vagy, vagy egy kis- és közepes méretű csapatokat irányító ügynökséget vezetsz, meg kell értened, miért tért vissza ez a módszer, és miért fontosabb most, mint öt évvel ezelőtt.

Mi is valójában a médiakeverék-modellezés?

A médiakeverék-modellezés, amelyet gyakran MMM-nek rövidítenek, egy statisztikai technika.

A korábbi adataidat vizsgálja: a kiadásokat, az eladásokat, a szezonalitást, az árazást és egyéb külső tényezőket. Ezután becsüli meg, hogy az egyes csatornák valójában mennyivel járultak hozzá az eredményeidhez.

Itt van az a rész, ami megkülönbözteti a legtöbb modern nyomonkövetési módszertől. Nem követi az egyes felhasználókat az interneten. Ehelyett összesített adatok alapján működik. A teljes bevétel, a teljes eredmény, és a kettő közötti mintázatok.

Pontosan ez az egyetlen részlet az oka annak, hogy újra népszerűvé válik.

Miért épp most tér vissza?

Egyre nehezebb megbízni a cookie-kban. Az adatvédelmi szabályok egyre szigorodnak. És sok olyan nyomonkövetési módszer, amelyre a marketingesek évekig támaszkodtak, csendben már nem működik olyan jól, mint régen.

Az eMarketer által közzétett TransUnion-felmérés szerint az amerikai márkák és ügynökségek marketingeseinek közel fele, 46,9 százaléka tervezi, hogy a következő évben befektet az MMM-be. 27,6 százalékuk pedig ma már ezt tartja a legmegbízhatóbb mérési módszernek, megelőzve a 19,4 százalékos multi-touch attribúciót.

Ez nem csekély változás. A marketingesek nyíltan kijelentik, hogy a régi stratégia önmagában már nem elég megbízható.

Az eMarketer és a Snap egy másik felmérése szerint az amerikai marketingesek több mint fele, 53,5 százaléka már valamilyen formában alkalmazza az MMM-et. Az MMM-folyamat gyorsítását pedig a legfontosabb mérési prioritásuknak tartják.

Nem csak a képzeleted játszik veled. Ez a tendencia valós, és egyre gyorsul.

Egy egyszerű médiakeverék-példa

Tegyük ezt kevésbé elvonttá.

Tegyük fel, hogy egyszerre futtat fizetett keresőhirdetést, fizetett közösségi hirdetést és országos rádiókampányt. Az eladások ebben az időszakban emelkednek. Az egyszerű attribúció a legtöbb érdemet a fizetett keresőhirdetésnek tulajdoníthatná, mert ez az a csatorna, amelynek a legpontosabb kattintási adatai vannak.

Az MMM azonban a teljes képet veszi figyelembe. Kiderülhet belőle, hogy valójában a rádió járult hozzá jelentősen a márkaismertség növeléséhez, ami miatt a fizetett keresés egyáltalán ilyen jól teljesített. A rádió nélkül a fizetett keresés közel sem lett volna ennyire hatékony a konverziók tekintetében.

Ez az a fajta betekintés, amelyet a médiakeverék-elemzés tár fel, és amelyet a csatornaszintű jelentések egyszerűen nem tudnak. Megmutatja, hogyan működnek együtt a csatornák, nem csak azt, hogy melyik kapja az utolsó kattintást.

Modern médiakeverék-modellezési technikák

Az a MMM, amelyet az Ön iparága tíz évvel ezelőtt használt, és a ma elérhető MMM nem ugyanaz az eszköz, csak új névvel.

A régebbi modellek nagymértékben támaszkodtak a statikus regresszióra, amelyet – ha szerencséje volt – évente egyszer frissítettek. A modern médiakeverék-modellezési technikák bayesi módszereket alkalmaznak, amelyek az eredmények teljes skáláját és a konfidenciaszintet adják vissza, nem pedig csak egy számot, amely bizonyosságnak tűnik.

Ezenkívül sokkal gyakrabban frissülnek. Az OptiMine kutatása szerint a modell pontossága 10–35 százalékkal vagy annál is többel romolhat, ha nem frissítik rendszeresen. A tavalyi piaci feltételekre épülő modell észrevétlenül félrevezethet az egész negyedév során, anélkül, hogy bárki is észrevenné.

A jelenlegi legjobb megközelítés három dolgot ötvöz. Az MMM-et az átfogó kép megszerzéséhez. Az inkrementális tesztelést annak ellenőrzésére, hogy mi is az, ami valóban ok-okozati összefüggésben áll. És a platform-attribúciót a taktikai, pillanatnyi jelekhez. A Measured szerint azok a márkák, amelyek ennek a megközelítésnek egy validált, ok-okozati összefüggések szerint kalibrált változatát alkalmazzák, általában az első év során 10–30 százalékos növekedést tapasztalnak a médiahatékonyság terén.

Hogyan illeszkedik ez a tényleges munkafolyamatába

Mindez nem számít, ha csak egy újabb statikus PDF-fájl lesz belőle, amely a következő negyedévig a megosztott meghajtón porosodik.

Itt kell a médiakeverék-optimalizálásnak közvetlenül beépülnie a csapatod tényleges munkamódszerébe. A negyedéves marketing-ütemtervednek azt kell tükröznie, amit a modell jelenleg mond neked, nem pedig azt, amit hat hónappal ezelőtt mondott. A költségvetési döntéseknek a modell frissüléseivel azonos sebességgel kell történniük, nem pedig a következő ütemezett felülvizsgálatra kell várniuk.

Itt jönnek képbe az aktív médiavásárlás és az aktív weboldal-merchandising is. Amikor az MMM-eredményei közvetlenül olyan rendszerekbe kerülnek, amelyek szinte valós időben képesek átcsoportosítani a költségvetést vagy módosítani a merchandisinget, a modell már nem csupán egy jelentés. A döntéshozatal aktív részévé válik.

Miért nem szabad ezt kizárólag táblázatkezelő programokkal végezni

A megfelelő MMM kézzel történő futtatása valóban nehéz feladat. Tiszta historikus adatokra, valódi statisztikai szakértelemre és folyamatos frissítésre van szükség a pontosság fenntartásához.

A legtöbb belső csapatnak nincs erre kapacitása. A Funnel és a Ravn Research felmérése szerint a vállalaton belüli marketingcsapatok csupán körülbelül egynegyede kezeli az MMM-et teljes egészében saját erőből.

Pontosan ezt a hiányosságot hivatott pótolni egy megfelelő marketingintelligencia-platform. Ahelyett, hogy egy külső szolgáltatótól érkező éves modellre várna, folyamatosan frissülő médiakeverék-elemzést kap, amely összekapcsolódik a többi teljesítmény- és bevételi adattal, így valóban alapul szolgál a döntésekhez, ahelyett, hogy csak utólag dokumentálná azokat.

Következtetés

A médiakeverék-modellezés nem azért tért vissza, mert a marketingesek nosztalgikusan ragaszkodnának a régi technikákhoz.

Azért tért vissza, mert az adatvédelmi változások tönkretették az alternatív megoldást, és mert a mesterséges intelligencia végre elég gyorssá tette ahhoz, hogy azonnal hasznos legyen, nem pedig csak évente egyszer.

Ha még mindig kizárólag az utolsó kattintás alapján történő attribúcióra támaszkodik, akkor nem látja a teljes képet. És minden negyedév, amíg ezt nem orvosolja, egy olyan negyedév, amikor a költségvetési döntéseket hiányos információk alapján hozzák meg.