Apa Itu Pemodelan Media Mix, dan Mengapa Para Pemasar Kembali Menggunakannya?

Pendahuluan

Anda mungkin telah memperhatikan sesuatu yang aneh terjadi di feed Anda belakangan ini.

Metode pengukuran yang sudah ada sejak puluhan tahun lalu tiba-tiba muncul kembali di mana-mana. Orang-orang membicarakannya dalam pidato utama di konferensi. Agen-agen mempresentasikannya di setiap presentasi. Dan tidak, ini bukan sekadar nostalgia.

Ini adalah pemodelan media mix. Dan jika Anda adalah pemimpin pemasaran, atau mengelola agensi yang memimpin tim berukuran kecil hingga menengah, Anda perlu memahami mengapa metode ini kembali populer, dan mengapa hal ini lebih penting sekarang daripada lima tahun yang lalu.

Apa Sebenarnya Media Mix Modeling Itu

Pemodelan campuran media, yang sering disingkat MMM, adalah teknik statistik.

Teknik ini menganalisis data historis Anda. Pengeluaran, penjualan, musim, harga, dan faktor eksternal lainnya. Kemudian, teknik ini memperkirakan seberapa besar kontribusi masing-masing saluran terhadap hasil Anda.

Inilah bagian yang membedakannya dari sebagian besar pelacakan modern. Teknik ini tidak melacak pengguna individu di internet. Sebaliknya, teknik ini bekerja berdasarkan data agregat. Total pengeluaran masuk, total hasil keluar, dan pola yang diekstraksi di antaranya.

Detail tunggal itulah yang menjadi alasan mengapa teknik ini kembali populer.

Mengapa Teknik Ini Kembali Populer Saat Ini

Cookie semakin sulit diandalkan. Aturan privasi terus diperketat. Dan banyak sistem pelacakan yang selama bertahun-tahun diandalkan oleh para pemasar secara diam-diam tidak lagi berfungsi sebaik dulu.

Menurut survei TransUnion yang dilaporkan oleh eMarketer, hampir setengah dari pemasar merek dan agensi di AS, yaitu 46,9 persen, berencana berinvestasi dalam MMM selama setahun ke depan. Dan 27,6 persen kini menyebutnya sebagai metode pengukuran paling andal, mengungguli atribusi multi-touch yang hanya mencapai 19,4 persen.

Ini bukanlah perubahan kecil. Ini menunjukkan bahwa para pemasar secara terbuka mengakui bahwa strategi lama tidak lagi cukup dapat diandalkan jika digunakan sendiri.

Survei lain dari eMarketer dan Snap menemukan bahwa lebih dari setengah pemasar di AS, yaitu 53,5 persen, sudah menggunakan MMM dalam berbagai bentuk. Dan meningkatkan kecepatan proses MMM mereka menjadi prioritas utama dalam pengukuran.

Anda tidak salah mengartikan tren ini. Tren ini nyata, dan semakin cepat perkembangannya.

Contoh Media Mix yang Sederhana

Mari kita buat ini lebih konkret.

Misalkan Anda menjalankan kampanye pencarian berbayar, media sosial berbayar, dan kampanye radio nasional secara bersamaan. Penjualan Anda meningkat selama periode tersebut. Atribusi sederhana mungkin akan memberikan sebagian besar kredit kepada pencarian berbayar, karena itu adalah saluran dengan data klik yang paling jelas.

Namun, MMM melihat gambaran secara keseluruhan. Analisis ini mungkin mengungkapkan bahwa radio sebenarnya berkontribusi besar terhadap kesadaran merek yang membuat iklan pencarian berbayar Anda berkinerja sangat baik sejak awal. Tanpa radio, iklan pencarian berbayar tidak akan menghasilkan konversi yang seefisien itu.

Itulah jenis wawasan yang diungkap oleh analisis media mix, yang tidak dapat diberikan oleh pelaporan tingkat saluran. Analisis ini menunjukkan kepada Anda bagaimana saluran-saluran tersebut bekerja sama, bukan hanya saluran mana yang mendapatkan klik terakhir.

Teknik Pemodelan Campuran Media Modern

MMM yang digunakan industri Anda sepuluh tahun lalu dan MMM yang tersedia saat ini bukanlah alat yang sama dengan nama baru.

Model lama sangat bergantung pada regresi statis, yang diperbarui setahun sekali jika Anda beruntung. Teknik pemodelan campuran media modern menggunakan metode Bayesian yang menghasilkan rentang hasil lengkap beserta tingkat kepercayaan, bukan sekadar satu angka yang seolah-olah pasti.

Model-model ini juga diperbarui jauh lebih sering. Menurut penelitian dari OptiMine, akurasi model dapat menurun sebesar 10 hingga 35 persen atau lebih jika tidak diperbarui secara teratur. Model yang dibangun berdasarkan kondisi pasar tahun lalu dapat secara diam-diam menyesatkan Anda sepanjang kuartal tanpa ada yang menyadarinya.

Pendekatan terbaik saat ini menggabungkan tiga hal. MMM untuk gambaran besar. Pengujian inkrementalitas untuk memvalidasi apa yang sebenarnya bersifat kausal. Dan atribusi platform untuk sinyal taktis dan real-time. Menurut Measured, merek yang menggunakan versi pendekatan ini yang telah divalidasi dan dikalibrasi secara kausal biasanya melihat peningkatan efisiensi media sebesar 10 hingga 30 persen dalam tahun pertama.

Di Mana Hal Ini Cocok dengan Alur Kerja Anda yang Sebenarnya

Semua ini tidak akan berarti apa-apa jika hanya menjadi PDF statis lain yang tersimpan di drive bersama hingga kuartal berikutnya.

Di sinilah optimasi campuran media perlu terintegrasi langsung ke dalam cara tim Anda bekerja. Peta jalan pemasaran triwulanan Anda harus mencerminkan apa yang dikatakan model Anda saat ini, bukan apa yang dikatakan enam bulan lalu. Keputusan anggaran harus bergerak secepat pembaruan model, bukan menunggu tinjauan terjadwal berikutnya.

Di sinilah pembelian media yang proaktif dan pemasaran situs web yang proaktif mulai berperan penting. Ketika hasil MMM Anda langsung dimasukkan ke dalam sistem yang dapat mengalihkan anggaran atau menyesuaikan pemasaran hampir secara real time, model tersebut tidak lagi sekadar laporan. Model tersebut menjadi bagian aktif dari proses pengambilan keputusan.

Mengapa Anda Tidak Seharusnya Melakukan Ini Hanya dengan Spreadsheet

Menjalankan MMM yang tepat secara manual memang sangat sulit. Dibutuhkan data historis yang bersih, keahlian statistik yang mumpuni, dan pembaruan terus-menerus agar tetap akurat.

Sebagian besar tim internal tidak memiliki kapasitas untuk itu. Menurut survei dari Funnel dan Ravn Research, hanya sekitar seperempat tim pemasaran internal yang menangani MMM mereka sepenuhnya sendiri.

Inilah celah yang dimaksudkan untuk diatasi oleh Platform Intelijen Pemasaran yang tepat. Alih-alih menunggu model tahunan dari vendor eksternal, Anda mendapatkan analisis campuran media yang terus diperbarui, terhubung dengan data kinerja dan pendapatan lainnya, sehingga benar-benar mendukung pengambilan keputusan, bukan sekadar mendokumentasikannya setelah fakta terjadi.

Kesimpulan

Pemodelan campuran media tidak kembali karena pemasar merindukan teknik-teknik lama.

Model ini kembali karena perubahan kebijakan privasi telah membuat alternatifnya tidak berfungsi, dan karena AI akhirnya membuatnya cukup cepat untuk digunakan secara real-time, bukan hanya sekali setahun.

Jika Anda masih mengandalkan atribusi klik terakhir saja, Anda tidak melihat gambaran lengkapnya. Dan setiap kuartal yang Anda tunda untuk memperbaikinya adalah kuartal di mana keputusan anggaran dibuat berdasarkan informasi yang tidak lengkap.