Kas yra žiniasklaidos derinio modeliavimas ir kodėl rinkodaros specialistai vėl prie jo grįžta?

Įvadas

Tikriausiai pastebėjote, kad pastaruoju metu jūsų naujienų sraute vyksta kažkas keisto.

Prieš kelis dešimtmečius naudotas vertinimo metodas staiga vėl tapo visur populiarus. Žmonės apie jį kalba konferencijų pranešimuose. Agentūros jį siūlo kiekvienoje prezentacijoje. Ir ne, tai ne nostalgija.

Tai – žiniasklaidos derinio modeliavimas. Jei esate rinkodaros vadovas arba vadovaujate agentūrai, kurioje dirba mažos ar vidutinio dydžio komandos, turite suprasti, kodėl jis vėl tapo aktualus ir kodėl dabar jis svarbus labiau nei prieš penkerius metus.

Kas iš tiesų yra žiniasklaidos derinio modeliavimas

Žiniasklaidos derinio modeliavimas, dažnai trumpinamas kaip MMM, yra statistinis metodas.

Ji analizuoja jūsų istorinius duomenis: išlaidas, pardavimus, sezoninius svyravimus, kainodarą ir kitus išorinius veiksnius. Tada ji įvertina, kiek kiekvienas kanalas iš tikrųjų prisidėjo prie jūsų rezultatų.

Štai kas jį skiria nuo daugumos šiuolaikinių sekimo metodų. Jis neseka atskirų vartotojų veiklos internete. Vietoj to jis remiasi suvestiniais duomenimis. Bendros išlaidos, bendri rezultatai, o tarp jų – išgauti dėsningumai.

Būtent dėl šios vienos detalės ji vėl tampa populiari.

Kodėl ji vėl tampa populiari būtent dabar

Tapo sunkiau pasikliauti slapukais. Privatumo taisyklės vis griežtėjo. O daugelis sekimo metodų, kuriais rinkodaros specialistai rėmėsi metų metus, tyliai nustojo veikti taip gerai, kaip anksčiau.

Remiantis „eMarketer“ paskelbta „TransUnion“ apklausa, beveik pusė JAV prekių ženklų ir agentūrų rinkodaros specialistų – 46,9 proc. – planuoja per ateinančius metus investuoti į MMM. O 27,6 proc. dabar jį vadina patikimiausiu vertinimo metodu, aplenkdami „multi-touch“ atribuciją, kurią pasirinko 19,4 proc.

Tai nėra nedidelis pokytis. Tai reiškia, kad rinkodaros specialistai atvirai pripažįsta, jog senasis metodas pats savaime nebėra pakankamai patikimas.

Kitas „eMarketer“ ir „Snap“ tyrimas parodė, kad daugiau nei pusė JAV rinkodaros specialistų (53,5 proc.) jau naudoja MMM vienu ar kitu būdu. O MMM proceso pagreitinimas buvo įvardytas kaip jų pagrindinis vertinimo prioritetas.

Jūs nesusikuriate šios tendencijos. Ji yra reali ir vis sparčiau plinta.

Paprastas žiniasklaidos derinio pavyzdys

Pabandykime tai pavaizduoti ne taip abstrakčiai.

Tarkime, kad tuo pačiu metu vykdote mokamą paiešką, mokamą reklamą socialiniuose tinkluose ir nacionalinę radijo kampaniją. Per tą laikotarpį jūsų pardavimai auga. Paprasta atribucija didžiąją dalį nuopelnų priskirtų mokamai paieškai, nes tai kanalas su aiškiausiais paspaudimų duomenimis.

Tačiau MMM vertina visą vaizdą. Ji gali atskleisti, kad radijas iš tikrųjų didžiąja dalimi skatino prekės ženklo žinomumą, dėl kurio jūsų mokama paieška iš pradžių pasiekė tokius gerus rezultatus. Be radijo, mokama paieška nebūtų konvertavusi net artimai taip efektyviai.

Būtent tokią įžvalgą atskleidžia žiniasklaidos derinio analizė, o ataskaitos tik kanalo lygmeniu to padaryti tiesiog negali. Ji parodo, kaip kanalai veikia kartu, o ne tik tai, kuris iš jų gauna paskutinį paspaudimą.

Šiuolaikinės žiniasklaidos derinio modeliavimo technikos

MMM, kurį jūsų pramonės šaka naudojo prieš dešimt metų, ir šiandien prieinamas MMM nėra tas pats įrankis, tik pavadintas kitaip.

Senesni modeliai labai rėmėsi statine regresija, atnaujinama kartą per metus, jei pasisekdavo. Šiuolaikinės žiniasklaidos derinio modeliavimo technikos naudoja Bayeso metodus, kurie pateikia visą rezultatų spektrą ir pasikliovimo lygį, o ne tik vieną skaičių, kuris apsimeta esąs tikslus.

Be to, jie atnaujinami kur kas dažniau. Remiantis „OptiMine“ tyrimu, modelio tikslumas gali sumažėti nuo 10 iki 35 procentų ar net daugiau, jei jis nėra reguliariai atnaujinamas. Modelis, sukurtas remiantis praėjusių metų rinkos sąlygomis, gali tyliai klaidinti jus visą ketvirtį, niekam to nepastebint.

Geriausias dabartinis metodas apjungia tris dalykus. MMM – bendram vaizdui susidaryti. Inkrementinio poveikio testavimą, siekiant patvirtinti, kas iš tikrųjų yra priežastinis ryšys. Ir platformos atribuciją – taktiniams, momentiniams signalams gauti. Remiantis „Measured“ duomenimis, prekių ženklai, naudojantys patvirtintą, priežastiniu ryšiu kalibruotą šio metodo versiją, paprastai per pirmuosius metus pasiekia 10–30 procentų žiniasklaidos efektyvumo padidėjimą.

Kaip tai įtraukti į jūsų faktinį darbo srautą

Nė viena iš šių priemonių neturi reikšmės, jei tai tampa dar vienu statiniu PDF failu, kuris iki kito ketvirčio tiesiog guli bendrame diske.

Būtent čia žiniasklaidos derinio optimizavimas turi būti tiesiogiai integruotas į tai, kaip jūsų komanda iš tikrųjų dirba. Jūsų ketvirčio rinkodaros planas turėtų atspindėti tai, ką jums rodo modelis dabar, o ne tai, ką jis rodė prieš šešis mėnesius. Sprendimai dėl biudžeto turėtų būti priimami taip pat greitai, kaip atnaujinamas modelis, o ne laukti kito numatyto peržiūros etapo.

Būtent čia pradeda reikšti reikšmę aktyvus žiniasklaidos pirkimas ir aktyvus prekių pateikimas svetainėje. Kai jūsų MMM rezultatai tiesiogiai perduodami į sistemas, kurios gali beveik realiuoju laiku perskirstyti biudžetą ar pakoreguoti prekių pateikimą, modelis nustoja būti tik ataskaita. Jis tampa aktyvia sprendimų priėmimo proceso dalimi.

Kodėl neturėtumėte to daryti vien tik naudodami skaičiuoklės lenteles

Tinkamai atlikti MMM rankiniu būdu yra tikrai sunku. Tam reikia tvarkingų istorinių duomenų, tikros statistinės kompetencijos ir nuolatinio atnaujinimo, kad rezultatai išliktų tikslūs.

Dauguma vidinių komandų neturi tam pakankamai išteklių. Remiantis „Funnel“ ir „Ravn Research“ atliktu tyrimu, tik apie ketvirtadalis įmonių vidinių rinkodaros komandų MMM analizę atlieka visiškai savarankiškai.

Būtent šią spragą ir yra skirta užpildyti tinkama rinkodaros analitikos platforma. Vietoj to, kad lauktumėte metinio modelio iš išorės tiekėjo, gaunate nuolat atnaujinamą žiniasklaidos derinio analizę, susietą su kitais jūsų veiklos rezultatų ir pajamų duomenimis, todėl ji iš tikrųjų padeda priimti sprendimus, o ne tik juos dokumentuoja po to, kai jie jau priimti.

Išvada

Žiniasklaidos derinio modeliavimas sugrįžo ne todėl, kad rinkodaros specialistai ėmė nostalgija prisiminti senas technikas.

Ji grįžo, nes privatumo reikalavimų pokyčiai padarė alternatyvą nebeveiksmingą, o dirbtinis intelektas pagaliau padarė ją pakankamai greitą, kad būtų naudinga čia ir dabar, o ne tik kartą per metus.

Jei vis dar remiatės vien tik „paskutinio paspaudimo“ atribucija, nematote visos situacijos. Ir kiekvienas ketvirtis, kurį laukiate, kol tai ištaisysite, yra ketvirtis, per kurį biudžeto sprendimai priimami remiantis neišsamia informacija.