Kas ir mediju kombinācijas modelēšana un kāpēc mārketinga speciālisti atkal pievēršas tai?

Ievads

Jūs droši vien esat pamanījuši, ka pēdējā laikā jūsu ziņu plūsmā notiek kaut kas dīvains.

Mērīšanas metode, kas tika izmantota pirms vairākiem gadu desmitiem, pēkšņi atkal ir visur. Cilvēki par to runā konferenču galvenajās runās. Aģentūras to iekļauj katrā prezentācijā. Un nē, tā nav nostalģija.

Tā ir mediju kombinācijas modelēšana. Un, ja esat mārketinga vadītājs vai vadāt aģentūru, kurā strādā mazas vai vidējas komandas, jums ir jāizprot, kāpēc tā ir atgriezusies un kāpēc tagad tai ir lielāka nozīme nekā pirms pieciem gadiem.

Kas īsti ir mediju kombinācijas modelēšana

Mediju kombinācijas modelēšana, ko bieži saīsina kā MMM, ir statistiska metode.

Tā analizē jūsu vēsturiskos datus: izdevumus, pārdošanas apjomus, sezonalitāti, cenu veidošanu un citus ārējos faktorus. Pēc tam tā aprēķina, cik lielā mērā katrs kanāls faktiski ir veicinājis jūsu rezultātus.

Šeit ir tas, kas to atšķir no lielākās daļas mūsdienu izsekošanas metožu. Tā neseko atsevišķiem lietotājiem internetā. Tā vietā tā darbojas, izmantojot apkopotus datus. Kopējie izdevumi ieejā, kopējie rezultāti izejā, un starp tiem tiek izvilkti modeļi.

Tieši šī viena detaļa ir iemesls, kāpēc tā atkal kļūst populāra.

Kāpēc tā atgriežas tieši tagad

Kuki kļuva mazāk uzticami. Privātuma noteikumi kļuva arvien stingrāki. Un daudzas izsekošanas metodes, uz kurām mārketinga speciālisti paļāvās gadiem ilgi, klusi pārstāja darboties tik labi kā agrāk.

Saskaņā ar eMarketer publicēto TransUnion aptauju gandrīz puse (46,9 %) ASV zīmolu un aģentūru mārketinga speciālistu plāno nākamā gada laikā investēt MMM. Un 27,6 % tagad to sauc par savu vienīgo visdrošāko mērīšanas metodi, apsteidzot daudzpunktu atribūciju (19,4 %).

Tā nav neliela izmaiņa. Tas nozīmē, ka mārketinga speciālisti atklāti atzīst, ka vecā pieeja vairs nav pietiekami uzticama pati par sevi.

Vēl viena eMarketer un Snap veikta aptauja atklāja, ka vairāk nekā puse ASV mārketinga speciālistu, proti, 53,5 %, jau kādā veidā izmanto MMM. Turklāt MMM procesa ātruma uzlabošana tika atzīta par viņu galveno prioritāti mērīšanas jomā.

Jūs neiedomājaties šo tendenci. Tā ir reāla, un tā kļūst arvien izteiktāka.

Vienkāršs mediju kombinācijas piemērs

Padarīsim to mazāk abstraktu.

Pieņemsim, ka jūs vienlaikus īstenojat maksas meklēšanas, maksas sociālo tīklu un valsts mēroga radio kampaņu. Šajā periodā jūsu pārdošanas apjomi pieaug. Vienkārša atribūcija varētu lielāko daļu nopelnu piedēvēt maksas meklēšanai, jo tas ir kanāls ar visprecīzākajiem klikšķu datiem.

Taču MMM aplūko situāciju kopumā. Tas varētu atklāt, ka tieši radio faktiski veicināja lielu daļu zīmola atpazīstamības, kas vispār ļāva jūsu maksas meklēšanai sniegt tik labus rezultātus. Bez radio maksas meklēšana nebūtu devusi ne tuvu tik efektīvu konversiju.

Tā ir tāda veida atziņa, ko atklāj mediju kombinācijas analīze, bet ko vienkārši nevar iegūt, izmantojot ziņojumus par atsevišķiem kanāliem. Tā parāda, kā kanāli darbojas kopā, nevis tikai to, kurš no tiem saņem pēdējo klikšķi.

Mūsdienīgas mediju kombinācijas modelēšanas metodes

MMM, ko jūsu nozare izmantoja pirms desmit gadiem, un šodien pieejamais MMM nav viens un tas pats rīks ar jaunu nosaukumu.

Vecākie modeļi lielā mērā balstījās uz statisko regresiju, ko, ja paveicās, atjaunināja reizi gadā. Mūsdienu mediju kombinācijas modelēšanas metodes izmanto Bajes metodes, kas sniedz pilnu rezultātu spektru un ticamības līmeni, nevis tikai vienu skaitli, kas izliekas par noteiktu.

Tās tiek atjauninātas arī daudz biežāk. Saskaņā ar OptiMine pētījumu, modeļa precizitāte var samazināties par 10 līdz 35 procentiem vai vairāk, ja to regulāri neatjaunina. Modelis, kas balstās uz pagājušā gada tirgus apstākļiem, var nemanāmi maldināt jūs visu ceturksni, neviens to nepamanot.

Labākā pašreizējā pieeja apvieno trīs elementus. MMM, lai iegūtu vispārēju pārskatu. Inkrementālās pārbaudes, lai apstiprinātu, kas patiesībā ir cēloņsakarīgs. Un platformas atribūcija, lai iegūtu taktisku, tūlītēju signālu. Saskaņā ar „Measured” datiem zīmoli, kas izmanto apstiprinātu, cēloņsakarīgi kalibrētu šīs pieejas versiju, parasti jau pirmajā gadā novēro mediju efektivitātes pieaugumu par 10–30 procentiem.

Kā to iekļaut jūsu faktiskajā darba plūsmā

Nekas no tā nav svarīgi, ja tas kļūst par vēl vienu statisku PDF failu, kas līdz nākamajam ceturksnim atrodas koplietošanas diskā.

Tieši šeit mediju kombinācijas optimizācijai ir jāiekļaujas tieši tajā, kā jūsu komanda faktiski strādā. Jūsu ceturkšņa mārketinga plānam ir jāatspoguļo tas, ko jums rāda jūsu modelis, nevis tas, ko tas rādīja pirms sešiem mēnešiem. Lēmumi par budžetu ir jāpieņem tikpat ātri, cik ātri tiek atjaunināts modelis, nevis jāgaida līdz nākamajai plānotajai pārskatīšanai.

Tieši šeit sāk būt nozīmīga arī aģentūras veiktā mediju pirkšana un aģentūras veiktā tīmekļa vietnes preču izvietošana. Kad jūsu MMM rezultāti tiek tieši ievadīti sistēmās, kas gandrīz reālajā laikā var mainīt budžetu vai pielāgot preču izvietošanu, modelis vairs nav tikai atskaite. Tas kļūst par aktīvu lēmumu pieņemšanas sastāvdaļu.

Kāpēc to nevajadzētu darīt, izmantojot tikai izklājlapas

Pareizu MMM veikšana ar rokām ir patiesi grūta. Lai saglabātu precizitāti, ir nepieciešami tīri vēsturiskie dati, reālas statistikas zināšanas un pastāvīga atjaunināšana.

Lielākajai daļai iekšējo komandu tam nav pietiekamu resursu. Saskaņā ar Funnel un Ravn Research veikto aptauju tikai aptuveni ceturtdaļa uzņēmuma iekšējo mārketinga komandu savu MMM veic pilnībā patstāvīgi.

Tieši šo plaisu ir paredzēts aizpildīt ar pienācīgu mārketinga analītikas platformu. Tā vietā, lai gaidītu ikgadējo modeli no ārēja piegādātāja, jūs saņemat mediju kombinācijas analīzi, kas tiek nepārtraukti atjaunināta un ir saistīta ar pārējiem jūsu snieguma un ieņēmumu datiem, tādējādi tā faktiski palīdz pieņemt lēmumus, nevis tikai dokumentē tos pēc notikuma.

Secinājums

Mediju kombinācijas modelēšana nav atgriezusies tāpēc, ka mārketinga speciālisti ir kļuvuši sentimentāli pret vecajām metodēm.

Tā ir atgriezusies, jo privātuma izmaiņas padarīja alternatīvu neefektīvu un tāpēc, ka mākslīgais intelekts beidzot to padarīja pietiekami ātru, lai tā būtu noderīga uzreiz, nevis tikai reizi gadā.

Ja jūs joprojām paļaujaties tikai uz pēdējā klikšķa atribūciju, jūs neredzat pilnu ainu. Un katrs ceturksnis, ko jūs gaidāt, lai to labotu, ir ceturksnis, kurā budžeta lēmumi tiek pieņemti, balstoties uz nepilnīgu informāciju.