Hva er mediemiksmodellering, og hvorfor vender markedsførere tilbake til den?

Innledning

Du har sikkert lagt merke til at det har skjedd noe merkelig i nyhetsstrømmen din den siste tiden.

En målemetode fra flere tiår tilbake er plutselig overalt igjen. Folk snakker om den i hovedinnlegg på konferanser. Byråene presenterer den i hver eneste presentasjon. Og nei, det er ikke nostalgi.

Det er mediemiksmodellering. Og hvis du er markedsføringssjef eller leder et byrå med små til mellomstore team, må du forstå hvorfor den er tilbake, og hvorfor den er viktigere nå enn for fem år siden.

Hva mediemiksmodellering egentlig er

Mediamiksmodellering, ofte forkortet til MMM, er en statistisk teknikk.

Den ser på historiske data: utgifter, salg, sesongvariasjoner, priser og andre eksterne faktorer. Deretter beregner den hvor mye hver kanal faktisk har bidratt til resultatene dine.

Her er det som skiller det fra de fleste moderne sporingsmetoder. Det følger ikke enkeltbrukere rundt på internett. I stedet baserer det seg på aggregerte data. Totale utgifter inn, totale resultater ut, mønstre utledet i mellom.

Nettopp denne ene detaljen er grunnen til at metoden er på vei tilbake.

Hvorfor den gjør comeback akkurat nå

Det har blitt vanskeligere å stole på informasjonskapsler. Personvernreglene har blitt stadig strengere. Og mye av sporingen som markedsførere har stolt på i årevis, har i det stille sluttet å fungere like godt som før.

Ifølge en TransUnion-undersøkelse rapportert av eMarketer planlegger nesten halvparten av markedsførere fra merkevarer og byråer i USA, 46,9 prosent, å investere i MMM i løpet av det neste året. Og 27,6 prosent kaller det nå sin aller mest pålitelige målemetode, foran multitouch-attribusjon på 19,4 prosent.

Det er ikke en liten endring. Det er markedsførere som åpent sier at den gamle strategien ikke lenger er pålitelig nok i seg selv.

En annen undersøkelse fra eMarketer og Snap viste at over halvparten av markedsførerne i USA, 53,5 prosent, allerede bruker MMM i en eller annen form. Og å øke hastigheten på MMM-prosessen deres ble rangert som deres viktigste prioritet når det gjelder måling.

Du innbiller deg ikke denne trenden. Den er reell, og den tar fart.

Et enkelt eksempel på mediemiks

La oss gjøre dette litt mindre abstrakt.

La oss si at du kjører betalt søkemarkedsføring, betalt markedsføring på sosiale medier og en nasjonal radiokampanje samtidig. Salget ditt øker i denne perioden. Enkel attribusjon vil kanskje tilskrive det meste av æren til betalt søkemarkedsføring, fordi det er kanalen med de reneste klikkdataene.

Men MMM ser på helheten. Det kan avsløre at radioen faktisk bidro til en stor del av merkevarebevisstheten som gjorde at den betalte søkemarkedsføringen din presterte så bra i utgangspunktet. Uten radio ville den betalte søkemarkedsføringen ikke ha konvertert nær så effektivt.

Det er den typen innsikt en mediemiksanalyse avdekker, noe rapportering på kanalnivå ganske enkelt ikke klarer. Den viser deg hvordan kanalene samarbeider, ikke bare hvilken som får det siste klikket.

Moderne teknikker for mediemiksmodellering

MMM-en som bransjen din brukte for ti år siden, og MMM-en som er tilgjengelig i dag, er ikke det samme verktøyet med et nytt navn.

Eldre modeller var i stor grad avhengige av statisk regresjon, som ble oppdatert én gang i året hvis man var heldig. Moderne teknikker for mediemiksmodellering bruker bayesianske metoder som gir et bredt spekter av resultater og et konfidensnivå, ikke bare ett tall som gir inntrykk av å være sikkert.

De oppdateres også langt oftere. Ifølge forskning fra OptiMine kan modellens nøyaktighet forringes med 10 til 35 prosent eller mer når den ikke oppdateres regelmessig. En modell bygget på fjorårets markedsforhold kan i det stille villede deg gjennom hele kvartalet uten at noen legger merke til det.

Den beste tilnærmingen i dag kombinerer tre elementer. MMM for helhetsbildet. Inkrementaltesting for å validere hva som faktisk er årsakssammenheng. Og plattformattribusjon for taktiske, øyeblikkelige signaler. Ifølge Measured opplever merkevarer som bruker en validert, årsakskalibrert versjon av denne tilnærmingen, vanligvis en økning i medieeffektivitet på 10 til 30 prosent i løpet av det første året.

Hvor dette passer inn i din faktiske arbeidsflyt

Ingenting av dette betyr noe hvis det bare blir enda en statisk PDF-fil som ligger på en delt stasjon til neste kvartal.

Det er her optimalisering av mediemiksen må integreres direkte i hvordan teamet ditt faktisk jobber. Din kvartalsvise markedsføringsplan bør gjenspeile hva modellen din forteller deg nå, ikke hva den fortalte deg for seks måneder siden. Budsjettbeslutninger bør treffes like raskt som modellen oppdateres, ikke vente til neste planlagte gjennomgang.

Det er også her agentisk medieinnkjøp og agentisk markedsføring på nettstedet begynner å få betydning. Når resultatene fra MMM-modellen mates direkte inn i systemer som kan omdisponere budsjettet eller justere markedsføringen nesten i sanntid, slutter modellen å være en rapport. Den blir en aktiv del av beslutningsprosessen.

Hvorfor du ikke bør gjøre dette med regneark alene

Det er virkelig vanskelig å gjennomføre ordentlig MMM manuelt. Det krever rene historiske data, ekte statistisk ekspertise og kontinuerlig oppdatering for å opprettholde nøyaktigheten.

De fleste interne team har ikke kapasitet til det. Ifølge en undersøkelse fra Funnel og Ravn Research er det bare omtrent en fjerdedel av interne markedsføringsteam som håndterer MMM-en sin helt på egen hånd.

Det er nettopp dette gapet en skikkelig markedsføringsinformasjonsplattform er laget for å fylle. I stedet for å vente på en årlig modell fra en ekstern leverandør, får du en mediemiksanalyse som oppdateres kontinuerlig og er koblet til resten av resultat- og inntektsdataene dine, slik at den faktisk ligger til grunn for beslutninger i stedet for bare å dokumentere dem i etterkant.

Konklusjon

Medieblandingsmodellering er ikke tilbake fordi markedsførere har blitt sentimentale overfor gamle teknikker.

Den er tilbake fordi endringer i personvernreglene satte en stopper for alternativet, og fordi AI endelig har gjort den rask nok til å være nyttig her og nå, i stedet for én gang i året.

Hvis du fremdeles stoler utelukkende på «last click»-attribusjon, ser du ikke hele bildet. Og hvert kvartal du venter med å rette opp i dette, er et kvartal med budsjettbeslutninger basert på et ufullstendig bilde.