Wat is mediamixmodellering en waarom keren marketeers er weer naar terug?

Inleiding

Het is je waarschijnlijk opgevallen dat er de laatste tijd iets vreemds gebeurt in je feed.

Een meetmethode van tientallen jaren geleden is plotseling weer overal. Mensen hebben het erover in keynote-presentaties op conferenties. Bureaus pitchen het in elke presentatie. En nee, het is geen nostalgie.

Het gaat om mediamixmodellering. En als je een marketingmanager bent, of een bureau leidt met kleine tot middelgrote teams, moet je begrijpen waarom het weer terug is en waarom het nu belangrijker is dan vijf jaar geleden.

Wat mediamixmodellering eigenlijk is

Media mix modeling, vaak afgekort tot MMM, is een statistische techniek.

Het kijkt naar je historische gegevens: uitgaven, omzet, seizoensinvloeden, prijsstelling en andere externe factoren. Vervolgens schat het in hoeveel elk kanaal daadwerkelijk heeft bijgedragen aan je resultaten.

Dit is wat het onderscheidt van de meeste moderne trackingmethoden. Het volgt geen individuele gebruikers op het internet. In plaats daarvan werkt het op basis van geaggregeerde gegevens. Totale uitgaven erin, totale resultaten eruit, patronen die daartussenuit worden gehaald.

Juist dat ene detail is de reden waarom het weer in opkomst is.

Waarom het juist nu weer in opkomst is

Cookies zijn minder betrouwbaar geworden. De privacyregels zijn steeds strenger geworden. En veel van de trackingmethoden waar marketeers jarenlang op vertrouwden, werken stilletjes niet meer zo goed als vroeger.

Volgens een TransUnion-enquête, gerapporteerd door eMarketer, is bijna de helft van de marketeers bij Amerikaanse merken en bureaus, 46,9 procent, van plan om het komende jaar in MMM te investeren. En 27,6 procent noemt het nu hun meest betrouwbare meetmethode, nog voor multitouch-attributie met 19,4 procent.

Dat is geen kleine verschuiving. Het betekent dat marketeers openlijk zeggen dat de oude aanpak op zichzelf niet langer betrouwbaar genoeg is.

Uit een ander onderzoek van eMarketer en Snap bleek dat meer dan de helft van de Amerikaanse marketeers, 53,5 procent, MMM al in een of andere vorm gebruikt. En het versnellen van hun MMM-proces stond bovenaan hun prioriteitenlijst voor metingen.

Je verbeeldt je deze trend niet. Hij is echt, en hij versnelt.

Een eenvoudig voorbeeld van een mediamix

Laten we dit wat concreter maken.

Stel dat je tegelijkertijd betaalde zoekadvertenties, betaalde social media-advertenties en een nationale radiocampagne voert. Je omzet stijgt in die periode. Bij eenvoudige attributie zou het grootste deel van de verdienste wellicht aan de betaalde zoekadvertenties worden toegeschreven, omdat dat het kanaal is met de duidelijkste klikgegevens.

Maar MMM bekijkt het totaalplaatje. Het zou kunnen aantonen dat radio in feite een groot deel van de merkbekendheid heeft gegenereerd, waardoor je betaalde zoekadvertenties überhaupt zo goed presteerden. Zonder radio zouden de betaalde zoekadvertenties lang niet zo efficiënt hebben geconverteerd.

Dat is het soort inzicht dat een mediamixanalyse aan het licht brengt en dat rapportage op kanaalniveau simpelweg niet kan bieden. Het laat zien hoe kanalen samenwerken, niet alleen welk kanaal de laatste klik krijgt.

Moderne technieken voor mediamixmodellering

De MMM die uw branche tien jaar geleden gebruikte en de MMM die vandaag de dag beschikbaar is, zijn niet dezelfde tool met een nieuwe naam.

Oudere modellen leunden sterk op statische regressie, die – als je geluk had – één keer per jaar werd bijgewerkt. Moderne technieken voor mediamixmodellering maken gebruik van Bayesiaanse methoden die een volledig scala aan uitkomsten en een betrouwbaarheidsniveau opleveren, niet slechts één getal dat doet alsof het zeker is.

Ze worden ook veel vaker bijgewerkt. Volgens onderzoek van OptiMine kan de nauwkeurigheid van een model met 10 tot 35 procent of meer afnemen als het niet regelmatig wordt bijgewerkt. Een model dat is gebaseerd op de marktomstandigheden van vorig jaar kan je het hele kwartaal ongemerkt misleiden zonder dat iemand het doorheeft.

De beste huidige aanpak combineert drie elementen. MMM voor het totaalbeeld. Incrementaliteitstests om te valideren wat daadwerkelijk causaal is. En platformattributie voor tactische, actuele signalen. Volgens Measured zien merken die een gevalideerde, causaal gekalibreerde versie van deze aanpak gebruiken, doorgaans binnen het eerste jaar een verbetering van 10 tot 30 procent in media-efficiëntie.

Waar dit in je daadwerkelijke workflow past

Dit alles doet er niet toe als het gewoon weer een statische PDF wordt die tot het volgende kwartaal op een gedeelde schijf blijft staan.

Dit is waar de optimalisatie van de mediamix direct moet aansluiten op de manier waarop je team daadwerkelijk werkt. Je driemaandelijkse marketingroadmap moet weerspiegelen wat je model je nu vertelt, niet wat het je zes maanden geleden vertelde. Budgetbeslissingen moeten net zo snel worden genomen als het model wordt bijgewerkt, en niet wachten tot de volgende geplande evaluatie.

Dat is ook waar agentische media-inkoop en agentische websitemarketing belangrijk worden. Wanneer de output van uw MMM rechtstreeks wordt ingevoerd in systemen die het budget kunnen verschuiven of de merchandising vrijwel in realtime kunnen aanpassen, is het model niet langer slechts een rapport. Het wordt een actief onderdeel van de besluitvorming.

Waarom je dit niet alleen met spreadsheets moet doen

Het handmatig uitvoeren van een degelijke MMM is echt moeilijk. Er zijn schone historische gegevens, echte statistische expertise en voortdurende actualisering nodig om nauwkeurig te blijven.

De meeste interne teams hebben daar de capaciteit niet voor. Volgens een onderzoek van Funnel en Ravn Research voert slechts ongeveer een kwart van de interne marketingteams hun MMM volledig zelfstandig uit.

Dat is precies de leemte die een goed marketing intelligence-platform moet opvullen. In plaats van te wachten op een jaarlijks model van een externe leverancier, krijg je een mediamixanalyse die continu wordt bijgewerkt en gekoppeld is aan de rest van je prestatie- en omzetgegevens, zodat deze daadwerkelijk als basis dient voor beslissingen in plaats van ze achteraf alleen maar te documenteren.

Conclusie

Media-mixmodellering is niet terug omdat marketeers nostalgisch zijn geworden over oude technieken.

Het is terug omdat veranderingen op het gebied van privacy het alternatief onbruikbaar hebben gemaakt, en omdat AI het eindelijk snel genoeg heeft gemaakt om op het moment zelf bruikbaar te zijn in plaats van slechts één keer per jaar.

Als je nog steeds uitsluitend vertrouwt op last-click-attributie, zie je niet het volledige plaatje. En elk kwartaal dat je wacht om dat te verhelpen, is een kwartaal waarin budgetbeslissingen worden genomen op basis van onvolledige informatie.