Kaj je modeliranje medijskega mixa in zakaj se tržniki ponovno zatekajo k njemu?

Uvod

Verjetno ste v zadnjem času opazili, da se v vašem feedu dogaja nekaj nenavadnega.

Metoda merjenja izpred desetletij je nenadoma spet povsod prisotna. Ljudje o njej govorijo v uvodnih govorih na konferencah. Agencije jo predstavljajo v vsaki predstavitvi. In ne, to ni nostalgija.

Gre za modeliranje medijskega mixa. Če ste vodja marketinga ali vodite agencijo, ki upravlja z majhnimi do srednje velikimi ekipami, morate razumeti, zakaj se je vrnilo in zakaj je danes pomembnejše kot pred petimi leti.

Kaj dejansko je modeliranje medijskega mixa

Modeliranje medijskega mixa, pogosto okrajšano na MMM, je statistična tehnika.

Preuči vaše zgodovinske podatke: porabo, prodajo, sezonskost, cene in druge zunanje dejavnike. Nato oceni, koliko je vsak kanal dejansko prispeval k vašim rezultatom.

Tukaj je tisti del, ki ga loči od večine sodobnih načinov sledenja. Ne sledi posameznim uporabnikom po internetu. Namesto tega deluje na podlagi agregatnih podatkov. Skupni vložki, skupni izidi, vzorci, izpeljani med njimi.

Prav ta podrobnost je razlog, zakaj se ta metoda ponovno vrača.

Zakaj se vrača prav zdaj

Na piškotke se je vedno težje zanašati. Pravila o zasebnosti so se vedno bolj zaostrovala. In veliko sistemov sledenja, na katere so se tržniki leta in leta zanašali, je tiho prenehalo delovati tako dobro kot nekoč.

Po raziskavi podjetja TransUnion, o kateri poroča eMarketer, skoraj polovica tržnikov ameriških blagovnih znamk in agencij, tj. 46,9 odstotka, namerava v naslednjem letu vlagati v MMM. 27,6 odstotka pa ga zdaj imenuje za svojo najbolj zanesljivo metodo merjenja, kar je več kot pri atribuciji z več dotiki (19,4 odstotka).

To ni majhna sprememba. To pomeni, da tržniki odkrito priznavajo, da stari načrt sam po sebi ni več dovolj zanesljiv.

Druga raziskava podjetij eMarketer in Snap je pokazala, da več kot polovica ameriških tržnikov, 53,5 odstotka, že uporablja MMM v kakršni koli obliki. Izboljšanje hitrosti njihovega MMM-procesa pa je bilo uvrščeno kot njihova glavna prioriteta na področju merjenja.

Ta trend si ne domišljate. Je resničen in se pospešuje.

Preprost primer medijske mešanice

To poenostavimo.

Recimo, da hkrati izvajate plačano iskanje, oglaševanje na družbenih omrežjih in nacionalno radijsko kampanjo. V tem obdobju se vaša prodaja poveča. Preprosta atribucija bi večino zaslug pripisala plačanemu iskanju, saj je to kanal z najbolj jasnimi podatki o klikih.

MMM pa upošteva celotno sliko. Morda bo razkril, da je prav radio dejansko prispeval k prepoznavnosti blagovne znamke, zaradi katere je vaše plačano iskanje sploh doseglo tako dobre rezultate. Brez radia plačano iskanje ne bi bilo niti približno tako učinkovito pri pridobivanju konverzij.

To je vrsta spoznanja, ki ga analiza medijske mešanice prikaže, poročanje na ravni posameznih kanalov pa tega preprosto ne more. Pokazuje vam, kako kanali delujejo skupaj, ne le kateri od njih dobi zadnji klik.

Sodobne tehnike modeliranja medijske mešanice

MMM, ki ga je vaša panoga uporabljala pred desetimi leti, in MMM, ki je na voljo danes, nista isto orodje z novim imenom.

Starejši modeli so se močno opirali na statično regresijo, ki se je, če ste imeli srečo, posodabljala enkrat letno. Sodobne tehnike modeliranja medijske mešanice uporabljajo bayesovske metode, ki prinašajo celoten spekter rezultatov in stopnjo zaupanja, ne le ene številke, ki se pretvarja, da je gotova.

Prav tako se posodabljajo veliko pogosteje. Po raziskavi podjetja OptiMine se lahko natančnost modela poslabša za 10 do 35 odstotkov ali več, če se ne posodablja redno. Model, zgrajen na podlagi lanskoletnih tržnih razmer, vas lahko neopazno zavaja celo četrtletje, ne da bi to kdor koli opazil.

Najboljši trenutni pristop združuje tri stvari. MMM za celoten pregled. Testiranje inkrementalnosti za potrditev dejanskih vzročnih povezav. In atribuiranje platform za taktične, trenutne signale. Po podatkih podjetja Measured blagovne znamke, ki uporabljajo preverjeno, vzročno kalibrirano različico tega pristopa, običajno v prvem letu zabeležijo 10- do 30-odstotno povečanje medijske učinkovitosti.

Kako to vključiti v vaš dejanski delovni tok

Nič od tega nima pomena, če postane le še en statičen PDF, ki leži na skupnem disku do naslednjega četrtletja.

Tu se mora optimizacija medijske mešanice neposredno vključiti v način, kako vaša ekipa dejansko deluje. Vaš četrtletni načrt trženja mora odražati, kar vam pravi vaš model, ne pa tisto, kar vam je povedal pred šestimi meseci. Odločitve o proračunu morajo potekati tako hitro, kot se posodablja model, ne pa čakati na naslednji načrtovani pregled.

Prav tu začneta imeti pomen tudi aktivno nakupovanje medijev in aktivno trženje na spletni strani. Ko se izhodni podatki vašega modela MMM neposredno vnašajo v sisteme, ki lahko skoraj v realnem času spreminjajo proračun ali prilagajajo trženje, model preneha biti zgolj poročilo. Postane aktivni del procesa odločanja.

Zakaj tega ne bi smeli početi zgolj s preglednicami

Ročno izvajanje ustreznega MMM je resnično težko. Za ohranjanje natančnosti so potrebni čisti zgodovinski podatki, resnično statistično strokovno znanje in nenehno posodabljanje.

Večina notranjih ekip za to nima zadostnih zmogljivosti. Glede na raziskavo podjetij Funnel in Ravn Research le približno četrtina notranjih marketinških ekip MMM izvaja popolnoma samostojno.

To je prav tista vrzel, ki jo je namenjena zapolniti ustrezna platforma za tržno inteligenco. Namesto da čakate na letni model od zunanjega ponudnika, dobite analizo medijske mešanice, ki se nenehno posodablja in je povezana z ostalimi podatki o uspešnosti in prihodkih, tako da dejansko vpliva na odločitve, namesto da jih le dokumentira naknadno.

Zaključek

Modeliranje medijskega mixa se ni vrnilo zato, ker bi tržniki postali nostalgični glede starih tehnik.

Vrnilo se je, ker so spremembe na področju zasebnosti onemogočile alternativne rešitve in ker je umetna inteligenca končno poskrbela, da je postalo dovolj hitro, da je uporabno v trenutku, namesto le enkrat na leto.

Če se še vedno zanašate izključno na atribuiranje zadnjega klika, ne vidite celotne slike. In vsako četrtletje, ki ga počakate, da to popravite, je četrtletje proračunskih odločitev, sprejetih na podlagi nepopolnih podatkov.