Vad är mediemixmodellering, och varför vänder sig marknadsförare återigen till den?

Inledning

Du har säkert märkt att det har hänt något konstigt i ditt flöde den senaste tiden.

En mätmetod från för flera decennier sedan dyker plötsligt upp överallt igen. Folk pratar om den i inledningsanföranden på konferenser. Byråer lyfter fram den i varje presentation. Och nej, det handlar inte om nostalgi.

Det handlar om mediemixmodellering. Och om du är marknadsföringschef eller driver en byrå med små till medelstora team måste du förstå varför den är tillbaka och varför den är viktigare nu än för fem år sedan.

Vad mediemixmodellering egentligen är

Mediamixmodellering, ofta förkortat till MMM, är en statistisk teknik.

Den analyserar dina historiska data: utgifter, försäljning, säsongsvariationer, prissättning och andra externa faktorer. Därefter beräknar den hur mycket varje kanal faktiskt har bidragit till dina resultat.

Här är det som skiljer den från de flesta moderna spårningsmetoderna. Den följer inte enskilda användare på internet. Istället arbetar den med aggregerade data. Totala utgifter in, totala resultat ut, mönster extraherade däremellan.

Just den detaljen är anledningen till att metoden gör comeback.

Varför det gör comeback just nu

Det har blivit svårare att lita på cookies. Integritetsreglerna har skärpts alltmer. Och mycket av den spårning som marknadsförare förlitat sig på i åratal har i tysthet slutat fungera lika bra som tidigare.

Enligt en undersökning från TransUnion som rapporterats av eMarketer planerar nästan hälften av marknadsförarna hos varumärken och byråer i USA, 46,9 procent, att investera i MMM under det kommande året. Och 27,6 procent kallar det nu sin enskilt mest tillförlitliga mätmetod, före multitouch-attribution som ligger på 19,4 procent.

Det är ingen liten förändring. Det innebär att marknadsförare öppet säger att den gamla strategin inte längre är tillräckligt tillförlitlig på egen hand.

En annan undersökning från eMarketer och Snap visade att över hälften av marknadsförarna i USA, 53,5 procent, redan använder MMM i någon form. Och att förbättra hastigheten i deras MMM-process rankades som deras högsta prioritet när det gäller mätning.

Du inbillar dig inte den här trenden. Den är verklig, och den accelererar.

Ett enkelt exempel på mediemix

Låt oss göra detta mindre abstrakt.

Låt oss säga att du kör betald sökmotorannonsering, betalda inlägg på sociala medier och en nationell radiokampanj samtidigt. Dina försäljningssiffror stiger under den perioden. En enkel attributionsmodell skulle kanske tillskriva det mesta av äran till den betalda sökmotorannonseringen, eftersom det är den kanal som har de tydligaste klickdata.

Men MMM ser till helheten. Det kan visa att det faktiskt var radion som bidrog till en stor del av varumärkeskännedomen som gjorde att din betald sökning presterade så bra från början. Utan radion skulle den betalda sökningen inte ha konverterat på långt när lika effektivt.

Det är den typen av insikt som en mediemixanalys ger, vilket rapportering på kanalnivå helt enkelt inte kan. Den visar hur kanalerna samverkar, inte bara vilken som får det sista klicket.

Moderna tekniker för mediemixmodellering

Den MMM som din bransch använde för tio år sedan och den MMM som finns tillgänglig idag är inte samma verktyg med ett nytt namn.

Äldre modeller förlitade sig i hög grad på statisk regression, som uppdaterades en gång om året om man hade tur. Moderna tekniker för mediemixmodellering använder bayesianska metoder som ger ett helt spektrum av resultat och en konfidensnivå, inte bara ett enda tal som låtsas vara säkert.

De uppdateras också betydligt oftare. Enligt forskning från OptiMine kan modellens noggrannhet försämras med 10 till 35 procent eller mer om den inte uppdateras regelbundet. En modell som bygger på förra årets marknadsförhållanden kan i smyg vilseleda dig under hela kvartalet utan att någon märker det.

Den bästa metoden idag kombinerar tre saker. MMM för helhetsbilden. Inkrementellitetstestning för att validera vad som faktiskt är orsakssamband. Och plattformsattribution för taktiska, omedelbara signaler. Enligt Measured ser varumärken som använder en validerad, kausalt kalibrerad version av denna metod vanligtvis en ökning av medieeffektiviteten på 10 till 30 procent redan under det första året.

Hur detta passar in i ditt faktiska arbetsflöde

Inget av detta spelar någon roll om det bara blir ännu en statisk PDF-fil som ligger på en delad enhet fram till nästa kvartal.

Det är här som optimeringen av mediemixen måste integreras direkt i hur ditt team faktiskt arbetar. Din kvartalsvisa marknadsföringsplan bör spegla vad din modell säger dig just nu, inte vad den sa för sex månader sedan. Budgetbeslut bör fattas lika snabbt som modellen uppdateras, inte vänta på nästa schemalagda översyn.

Det är också där agentbaserad medieinköp och agentbaserad webbplatsmarknadsföring börjar spela roll. När resultaten från din MMM matas direkt in i system som kan omfördela budgeten eller justera marknadsföringen i nära realtid, slutar modellen att vara en rapport. Den blir en aktiv del av hur beslut fattas.

Varför du inte bör göra detta enbart med kalkylblad

Det är verkligen svårt att köra ordentlig MMM manuellt. Det kräver rena historiska data, verklig statistisk expertis och ständig uppdatering för att förbli korrekt.

De flesta interna team har inte resurser för det. Enligt en undersökning från Funnel och Ravn Research hanterar endast ungefär en fjärdedel av de interna marknadsföringsteamen sin MMM helt på egen hand.

Det är precis den luckan som en ordentlig plattform för marknadsinformation är utformad för att fylla. Istället för att vänta på en årlig modell från en extern leverantör får du en mediemixanalys som uppdateras kontinuerligt och är kopplad till resten av dina resultat- och intäktsdata, så att den faktiskt ligger till grund för beslut istället för att bara dokumentera dem i efterhand.

Slutsats

Mediamixmodellering är inte tillbaka för att marknadsförare har blivit nostalgiska över gamla tekniker.

Den är tillbaka eftersom förändringar i integritetslagstiftningen gjorde alternativen obrukbara, och eftersom AI äntligen har gjort den tillräckligt snabb för att vara användbar här och nu istället för en gång om året.

Om du fortfarande förlitar dig enbart på attribuering baserad på sista klicket ser du inte hela bilden. Och varje kvartal du väntar med att åtgärda detta är ett kvartal där budgetbeslut fattas utifrån en ofullständig bild.