Medya Karışımı Modellemesi Nedir ve Pazarlamacılar Neden Tekrar Bu Yönteme Dönüyor?

Giriş

Son zamanlarda feed'inizde garip bir şeylerin olduğunu fark etmişsinizdir.

On yıllar öncesine ait bir ölçüm yöntemi birdenbire her yerde yeniden karşımıza çıkıyor. İnsanlar konferansların açılış konuşmalarında bundan bahsediyor. Ajanslar her sunumlarında bunu öne çıkarıyor. Ve hayır, bu nostalji değil.

Bu, medya karışımı modellemesidir. Pazarlama müdürüyseniz veya küçük ve orta ölçekli ekipleri yöneten bir ajans işletiyorsanız, bunun neden geri döndüğünü ve neden beş yıl öncesine göre şimdi daha önemli hale geldiğini anlamanız gerekir.

Medya Karışımı Modellemesi Aslında Nedir?

Genellikle MMM olarak kısaltılan medya karışımı modellemesi, istatistiksel bir tekniktir.

Geçmiş verilerinizi inceler. Harcamalar, satışlar, mevsimsellik, fiyatlandırma ve diğer dış faktörler. Ardından, her bir kanalın sonuçlarınıza gerçekte ne kadar katkıda bulunduğunu tahmin eder.

İşte bu tekniği çoğu modern izleme yönteminden ayıran nokta da budur. Tek tek kullanıcıları internette takip etmez. Bunun yerine toplu veriler üzerinden çalışır. Toplam harcama, toplam sonuçlar ve aradaki kalıplar.

İşte bu tek ayrıntı, bu yöntemin yeniden popüler hale gelmesinin tam da nedenidir.

Neden Şu Anda Yeniden Popüler Oluyor?

Çerezlere güvenmek gittikçe zorlaştı. Gizlilik kuralları giderek sıkılaştı. Ve pazarlamacıların yıllardır güvendiği birçok izleme yöntemi, eskisi kadar iyi çalışmayı sessizce bıraktı.

eMarketer tarafından aktarılan bir TransUnion anketine göre, ABD’deki marka ve ajans pazarlamacılarının neredeyse yarısı, yani yüzde 46,9’u, önümüzdeki yıl MMM’ye yatırım yapmayı planlıyor. Ayrıca yüzde 27,6’sı, yüzde 19,4 ile ikinci sırada yer alan çoklu temas atıf yönteminin önüne geçerek, MMM’yi şu anda en güvenilir ölçüm yöntemi olarak nitelendiriyor.

Bu küçük bir değişim değil. Bu, pazarlamacıların eski stratejilerin artık tek başına yeterince güvenilir olmadığını açıkça ifade etmeleridir.

eMarketer ve Snap tarafından yapılan bir başka ankete göre, ABD’li pazarlamacıların yarısından fazlası (%53,5) halihazırda bir şekilde MMM’yi kullanıyor. Ayrıca, MMM süreçlerinin hızını artırmak, ölçüm konusundaki en önemli öncelikleri olarak sıralandı.

Bu eğilimi hayal etmiyorsunuz. Bu gerçek ve hızlanıyor.

Basit Bir Medya Karışımı Örneği

Bunu biraz daha somut hale getirelim.

Diyelim ki aynı anda ücretli arama, ücretli sosyal medya ve ulusal bir radyo kampanyası yürütüyorsunuz. Bu süre zarfında satışlarınız artıyor. Basit bir atıf analizi, en net tıklama verilerine sahip kanal olduğu için başarının çoğunu ücretli aramaya atfedebilir.

Ancak MMM, resmin bütününü inceler. Aslında, ücretli aramanızın bu kadar iyi performans göstermesini sağlayan marka bilinirliğinin büyük bir kısmını radyonun sağladığını ortaya çıkarabilir. Radyo olmasaydı, ücretli arama neredeyse hiç bu kadar verimli bir dönüşüm sağlamazdı.

Medya karışımı analizi, kanal düzeyinde raporlamanın sağlayamadığı türden içgörüler ortaya çıkarır. Sadece son tıklamayı hangi kanalın aldığını değil, kanalların birbiriyle nasıl etkileşim içinde çalıştığını da gösterir.

Modern Medya Karışımı Modelleme Teknikleri

Sektörünüzün on yıl önce kullandığı MMM ile bugün mevcut olan MMM, sadece yeni bir isim giymiş aynı araç değildir.

Eski modeller büyük ölçüde statik regresyona dayanıyordu ve şanslıysanız yılda bir kez güncelleniyordu. Modern medya karışımı modelleme teknikleri, kesinmiş gibi görünen tek bir sayı yerine, geniş bir sonuç yelpazesi ve bir güven seviyesi sunan Bayes yöntemlerini kullanır.

Ayrıca çok daha sık güncellenirler. OptiMine’ın araştırmasına göre, model düzenli olarak güncellenmediğinde doğruluğu yüzde 10 ila 35 veya daha fazla azalabilir. Geçen yılın piyasa koşullarına dayalı bir model, kimse fark etmeden tüm çeyrek boyunca sizi sessizce yanıltabilir.

Günümüzde en iyi yaklaşım, üç unsuru bir araya getirir: Genel bir bakış açısı için MMM (Medya Karışımı Modellemesi). Gerçekte neyin nedensel olduğunu doğrulamak için artımlılık testi. Ve taktiksel, anlık sinyaller için platform atıf analizi. Measured’a göre, bu yaklaşımın doğrulanmış, nedensel olarak kalibre edilmiş bir versiyonunu kullanan markalar, genellikle ilk yıl içinde medya verimliliğinde yüzde 10 ila 30 arasında bir artış görür.

Bunun Gerçek İş Akışınıza Nasıl Uyum Sağladığı

Bunların hiçbiri, bir sonraki çeyreğe kadar paylaşımlı bir sürücüde duran başka bir statik PDF dosyasına dönüşürse bir anlam ifade etmez.

İşte bu noktada, medya karışımı optimizasyonunun ekibinizin gerçek çalışma şekline doğrudan entegre edilmesi gerekir. Üç aylık pazarlama yol haritanız, modelinizin size altı ay önce söylediklerini değil, şu anda size söylediklerini yansıtmalıdır. Bütçe kararları, bir sonraki planlanmış incelemeyi beklememeli, model güncellemeleri kadar hızlı hareket etmelidir.

İşte bu noktada, aktif medya satın alma ve aktif web sitesi ürün sunumu önem kazanmaya başlar. MMM çıktılarınız, bütçeyi değiştirebilen veya ürün sunumunu neredeyse gerçek zamanlı olarak ayarlayabilen sistemlere doğrudan aktarıldığında, model artık bir rapor olmaktan çıkar. Kararların alınma sürecinin aktif bir parçası haline gelir.

Bunu Neden Yalnızca Elektronik Tablolarla Yapmamalısınız?

Uygun bir MMM'yi manuel olarak yürütmek gerçekten zordur. Doğruluğu korumak için temiz geçmiş veriler, gerçek istatistik uzmanlığı ve sürekli güncelleme gerekir.

Çoğu şirket içi ekibin bunun için yeterli kaynağı yoktur. Funnel ve Ravn Research tarafından yapılan bir ankete göre, şirket içi pazarlama ekiplerinin yalnızca yaklaşık dörtte biri MMM'lerini tamamen kendi başlarına yürütmektedir.

İşte bu, doğru bir Pazarlama Zekası Platformunun kapatmak üzere tasarlandığı boşluktur. Dışarıdan bir tedarikçiden yıllık bir model beklemek yerine, performans ve gelir verilerinizin geri kalanıyla bağlantılı, sürekli güncellenen bir medya karışımı analizi elde edersiniz; böylece bu analiz, kararları sadece sonradan belgelemek yerine, kararların alınmasına gerçekten katkıda bulunur.

Sonuç

Medya karışımı modellemesi, pazarlamacıların eski tekniklere duygusal bir bağlılık duymaları nedeniyle geri dönmedi.

Geri dönüşünün nedeni, gizlilikle ilgili değişikliklerin alternatif çözümü işlevsiz hale getirmesi ve yapay zekanın nihayet bu süreci yılda bir kez değil, anında faydalı olacak kadar hızlı hale getirmesidir.

Hâlâ yalnızca son tıklama atıflamasına güveniyorsanız, resmin tamamını göremiyorsunuz demektir. Ve bunu düzeltmek için beklediğiniz her çeyrek, eksik bir hikayeye dayalı bütçe kararlarının alındığı bir çeyrek demektir.