Що таке моделювання медіаміксу і чому маркетологи знову звертаються до нього?

Вступ

Ви, мабуть, помітили, що останнім часом у вашій стрічці відбувається щось дивне.

Метод вимірювання, який використовувався кілька десятиліть тому, раптом знову з’явився всюди. Про нього говорять у програмних доповідях на конференціях. Агентства пропонують його у кожній презентації. І ні, це не ностальгія.

Це моделювання медіаміксу. І якщо ви керівник маркетингового відділу або керуєте агентством, в якому працюють невеликі чи середні команди, вам потрібно зрозуміти, чому цей підхід знову набирає популярності і чому зараз він має більше значення, ніж п’ять років тому.

Що таке моделювання медіаміксу

Моделювання медіаміксу, яке часто скорочують до MMM, — це статистичний метод.

Вона аналізує ваші історичні дані: витрати, продажі, сезонність, ціноутворення та інші зовнішні фактори. Потім вона оцінює, наскільки кожен канал фактично вплинув на ваші результати.

Ось у чому полягає її відмінність від більшості сучасних методів відстеження. Вона не відстежує окремих користувачів в Інтернеті. Натомість вона працює з агрегованими даними. Загальні витрати на вході, загальні результати на виході, а між ними — виявлені закономірності.

Саме ця особливість і є причиною її повернення.

Чому вона повертається саме зараз

На файли cookie стало все складніше покладатися. Правила щодо конфіденційності постійно посилюються. І багато методів відстеження, на які маркетологи покладалися роками, тихо перестали працювати так само ефективно, як раніше.

Згідно з опитуванням TransUnion, про яке повідомляє eMarketer, майже половина маркетологів американських брендів та агентств (46,9%) планує інвестувати в MMM протягом наступного року. А 27,6% зараз називають її своїм єдиним найнадійнішим методом вимірювання, випереджаючи мультитач-атрибуцію (19,4%).

Це не просто невелика зміна. Це маркетологи відкрито заявляють, що старі методи вже не є достатньо надійними самі по собі.

Інше опитування, проведене eMarketer та Snap, показало, що понад половина американських маркетологів, а саме 53,5 %, вже використовують MMM у тій чи іншій формі. А підвищення швидкості їхнього процесу MMM посіло перше місце серед їхніх пріоритетів у сфері вимірювання.

Ви не уявляєте собі цю тенденцію. Вона реальна, і вона набирає обертів.

Простий приклад медіаміксу

Давайте зробимо це менш абстрактним.

Припустимо, ви одночасно проводите кампанії з платного пошуку, платних публікацій у соціальних мережах та національну радіокампанію. Протягом цього періоду ваші продажі зростають. Проста атрибуція може приписати більшу частину заслуги платному пошуку, оскільки це канал із найчіткішими даними про кліки.

Але MMM розглядає ситуацію в цілому. Він може виявити, що саме радіо фактично сприяло підвищенню впізнаваності бренду, завдяки чому ваша платна пошукова реклама й показала такі високі результати. Без радіо платна пошукова реклама не принесла б настільки високої ефективності конверсії.

Саме такі висновки дає аналіз медіаміксу, чого просто не може забезпечити звітність на рівні окремих каналів. Він показує, як канали взаємодіють між собою, а не лише те, який із них отримав останній клік.

Сучасні методи моделювання медіаміксу

MMM, який використовували у вашій галузі десять років тому, і MMM, доступний сьогодні, — це не один і той самий інструмент під новою назвою.

Старі моделі значною мірою спиралися на статичну регресію, яка оновлювалася раз на рік, якщо пощастило. Сучасні методи моделювання медіаміксу використовують байєсівські методи, які надають повний спектр результатів та рівень достовірності, а не лише одне число, що вдає з себе певність.

Вони також оновлюються набагато частіше. Згідно з дослідженням OptiMine, точність моделі може знизитися на 10–35 відсотків або більше, якщо її не оновлювати регулярно. Модель, побудована на ринкових умовах минулого року, може непомітно вводити вас в оману протягом усього кварталу, і ніхто цього не помітить.

Найкращий сучасний підхід поєднує три складові. MMM для загального огляду. Тестування інкрементальності для перевірки того, що насправді є причиною. І атрибуція платформ для тактичних сигналів у реальному часі. Згідно з даними Measured, бренди, що використовують перевірену, калібровану за причинно-наслідковим зв’язком версію цього підходу, зазвичай спостерігають зростання ефективності медіа на 10–30 відсотків уже протягом першого року.

Як це вписується у ваш реальний робочий процес

Нічого з цього не матиме значення, якщо це стане лише черговим статичним PDF-файлом, який лежатиме на спільному диску до наступного кварталу.

Саме тут оптимізація медіаміксу має безпосередньо інтегруватися в те, як насправді працює ваша команда. Ваш квартальний маркетинговий план повинен відображати те, що показує ваша модель зараз, а не те, що вона показувала шість місяців тому. Рішення щодо бюджету повинні прийматися так само швидко, як оновлюється модель, а не чекати наступного запланованого перегляду.

Саме тут починають відігравати важливу роль агентська закупівля медіа та агентський мерчандайзинг веб-сайтів. Коли результати вашої MMM безпосередньо надходять у системи, які можуть перерозподіляти бюджет або коригувати мерчандайзинг майже в режимі реального часу, модель перестає бути просто звітом. Вона стає активною частиною процесу прийняття рішень.

Чому не варто робити це лише за допомогою електронних таблиць

Правильно проводити MMM вручну — справді складно. Для цього потрібні чисті історичні дані, справжні статистичні знання та постійне оновлення, щоб зберегти точність.

Більшість внутрішніх команд не мають для цього достатніх ресурсів. Згідно з опитуванням, проведеним Funnel та Ravn Research, лише близько чверті внутрішніх маркетингових команд повністю самостійно займаються своїм MMM.

Саме цю прогалину покликана заповнити належна платформа маркетингової аналітики. Замість того, щоб чекати на щорічну модель від зовнішнього постачальника, ви отримуєте аналіз медіаміксу, який постійно оновлюється та пов’язаний з рештою ваших даних про ефективність та доходи, тож він насправді допомагає у прийнятті рішень, а не лише документує їх постфактум.

Висновок

Моделювання медіаміксу повернулося не тому, що маркетологи з ностальгією згадують старі методи.

Вона повернулася тому, що зміни в політиці конфіденційності зробили альтернативні підходи неефективними, а також тому, що штучний інтелект нарешті зробив її достатньо швидкою, щоб бути корисною в режимі реального часу, а не лише раз на рік.

Якщо ви досі покладаєтеся виключно на атрибуцію за останнім кліком, ви не бачите повної картини. І кожен квартал, який ви чекаєте, щоб виправити це, — це квартал бюджетних рішень, прийнятих на основі неповної інформації.