Opinia: Liderzy strategii

Globalny dyrektor zarządzający Havas ds. pomiarów wyjaśnia, dlaczego mimo wypadnięcia z łask Marketing Mix Modeling wciąż ma wiele do zaoferowania współczesnym marketerom.

Branża marketingowa i reklamowa to dynamiczny, stale ewoluujący organizm, a od dziesięcioleci Marketing Mix Modeling (MMM) zarówno umożliwia tę transformację, jak i ewoluuje wraz z branżą.

MMM analizuje dane historyczne dotyczące sprzedaży, wydatków marketingowych i innych istotnych czynników, takich jak wskaźniki ekonomiczne, wzorce pogodowe i sezonowość, aby podejmować decyzje marketingowe i maksymalizować zwrot z inwestycji.

To narzędzie statystyczne narodziło się w latach 60., kiedy tradycyjne metody pomiaru efektywności, takie jak ankiety i grupy fokusowe, nie nadążały za rozkwitem środków masowego przekazu.

Gdy komputery stały się opłacalne komercyjnie w latach 70. XX wieku, MMM stał się bardziej dokładny i wyrafinowany, umożliwiając kampaniom marketingowym skalowanie na nowe globalne wyżyny.

W latach 90. i 2000. firma MMM musiała się dostosować, integrując rodzące się źródła danych, gdy media cyfrowe zaczęły dominować w ekosystemie.

Pomimo wieloletniej historii MMM w zapewnianiu odpowiedzialności marketingowej, znaczenie i skuteczność tego zaufanego narzędzia zostały zakwestionowane w związku z rozwojem reklamy cyfrowej i rosnącą dostępnością danych na poziomie użytkownika.

Ponieważ wydobywanie i przetwarzanie ogromnych ilości danych oraz śledzenie interakcji użytkowników na dużą skalę stało się opłacalne, zagregowany poziom analizy MMM został oznaczony jako przestarzały.

Jednak, jak pokazała historia, te nowe osiągnięcia nie oznaczają śmierci MMM, ale raczej napędzają jego ciągłą ewolucję i stanowią okazję, aby uczynić to narzędzie bardziej przydatnym niż kiedykolwiek.

Modele atrybucji: opłacalne, ale wadliwe

Zmniejszające się zaufanie do MMM można bezpośrednio prześledzić w porównaniu z pojawieniem się innego narzędzia w arsenale marketera: zewnętrznych plików cookie.

Pliki cookie innych firm umożliwiają łatwe śledzenie użytkowników na różnych platformach, napędzając tanie modele atrybucji, które mogą pomóc marketerom zrozumieć wpływ każdego punktu kontaktu na podróż klienta i ocenić, które działania napędzają sprzedaż. Chociaż te modele atrybucji zyskały szerokie zastosowanie w całej branży, w wielu krytycznych obszarach są niewystarczające.

W przeciwieństwie do MMM modele atrybucji nie mogą mierzyć przyrostu – ani dodatkowych przychodów generowanych przez kampanię, biorąc pod uwagę przychody, które zostałyby wygenerowane bez kampanii – co utrudnia wykorzystanie tych modeli do określenia rzeczywistego zwrotu z inwestycji.

Ponadto modele atrybucji przypisują wartość różnym kanałom marketingowym i punktom styku na podstawie z góry określonej formuły, co budzi obawy co do ważności tych formuł i spostrzeżeń generowanych przez modele. Kiedy wprowadzane są bardziej wyrafinowane metody rozwiązania tego problemu, modele często tracą możliwość określenia, które konkretne punkty styku generują zwrot z inwestycji.

Jednak, co być może najbardziej palące, zwiększone obawy i przepisy dotyczące prywatności doprowadziły do ​​zaprzestania stosowania plików cookie stron trzecich, które od prawie dekady są podstawową walutą tych modeli atrybucji.

W przeciwieństwie do tego MMM nie opiera się na plikach cookie i danych na poziomie użytkownika, a przy pomocy powstającej technologii może zapewnić dokładniejszy wgląd niż modele atrybucji bez związanych z tym obaw o prywatność.

Turbodoładowany MMM z AI i ML

W przeszłości jednym z bolączek MMM był czasochłonny i pracochłonny proces wprowadzania danych. Za pomocą sztucznej inteligencji (AI) i uczenia maszynowego (ML) ogromne ilości danych można czyścić, organizować i konstruować w wydajny i dokładny sposób, co pozwala zautomatyzować proces przygotowania danych.

Ponadto MMM wymaga opracowania złożonych modeli statystycznych, a wybór najbardziej odpowiedniego algorytmu dla danego zadania może być wyzwaniem. Sztuczna inteligencja i uczenie maszynowe mogą pomóc w tym obszarze, automatyzując proces wyboru i dostrajania algorytmów, zapewniając stosowanie najdokładniejszych i praktycznych modeli.

Po stronie wyjściowej AI i ML mogą być używane do testowania i sprawdzania dokładności modeli MMM, aby zapewnić, że wyniki są wiarygodne i dokładne. Po opracowaniu i przetestowaniu modelu MMM sztuczna inteligencja i uczenie maszynowe mogą zinterpretować i przełożyć model na praktyczne spostrzeżenia, identyfikując wzorce i trendy w danych, wskazując obszary, na które należy przydzielić budżety marketingowe, oraz dostarczając marketerom rekomendacje w czasie rzeczywistym w celu optymalizacji kampanii .

AI i ML oferują wyjątkowe możliwości po wdrożeniu w MMM, ponieważ stają się dokładniejsze i szybsze wraz ze wzrostem wykorzystania, umożliwiając skalowanie modeli w celu oceny coraz bardziej złożonych kampanii i kanałów marketingowych. Takie podejście wymaga solidnej infrastruktury obejmującej strumieniowe przesyłanie danych w czasie rzeczywistym, magazynowanie danych oraz platformy wspierające przetwarzanie i analizę — ale potencjał dużych wydatków w zakresie dostosowywania kampanii marketingowych w okresach miesięcznych, tygodniowych, dziennych, a nawet w czasie rzeczywistym oferuje niezrównane możliwości optymalizacji.

Przyszłość MMM rysuje się w jasnych barwach

Obecne perspektywy dla MMM są pod wieloma względami bardzo podobne do lat 70. Tak jak komputery nadały MMM nowe znaczenie i skalę w latach 70., sztuczna inteligencja i uczenie maszynowe są gotowe ożywić MMM w dzisiejszym krajobrazie medialnym, dostarczając odpowiedzi marketerom poszukującym skutecznego i wydajnego narzędzia, które szanuje prywatność konsumentów.

Pytanie, które powinni sobie zadać marketerzy i marki, nie dotyczy tego, czy wdrożyć MMM, ale jak wybrać najlepszego dostawcę MMM.

Najlepszy dostawca MMM to taki, który docenia bogatą przeszłość MMM, ale skupia się na przyszłości, wykorzystując nowe źródła danych, takie jak dane lokalizacyjne i internet rzeczy w połączeniu z AI i ML, aby uzyskać głębszy wgląd w zachowania klientów i preferencje, które będą wykorzystywane do podejmowania decyzji w czasie rzeczywistym, które są dokładne, wydajne i skalowalne.

George Papandreopoulos jest globalnym dyrektorem zarządzającym ds. pomiarów w Havas Media Group.