Marketing mix modeling
Marketing mix modeling, zkráceně MMM, je statistický model, který z historických časových řad odhadne, jak jednotlivé kanály, sezóna, ceny a další vlivy přispívají k tržbám. Nepracuje s cookies ani se sledováním jednotlivců, potřebuje jen agregovaná data: výdaje po kanálech, tržby, sezónnost. Právě proto se po úpadku cookie měření vrací jako hlavní nástroj pro strategické rozdělení rozpočtu.
V kostce
| Co to je | Statistický odhad příspěvku kanálů k tržbám z historických dat |
| Co potřebuje | Agregované časové řady: výdaje, tržby, sezónnost, promoakce, ideálně 2 až 3 roky |
| Co nepotřebuje | Cookies, pixely, souhlasy, sledování jednotlivců |
| K čemu slouží | Strategické rozhodnutí o rozdělení rozpočtu mezi kanály, ne denní optimalizace |
Jak to funguje
Vstupy a rovnice modelu
Základem je regrese na časových řadách. Vysvětlovaná proměnná jsou tržby (nebo objednávky) po týdnech, vysvětlující proměnné jsou výdaje nebo imprese každého kanálu a k nim kontrolní proměnné: sezónnost, svátky, promoakce, změny cen, počasí, aktivita konkurence, případně makroekonomické ukazatele. Model hledá koeficienty, se kterými součet příspěvků nejlépe vysvětlí skutečné tržby. Část tržeb, kterou nevysvětlí žádný kanál, je základna (baseline): organická poptávka, síla značky, opakované nákupy. Zjednodušeně: tržby v týdnu t = základna + příspěvek kanálu 1 + příspěvek kanálu 2 + ... + vliv kontrolních proměnných + šum.
Adstock a saturace
Dvě transformace odlišují MMM od obyčejné regrese. Adstock zachycuje doznívání: reklama z jednoho týdne působí i v týdnech následujících, proto se výdaje před vstupem do modelu rozloží v čase. Modelový příklad: při koeficientu přenosu 0,5 se z výdaje 100 000 Kč v prvním týdnu započítá 100 000 Kč, do druhého týdne se přenese 50 000 Kč, do třetího 25 000 Kč a dál klesá. Kanály s dlouhým dozníváním (TV, video, brand) mívají vyšší koeficient než search. Saturace zachycuje klesající výnos: křivka odezvy (typicky S-křivka nebo Hillova funkce) říká, že první koruny v kanálu přinášejí víc než ty poslední. Model tedy neodhaduje jeden průměrný ROAS kanálu, ale celou křivku, ze které se čte mezní výnos: kolik přinese další koruna při aktuální úrovni výdajů.
Kalibrace a výstupy
Regrese sama o sobě nerozliší příčinu od korelace: kanály, jejichž výdaje rostou společně se sezónou, model od sebe neumí odlišit. Proto se model kalibruje: koeficientům se zadají apriorní meze (priory) z geo lift testů a holdout testů, například že inkrementální ROAS kanálu vyšel mezi 1,5 a 2,5. Model se dále ověřuje na odložených týdnech (out of sample), kde nesmí znát výsledek. Výstupem je rozklad tržeb podle kanálů a základny, křivka odezvy pro každý kanál, mezní ROAS a z něj odvozený návrh přerozdělení rozpočtu při stejném celkovém výdaji nebo pro cílový objem tržeb. Odhady mají interval nejistoty a ten patří do každé prezentace výsledků, jinak se z odhadu stane falešná přesnost.
Kdy MMM dává smysl a kdy ne
MMM odpovídá na otázku, kterou atribuce z pixelů zodpovědět neumí: co by se stalo s tržbami, kdybychom přesunuli rozpočet mezi kanály, včetně těch, které pixel nevidí, jako je televize, rádio nebo brandová kampaň. Daň za to je hrubost: model pracuje po týdnech a kanálech, ne po kampaních a sestavách. Potřebuje také dostatečný rozpočet a variabilitu dat: když se výdaje nikdy neměnily, model nemá z čeho odhadovat. Pro menší účty s jedním až dvěma kanály je MMM zbytečně těžký nástroj a lepší službu udělají inkrementální testy.
Z naší praxe
Pro měření skutečného přínosu kanálů používáme vlastní platformu DiagnostIQ, která stojí na stejném principu jako MMM: na inkrementálním dopadu místo připisování konverzí. Konkrétní příklad výsledku: inkrementální test TikToku u e-commerce klienta ukázal 15 procent tržeb navíc, které by bez kanálu nevznikly, přestože atribuční pohled z pixelů kanál podceňoval. Přesně tento typ rozporu je důvod, proč se strategické rozpočty nemají řídit jen atribucí.
Časté chyby
- Čekat od MMM denní optimalizaci. Je to strategický nástroj s horizontem měsíců. Na denní řízení zůstává platformní měření.
- Krmit model krátkou historií. S méně než rokem dat nejde oddělit sezónu od efektu kampaní.
- Věřit modelu bez validace. Odhady se mají ověřovat experimenty: geo lift nebo holdout test ověří model proti realitě.
Časté otázky
Od jaké velikosti účtu má MMM smysl?
Orientačně od chvíle, kdy běží více kanálů včetně těžko měřitelných a rozpočet je v milionech ročně. Pod tím stačí testy inkrementality.
Nahrazuje MMM atribuci?
Doplňuje ji. Atribuce řídí detail uvnitř kanálu, MMM rozděluje rozpočet mezi kanály.
Jak často model aktualizovat?
Čtvrtletně až pololetně. Častější přepočet nepřinese nové informace, protože vstupem jsou týdenní řady.
Kde vám pomůžeme
Měření skutečného přínosu kanálů řešíme v rámci služby Výkonnostní marketing.