Marketing
Mix Model
Ökade kostnader för digital marknadsföring och förändrade marknadsföringsmodeller har skapat allt större behov av att förstå hur de olika kanalerna påverkar varandra. MMM är en modell som möjliggör djupare förståelse för budgetallokering och attribution.
För ett par månader sedan började vi internt diskutera hur vi kan förbättra de trafikplaneringsstrategier vi tar fram för våra kunder. Målet var att förbättra de strategier vi använder idag för att få mer robusta och pålitliga metoder för att modellera hur en optimal trafikmix ser ut.
Tidigare har vi tittat på hur den attribuerbara trafiken till våra kunders site har sett ut, gjort antaganden kring organisk tillväxt baserat på historisk data och planerad investering i upper funnel-kanaler. Utifrån detta har vi sedan gjort en bästa uppskattning av hur mycket vi anser att våra kunder bör spendera i olika marknadsföringskanaler för att nå de lönsamhets-, omsättnings-, eller trafikmål som är satta.
Denna strategi har visats sig bra för att på ett övergripande sätt ge perspektiv på den marknadsföringsbudget som krävs för att nå önskvärt läge. Det strategin har varit mindre bra på är att modellera faktiskt organisk tillväxt samt synergier mellan olika kanaler. Vår nuvarande modell har varit fokuserad på olika attributionsmodeller, framförallt Last click attribution. Last click attribution ger i regel större vikt till lower funnel-kanaler än vad dessa faktiskt påverkar. Målet var alltså att hitta en metod som når bortom de vanliga attributionsmodellerna för att få ett ännu mer robust verktyg än vad attributionsmodellerna är.
Det är till exempel inte ovanligt att en befintlig kund som gör ett köp som triggas av ett nyhetsbrev i Google Analytics räknas som en Paid Search-besökare på grund av att användaren ser mailet på telefonen men genomför köpet på datorn, till exempel. I Meta är det vanligt att försäljningen attribueras till deras kampanjer då de använder sig av seven day click/view attribution istället. Alltså räknar Meta att deras kampanjer är anledningen till att köpet har skett om en användare har sett eller klickat på deras annonser under en 7-dagarsperiod. Detta betyder att ett köp i Metas Ads-manager kan attribueras till en Facebook-kampanj, medan samma köp i Google Analytics attribueras till Google.
.png)
För att förstå hur man effektivt bör spendera sina marknadsföringspengar måste man helt enkelt komma på en bra strategi för att komma runt problemet med attributionsmodeller.
Attributionsstrategin har också visat sig vara mindre bra på att modellera hur upper funnel-kanaler påverkar den organiska trafiken under en längre tid. För att ta reda på detta används i regel benchmark-data eller historisk försäljning. Vad vi kom fram till är att man istället för att observera hur organiska kanaler växer tack vare upper funnel-annonsering, bör man försöka förstå hur stor andel av den totala försäljningen som varje betald kanal står för.
Det sista problemet vi såg med den strategi för marknadsinvesteringar vi har använt tidigare är att de flesta marknadsföringskanaler inte har en linjär relation mellan investerade pengar i kanalen och bruttoförsäljning. I nedan exempel ser vi relationen mellan kostnad och visningar i en PMAX-kampanj. Relationen ser ut vara relativt linjär vid lägre kostnader för att sedan avta vid högre kostnader. Här ser det alltså ut att finnas värde i att sätta ett maxtak så att kampanjen inte köper visningar till ett överpris. Det gäller alltså att det finns en punkt längs med den här grafen där man får ut så mycket som möjligt av sin investering och efter det avtar avkastningen, Point of diminishing returns.
Alla dessa problem med att pålitligt modellera den optimala kanalmixen fick oss att utvärdera vilka andra metoder det finns som bättre tar hänsyn till dessa problem. Efter lite undersökningar landade vi i att Marketing Mix Modeling passar våra behov väl och vi bestämde oss för att djupdyka mer för att se om detta är något som vi skulle kunna använda oss av.
Teori
En Marketing Mix Model, (MMM), är en matematiskt modell för att genom linjär regression ta reda hur mycket olika marknadsföringskanaler faktiskt bidrar till den totala försäljningen. Den tar ingen hänsyn till attribuerbar försäljning utan tar in faktorer som kostnad för marknadsföring, antal visningar av annonser, organiska marknadsföringskampanjer såsom email, tid på året, helgdagar, rabattgrad och övergripande tillväxt. Istället för att låta en kanal vara ensam ansvarig för ett köp undersöker man hur stor andel av den totala försäljningen de olika kanalerna står för och genom detta vilken Return on investment man kan förvänta sig på de olika kanalerna.
Som tidigare nämnt är dessa effekter resurskrävande att ta reda på för alla de olika marknadsföringskanaler som ett företag använder sig av. Detta är en stor anledning till att det tidigare har varit svårt för mindre företag att genomföra en MMM. Idag kan vi genom att utnyttja färdigskrivna kodpaket utvärdera en stor mängd möjliga koefficienter för att se vilka som ger oss en modell som bäst överensstämmer med verkligheten.
För att komma fram till detta simulerar vi en regressionsmodell för ca 10 000 olika uppsättningar av koefficienter. Genom att definiera inom vilka spann de olika koefficienterna får lov att befinna sig inom kan testar sig algoritmen fram till modeller som ger bättre och bättre lösningar. I bilden ovan syns ett spridningsdiagram över alla olika regressionsmodeller som har simulerats. Härifrån väljs de modeller som har lägst Normalized Root Mean Square Error (NRMSE) samt lägst Decomposition Root Sum of Squared Distance (Decomp. RSSD) ut.
Bilden ovan visar hur NRMSE räknas ut, det är alltså ett mått på hur precist modellen lyckas förutsäga det verkliga utfallet. Decomp. RSSD är ett mått på skillnaden mellan andel av total kostnad för en kanal och andel av total effekt. Det är helt enkelt ett mått som används för att sålla ut de mest orimliga modellerna men som ändå ger ett relativt rimligt resultat.
Utifrån detta kan den bäst passande modellen väljas ut för att ta reda på vad faktisk ROI per kanal är eller vilken som är den teoretiskt optimala kostnadsuppdelningen per mediakanal givet en specifik investering.
Marketing mix model exempel
I det exempel vi har använt oss av här har vi kostnad från olika kanaler på Facebook och Google tillsammans med impressions (visningar) för dessa kanaler aggregerat på veckonivå. Förutom dessa betalda kanaler gav vi även modellen antal öppnade nyhetsbrev, genomsnittlig rabattgrad och en markering om huruvida försäljningssiffrorna påverkas av Black Week eller inte. Dessutom har kodbiblioteket som används säsongs-, trend- och högtidseffekter inbyggt och tar hänsyn till dessa.