Маркетинг-мікс моделювання для розподілу рекламного бюджету та планування попиту

Три кейса, які доведуть, що маркетинг-мікс моделювання працює

18 Червень, 2021 

У розпорядженні маркетолога багато інструментів, які допомагають розподілити бюджет на рекламу по медіаканалах. У 2020 році ринок реклами склав 508 млрд доларів. З досвіду багатьох компаній, частина бюджету розподіляється, ґрунтуючись на досвіді, що може бути не дуже ефективно. Щоб такого не сталося, використовують маркетинг-мікс моделювання. Але ще в 2016 році в інтернеті писали про смерть цього інструменту.

Разом з Олександрою Гончаровою, експертом по Data Science з IBA Group (Мінськ), розбираємося, в чому звинувачують маркетинг-мікс моделювання та чи має він право на існування.

Зміст

Що таке маркетинг-мікс моделювання?

Маркетинг-мікс моделювання (медіамікс моделювання, моделювання комплексу маркетингу, або МММ) – це математичні моделі, які допомагають виміряти вплив минулих та спрогнозувати вплив майбутніх маркетингових активностей на продажі та прибуток.

Маркетинг-мікс моделювання використовує узагальнені дані, наприклад, з продажу або бюджетам на маркетинг за кілька років, щоб оцінити ефективність традиційних та цифрових каналів просування. Крім того, за допомогою маркетинг-мікс моделювання маркетологи можуть враховувати також зовнішні фактори впливу: сезонність, тренди, дії конкурентів, тощо.

Джерело: Вікіпедія

Маркетинг-мікс моделювання стало популярним ще в 1960-70-х роках, коли ринок був досить простим: існувало кілька каналів просування, була відсутня накопичена інформація, технології тільки починають розвиватися. Наприклад, коли компанія Kraft запустила желатинові десерти Jell-O, то для просування її співробітники вибирали лише між трьома або чотирма телевізійними каналами та рекламою в журналах. Зараз же для реклами товарів компанії розглядають десятки каналів на ТБ, радіостанції, друковану та зовнішню рекламу, інтернет-рекламу, блоги, піар, спонсорство та ін.

За що критикують маркетинг-мікс моделінг?

Сьогодні ринок став високо конкурентним, інформації дуже багато та клієнти вже майже не реагують на рекламу «для всіх». Щоб достукатися до клієнта, потрібна детальна та різнобічна аналітика. З цієї причини багато хто вважає, що МММ не справляється зі своїм завданням.

Три основні претензії до МММ:

  1. Маркетинг-мікс моделінг враховує тільки короткостроковий ефект реклами.
  2. Маркетинг-мікс моделінг не оцінює сенсу рекламного повідомлення або її креативи.
  3. Маркетинг-мікс моделінг часто не може виміряти ефект одночасного запуску декількох медіа каналів.

Чому маркетинг-мікс моделювання все ще працює?

Незважаючи на критику МММ працює. На ринку існує кілька рішень маркетинг-мікс моделювання, наприклад, від компаній Nielsen або Coffee-analytics.

Щоб маркетинг-мікс моделювання правильно відповідало на поставлені питання, необхідні дві речі:

  1. Історичні данні. Чим більше інформації буде для аналізу, тим точніший результат МММ зможе побудувати, де врахує зовнішні чинники, а також довгостроковий ефект від активностей. Наприклад, якщо у моделі МММ не було даних про зовнішню рекламу, вона не зможе спрогнозувати приплив клієнтів при збільшенні витрат на зовнішню рекламу.
  2. Правильно підібрані моделі. Data Science пропонує багато математичних моделей, наприклад, нейронні мережі, бустінгові алгоритми або алгоритми, засновані на деревах тощо. Наприклад, щоб оптимально розподілити бюджет по медіа каналах, визначити їх чинники та ефект накладення, підійде модель, яка швидко вбудовується в інструменти, працює, коли даних не дуже багато, та результати легко зрозуміти.

baselinet оцінка базового значення КРІ за умови незначних коливань активності ЗМІ;

Mediai,t медіа активність (аудиторія, бюджет);

βi.γi — параметри функції відгуку;

есоnj,t — економічні фактори;

αj — параметри економічних чинників;

εt — вільний коефіцієнт моделі;

AdStock (xt. λi,) — функція adstock, яка моделює авторегресійні процеси (процеси, які включають ефект «розпаду»), де λ—параметр розпаду

 Модель, що враховує різні медіаканали та додаткові чинники

 

Креативна складова реклами оцінюється іншими способами, наприклад, A/B тестуванням.

Олександра Гончарова поділилася кількома проектами по МММ, які вона разом зі своєю командою виконали за останні кілька років.

Приклад маркетинг-мікс моделювання для маркетингової компанії: «гало-ефект» та калькулятор оптимального розподілу бюджетів

Компанія хотіла зрозуміти, чи правильно витрачається бюджет на рекламу ліківта сформувати ефективну рекламну стратегію.

Data Science – команда Олександри разом з фахівцями замовника проаналізували витрати на рекламу в різних каналах: ЗМІ, ТБ та радіо, зовнішня реклама та кампанії в інтернеті. У них були дані за п’ять років. Це допомогло в прогнозної моделі врахувати вплив економічних факторів та сезонність.

Модель показала, що зовнішня реклама не приносить потрібний результат та до неї потрібно ставитися уважніше.

Цікавий факт: реклама одних ліків не збільшує продажі інших ліків цього виробника. Відсутність такого ефекту, його ще називають «гало-ефект», можна пояснити в даній ситуації - ми частіше запам'ятовуємо назву ліків, а не виробника.

Маркетологи також отримали інфопанель, яка допомагає порівнювати продажі та реклами в різних каналах, а також калькулятор для оптимального розподілу бюджетів на потрібний період. Це допомогло визначити суми, вище яких вкладати в рекламу безглуздо: нові клієнти не принесуть прибуток.

Маркетинг-мікс моделювання для компанії «Лідське пиво»: обсяг дистрибуції та оптимальні знижки

«Лідське пиво» хотіло проаналізувати якість роботи машинного навчання в завданні «прогнозування продажів». Для цього були обрані дані, що містять інформацію про постійні та промо знижки без урахування маркетингових активностей. З усієї наданої інформації були відібрані дані по групі товарів для оцінки ефекту канібалізації. IBA Group реалізувала пілотний проект, використавши маркетинг-мікс моделювання та технології Data Science. Проект реалізували в кілька етапів.

  1. Підготовка даних. Клієнт надав дані із зазначенням глибини постійної та промо знижки, структуровані по партнерам та SKU, постійним та промопродажам. Надані дані привели до формату, придатного для обробки. Зібрали та проаналізували додаткові чинники.
  2. Побудова економетричної моделі. Зробили декомпозицію показників, визначивши сезонність та вплив додаткових чинників, оцінили ефекти відкладень та загасання для знижок, а також ефект канібалізації в рамках групи товарів.
  3. Побудова прогнозної моделі, яка оцінює обсяг дистрибуції, на наданому обсязі даних.

В результаті описали чинники, що впливають на обсяг дистрибуції, в тому числі і продажу аналогічного товару в іншому обсязі і тарі; побудували модель, яка показує, який вплив надає кожен з цих факторів; оцінили прогнозні значення обсягу дистрибуції на квартал для окремих товарів та категорії в цілому. Відхилення від факту прогнозних показників моделі за обсягом дистрибуції на рівні категорії не перевищила +/-3%. А по окремих товарах отримане значення було в два рази більше того, яке очікував побачити клієнт.

Нейронні мережі в нашій задачі – це лише інструмент, який допомагає людям краще розуміти дані та приймати правильні рішення. Щоб він працював, його потрібно адаптувати під бізнес-процеси компанії, зібрати та структурувати потрібні дані, зрозуміти, які фактори необхідно враховувати. Без людини тут не обійтися.

Крім того, нейронні мережі не висунуть гіпотези для перевірки, не зможу безпомилково визначити екзогенні фактори, які потрібно враховувати. Принципові рішення повинен приймати фахівець, а машинне навчання може бути зручним інструментом для цього.

Тому головні рішення повинен приймати фахівець, який оцінить адекватність результатів роботи нейронної мережі з урахуванням поточної ситуації.

Тетяна Островськафінансовий директор ВАТ «Лідське пиво»

Приклад маркетинг-мікс моделювання для телеком-оператора: оптимальний розподіл бюджету та фактори медіаканалів

Маркетологам телеком-оператора необхідно було залучити максимальну кількість людей в точки продажів. Бюджет на просування визначено заздалегідь, та його потрібно правильно розподілити по каналах. У компанії є дані за останні три роки: рекламний бюджет по тижнях, зведення по каналах та кількість клієнтів, які прийшли.

Для вирішення завдання розробили модель, яка враховує фундаментальне значення KPI, медіа активності та економічні чинники, якщо є. Визначили коефіцієнт впливу кожного медіаканалу, значення постійного фактору, коефіцієнти затримки та загасання, оцінили вплив медіаканалів.

В результаті нова методологія привернула в три рази більше клієнтів.

Вона допомогла визначити, фактори кожного медіаканалу та його ефективність. Наприклад, інтернет-реклама ефективна, працює без затримок та без загасання. У той же час реклама на TV ефективна з великим періодом згасання та з початкової затримкою впливу.

Розробили калькулятор оптимального бюджету. Необхідно тільки задати потрібну суму, а калькулятор запропонує, скільки потрібно інвестувати в інтернет-рекламу або рекламу на телебаченні. Також тепер можна оцінити ROAS (return on ad spend) – який дохід приносить кожен вкладений долар.

На власному досвіді ми довели, що маркетинг-мікс моделювання має право на існування. Розробка моделі займе декілька місяців, але ви зможете по-новому оцінити ефективність рекламної кампанії, порахувати дохід на кожен вкладений долар та підвищити ROMI. Маркетинг-мікс моделювання перетворюють накопичені дані в актив, який допомагає обійти конкурентів.

Олександра Гончароваексперт з Data Science

Залиште свої коментарі чи запитання

    Yes
    Yes Політики конфіденційності Політикою щодо файлів «cookie»

    Privacy Preference Center

    Necessary

    Advertising

    Analytics

    Other