Это первая статья из серии, в которой я расскажу о моделировании медиамикса.

В первой части я познакомлю вас с терминами, эффектами и эффектами модели медиамикса, а также данными, которые вам понадобятся для построения моделей.

Во второй части я расскажу подробнее о моделировании и оптимизации: как выбрать подход и метрики, собрать и предварительно обработать данные и собственно перейти к моделированию.

Часть 3 будет посвящена практическим советам по созданию моделей медиа-микса с использованием Robin, экспериментального пакета моделирования маркетинг-микса (МММ) от Meta Marketing Science.

В четвертом мы подробнее рассмотрим PYMC-Marketing, решение для маркетинговой аналитики на основе Python.

Итак, давайте перейдем к анализу основных понятий и проблем, с которыми сталкиваются аналитики успеха каналов медиамаркетинга.

Как оценить эффективность каналов сбыта?

Нажмите атрибуцию

За последние 10–15 лет сенсорная атрибуция стала стандартом в этой области. Это подход к маркетинговым измерениям, при котором канал назначает файл cookie конкретному пользователю. Затем его путь можно будет проследить в вашем приложении, магазине или платформе.

Существуют разные подходы к такой атрибуции.

Вы можете выбрать модель последнего касания, то есть данные о последнем канале, который привел человека на ваш сайт, или первое касание — данные о том, как пользователь впервые зашел на ваш сайт и как он в конечном итоге совершил конверсию. В этих моделях действует принцип «победитель получает все».

Существуют также мультитач-подходы, при которых пользователю вероятностно (или нет) присваивается несколько каналов одновременно.

Однако не все так гладко с сенсорной атрибуцией:

• Он отдает приоритет нижней части воронки: этапу принятия решения и удержания.

• Оценить эффект офлайн-маркетинга невозможно.

• Это не соответствует тенденциям конфиденциальности данных.

Давайте рассмотрим каждый вопрос немного подробнее.

Фактически, нижняя часть воронки менее предпочтительна для атрибуции «последним касанием». То есть, если пользователи будут искать ваш продукт в поисковой системе по имени или ключевому слову, окажется, что ваши маркетинговые каналы вообще не работают.

Однако вполне возможно, что пользователи придут после просмотра вашей наружной рекламы или телевизионной рекламы. Сенсорная атрибуция этого не знает, и вы не можете оценить, сколько продаж на самом деле приносит вам офлайн-реклама.

Конфиденциальность здесь немного другая. Проблема здесь в том, что в современном мире с каждым годом становится все сложнее отслеживать эффективность Performance-маркетинга. Европейский Союз принял регламент защиты данных GDPR, и аналогичные инициативы предпринимаются в Соединенных Штатах. Меры по ограничению отслеживания данных вводятся не только на государственном уровне, но и внутри компаний. Например, Apple ввела ограничения на стороннее отслеживание.

Все это говорит о том, что, хотя эра сенсорной атрибуции и не подходит к концу, в ней, по крайней мере, происходят некоторые серьезные изменения.

Моделирование медиа-микса

И тут нам на помощь приходит МММ.

Моделирование медиа-микса (МММ) — это метод статистического анализа, используемый в маркетинге для определения оптимального распределения ресурсов по различным рекламным или медиаканалам для максимизации эффективности маркетинговой кампании.

Цель моделирования медиа-микса — понять влияние различных маркетинговых каналов на общую эффективность кампании и оптимально распределить бюджет на основе вклада каждого канала.

Другими словами, MMM использует регрессионный анализ, чтобы попытаться установить взаимосвязь между затратами на маркетинговые каналы и вашей целевой метрикой, используя исторические данные. Как только такая связь будет построена с достаточной точностью, ее можно будет использовать для оптимизации бюджета.

Рекламный сток и насыщенность

Рекламный сток

Эффекты маркетинга не всегда мгновенны. Пользователь может установить приложение или зарегистрироваться в интернет-магазине, но может пройти некоторое время, прежде чем произойдет конверсия и он совершит покупку.

Это может сильно различаться в зависимости от вашего продукта. Например, к крупным покупкам пользователи обычно подходят с большей ответственностью. Чтобы приобрести холодильник, покупателю необходимо все тщательно взвесить, сравнить на сайте несколько моделей, а затем приступить непосредственно к покупке. Очевидно, что пользователь гораздо быстрее принимает решение заказать пиццу.

Этот эффект в маркетинге называется рекламным стоком, или эффектом трансфера. В простейшем случае он моделируется процентом людей, которые уйдут подумать на следующий день. Обычно этот процент фиксирован. Например, если сегодня на ваш сайт зашло 100 человек, а ваш рейтинг Adstock равен 0,4, то в первый день покупку у вас совершят 60 человек, во второй — 60% из оставшихся 40 человек (не считая новостей о том, что пришли), или 24 человека, на третий день — 60% от 24, или около 10 человек и так далее.

Есть и другие способы моделирования Adstock, но этот самый простой и понятный. Здесь следует отметить, что пик покупок не обязательно придется на первый день. Также не обязательно фиксировать рейтинг рекламной акции: в первый день снижение может составлять 10%, во второй — 50%.

Кроме того, при моделировании обычно требуется указать период рекламного стока — это период, в течение которого сохраняется эффект. Например, было бы странно ожидать, что пользователь совершит первую покупку через год после регистрации.

Насыщение или убывающая отдача

Насыщение, или убывающая отдача, — это эффект, при котором каждый следующий вложенный доллар приносит вам меньшую выгоду, чем предыдущий. Такое поведение связано с тем, что каждый дополнительный объем рекламы выше определенного порога оказывает все меньшее влияние на рост спроса.

На самом деле это не всегда так и может работать в обе стороны: следующий потраченный рубль, наоборот, может принести вам большую прибыль. Так происходит, например, если ваша максимальная ставка за пользователя на рекламном аукционе равна 30, а у вашего конкурента – 31, а значит, следующий рубль может привлечь к вам пользователей вашего конкурента.

Однако каналы имеют свою глубину, а продукт имеет свою целевую аудиторию. Момент, когда вы достигаете пика аудитории, называется насыщением. Чтобы максимально эффективно использовать наш маркетинговый бюджет, мы хотим знать кривую убывающей отдачи, чтобы найти золотую середину, при которой мы не тратим слишком мало и в то же время не платим слишком много за пользователя.

Существует множество способов моделирования убывающей отдачи, и вам придется повозиться с ними, чтобы найти лучший вариант. Более того, этот же эффект может имитировать тот факт, что вы начнете получать лидов – то есть пользователей, оставивших свои контакты – только начав с определенной суммы инвестиций. Это цена для первого пользователя.

Данные, необходимые для моделирования

В этом разделе я считаю важным разделить ответ на три части.

• Какой минимум необходим для начала создания МММ?

• С какого набора лучше начать?

• Какой максимальный набор используется для получения важной информации?

Минимально необходимый

Требуемый минимум включает временной ряд ваших маркетинговых расходов, а также ваши маркетинговые измерения. Помните, что ваши данные должны иметь одинаковую степень детализации. Подробнее о том, как выбрать степень детализации, я расскажу во второй статье серии.

Оптимальный набор

Если к минимальному набору внешних факторов, влияющих на рынок, добавить, то его можно назвать оптимальным набором для моделирования.

Внешние факторы могут включать, например:

• Факторы, влияющие на сезонность

• Факторы, влияющие на продажи в целом (covid-19, изменение процентных ставок, курсы валют)

• Данные о конкурентах (Цены на аналогичную продукцию, акции)

Максимальный набор

Максимальный набор потребуется для того, чтобы дать МММ максимально точную картину работы канала. Он поймет:

• Данные о конверсиях каналов

• Данные о конверсиях в бизнесе (на один уровень ниже каналов)

• Данные A/B-тестирования

• Данные испытаний на подъем

Таким образом, мы определили данные, необходимые для моделирования медиа-микса. Подробно о дальнейшей подготовке и собственно моделировании мы поговорим в следующей статье.