Marketing Mix Modeling: ما هو MMM وكيف يتكامل مع الإسناد

مع رفض الكوكيز وتغييرات الخصوصية في المتصفحات والهواتف، صار الإسناد القائم على النقرة يرى جزءًا متناقصًا من رحلة العميل. أما قنوات مثل التلفزيون والإذاعة والإعلانات الخارجية فلم يكن ممكنًا قياسها بالنقرات أصلًا.

يعود marketing mix modeling (MMM) إلى الواجهة لأنه لا يحتاج إلى تتبع أحد. نشرح ما هو، وما البيانات التي يحتاجها، وكيف يتكامل مع الإسناد واختبارات الزيادة الفعلية والتوزيع اليومي للميزانية.

ما هو marketing mix modeling

نموذج marketing mix هو انحدار إحصائي: يفسّر متغيرًا من متغيرات العمل، المبيعات عادةً، انطلاقًا من الاستثمار في كل قناة ومن عوامل أخرى تحرّكه أيضًا. ويعمل ببيانات مجمّعة أسبوعيًا أو يوميًا، لا بالمستخدمين ولا بالنقرات، لذا يمكنه أن يشمل القنوات غير المتصلة ولا يعتمد على الكوكيز.

ولكي تكون النتيجة منطقية، يتضمن ثلاث أفكار حول طريقة عمل الإعلان.

Adstock أو الأثر الممتد

الإعلان لا يبيع فقط في الأسبوع الذي يُبث فيه: جزء من أثره يظهر لاحقًا ثم يتلاشى تدريجيًا. ويلتقط adstock هذا الأثر الممتد، الذي يكون عادةً أطول في التلفزيون منه في البحث.

التشبّع

مضاعفة الاستثمار لا تضاعف المبيعات. فبعد مستوى معين، يضيف كل يورو إضافي أقل، ويقدّر النموذج هذا المنحنى لكل قناة.

القاعدة والعوامل الخارجية

جزء من المبيعات كان سيحدث دون إعلان: العملاء المتكررون، والعلامة التجارية، والزيارات العضوية. هذه هي القاعدة. فضلًا عن ذلك، تتحرك المبيعات بفعل الموسمية والسعر والعروض الترويجية والمنافسة. وإذا لم يُدرجها النموذج كمتغيرات ضابطة، فسينسب إلى القنوات ما كان أثرًا للتقويم.

ما الذي يجيب عنه MMM وما الذي لا يجيب عنه

يجيب MMM المبني جيدًا عن أسئلة الميزانية:

• مساهمة كل قناة. كم عملية بيع إضافية تجلبها كل قناة.
• العائد لكل قناة. كم يبيع كل يورو مستثمر، في المتوسط وعند الهامش.
• منحنيات التشبّع. إلى أي حد يجدي رفع الاستثمار في قناة ما.
• السيناريوهات. ماذا سيحدث لو نقلت الميزانية من قناة إلى أخرى أو خفّضت الإجمالي.

أما ما لا يفعله فهو النزول إلى التفاصيل. فبالبيانات المجمّعة لا يميّز أي حملة أو أي مادة إبداعية تعمل بشكل أفضل، ولا يتفاعل مع ما حدث بالأمس: إذ يُحدَّث كل بضعة أسابيع أو أشهر.

ما البيانات التي يحتاجها

1. سجل تاريخي كافٍ. المعتاد سنتان على الأقل من البيانات الأسبوعية، لكي يرى النموذج كل موسم عدة مرات. ومع بيانات يومية أو حسب المنطقة قد يكفي أقل من ذلك، لكن لا يوجد رقم سحري.
2. الاستثمار في كل قناة. الإنفاق، وإن أمكن مرات الظهور أو نقاط التقييم الإجمالية (GRP)، لكل قناة في كل فترة. وإذا ظل إنفاق قناة ما ثابتًا دائمًا، فلا يستطيع النموذج قياس ما يحدث عند تغييره.
3. المبيعات من مصدر الحقيقة الخاص بك. النتيجة التي يعتمدها عملك، من ERP أو CRM، لا تحويلات كل منصة. نشرح ذلك في ما هو مصدر الحقيقة.
4. المتغيرات الضابطة. السعر والعروض الترويجية والموسمية والعطلات والمنافسة وأي حدث حرّك المبيعات.

MMM والإسناد واختبارات الزيادة الفعلية

إنها ثلاث طرق للقياس لا تتنافس: كل منها يغطي ما لا تراه الأخرى.

يتتبع الإسناد متعدد القنوات رحلة كل مستخدم وينسب الفضل إلى نقاط التواصل. وهو سريع ويصل إلى مستوى الحملة والإعلان، لكنه لا يرى إلا ما يمكن تتبعه ويميل إلى مكافأة القنوات القريبة من التحويل، مثل البحث عن العلامة التجارية.

أما MMM فينظر إلى الصورة الكاملة، ويشمل القنوات غير المتصلة ولا يعتمد على التتبع. وفي المقابل، هو بطيء وقليل التفصيل ويعتمد على فرضياته: فقد يعطي نموذجان معقولان بالبيانات نفسها توزيعين مختلفين.

أما اختبارات الزيادة الفعلية (incrementality) فهي تجارب. ففي الاختبار الجغرافي (geo-lift) يُفعَّل الاستثمار أو يُغيَّر في بعض المناطق ويُقارن بمناطق مشابهة تؤدي دور المجموعة الضابطة. وفي دراسة conversion lift، تفصل المنصة نفسها مجموعة من المستخدمين لا ترى الإعلانات. وهي أقرب ما يكون إلى قياس سببي، لكن كل اختبار يجيب عن سؤال واحد، حول قناة واحدة وفترة واحدة.

لماذا تُعاير MMM بالتجارب

قد يخلط MMM بين الارتباط والسببية: فإذا كنت تستثمر دائمًا أكثر في الأسابيع التي تبيع فيها أكثر، فسينسب إلى القناة ما كان طلبًا. ويخبره اختبار الزيادة الفعلية بنطاق الأثر الواقعي لتلك القناة. وتتيح الأدوات الحالية إدماجه في النموذج، وهو من أفضل الطرق لكسب الثقة في استنتاجاته.

أدوات مفتوحة المصدر

الخياران الأشهر تنشرهما المنصات نفسها:

• Meridian من Google. إطار بايزي بلغة Python يقبل البيانات حسب المنطقة ويتيح إدماج نتائج التجارب كمعلومات مسبقة. وهو يحل محل LightweightMMM، مشروعها السابق.
• Robyn من Meta. طُوّر في الأصل بلغة R، ويؤتمت البحث عن معاملات adstock والتشبّع، ويولّد عدة نماذج مرشحة، ويتيح أيضًا المعايرة باختبارات الزيادة الفعلية.

المجانية لا تعني البساطة: فإعداد البيانات، واختيار المتغيرات الضابطة، والتحقق من أن النتائج منطقية من منظور العمل، وإبقاء النموذج محدّثًا، كلها تتطلب وقتًا وحسًّا إحصائيًا.

أخطاء شائعة

• نمذجة تحويلات المنصات. إذا كانت المبيعات متضخمة أصلًا بسبب الإسناد المزدوج، يرث النموذج المشكلة.
• نسيان العوامل الخارجية. دون السعر والعروض الترويجية والموسمية، ينسب النموذج إلى القنوات ما ليس لها.
• اعتبار النتائج دقيقة. يقدّم MMM تقديرات بهامش من عدم اليقين، وقد لا يكون عائدان متقاربان مختلفين فعلًا.
• عدم التحقق منه أبدًا. دون تجربة، لا تعرف إن كان النموذج مصيبًا أم أنه يتلاءم مع الماضي فحسب.
• بناؤه مرة واحدة ثم تركه. نموذج عمره سنة يصف سوقًا لم يعد موجودًا.

كيف تجمع بين MMM والتوزيع اليومي للميزانية

يرسم MMM الاتجاه: الوزن الذي ينبغي أن تحظى به كل قناة وأين تتشبّع. لكن بين تحديث وآخر تمر أسابيع، ويتغير أداء كل قناة.

لذلك من المنطقي العمل على مستويين. على المدى الطويل، يتحقق MMM واختبارات الزيادة الفعلية من التوزيع بين القنوات. وكل يوم، ينقل نظام لتوزيع الميزانية ديناميكيًا الاستثمار وفق التكلفة لكل نتيجة في كل قناة، مقاسة بمصدر الحقيقة نفسه. وإذا أشار الاثنان إلى اتجاهين مختلفين جدًا لأسابيع، فقد حان وقت مراجعة أحدهما أو تصميم اختبار يحسم الأمر. والشرط أن يقيس كلاهما الشيء نفسه: فإذا كان MMM يفسّر مبيعات ERP والمزايدات تحسّن تحويلات كل منصة، فسيدافع كل مستوى عن رقم مختلف.

كيف يفعل ذلك Babuin

Babuin، منصة MonkeyFlux، يعمل على المستوى اليومي. يتصل بمصدر الحقيقة الخاص بك، وبتلك النتائج يزايد MonkeyBot داخل كل قناة ويوزّع DBA الميزانية كل يوم بين القنوات. وتُتحقق تلك القرارات بالإسناد وMMM واختبارات الزيادة الفعلية، بحيث ينطلق ما يُقرَّر كل يوم وما يُقاس على المدى الطويل من البيانات نفسها.

يخبرك MMM الجيد إلى أين تتجه. وما يحدث بين تحديث وآخر له أهميته أيضًا.

الأسئلة الشائعة