Amb el rebuig de cookies i els canvis de privacitat als navegadors i als mòbils, l'atribució per clic veu una part cada cop més petita del recorregut del client. I mitjans com la televisió, la ràdio o l'exterior no s'han pogut mesurar mai amb clics.
El marketing mix modeling (MMM) torna a ser d'actualitat perquè no necessita seguir ningú. Expliquem què és, quines dades necessita i com encaixa amb l'atribució, els tests d'incrementalitat i el repartiment diari del pressupost.
En resum
- Un MMM relaciona la inversió setmanal o diària en cada mitjà amb les vendes, descomptant l'estacionalitat, el preu i altres factors.
- Estima la contribució i el retorn de cada canal, la seva saturació i què passaria amb un altre repartiment. No serveix per optimitzar campanyes o creativitats dia a dia.
- Necessita un històric llarg, la inversió per canal i les vendes de la teva font de la veritat.
- Funciona millor calibrat amb tests d'incrementalitat i combinat amb un sistema que decideixi cada dia.
Què és el marketing mix modeling
Un model de marketing mix és una regressió: explica una variable de negoci, normalment les vendes, a partir de la inversió en cada mitjà i d'altres factors que també la mouen. Treballa amb dades agregades per setmana o per dia, no amb usuaris ni amb clics, així que pot incloure mitjans offline i no depèn de cookies.
Perquè el resultat tingui sentit, incorpora tres idees sobre com funciona la publicitat.
Adstock o efecte d'arrossegament
Un anunci no només ven la setmana en què s'emet: part del seu efecte es nota després i es va apagant. L'adstock recull aquest arrossegament, que sol ser més llarg a la televisió que a la cerca.
Saturació
Duplicar la inversió no duplica les vendes. A partir de cert nivell, cada euro addicional aporta menys, i el model estima aquesta corba per a cada canal.
Base i factors externs
Una part de les vendes es produiria sense publicitat: clients recurrents, marca, trànsit orgànic. És la base. A més, les vendes es mouen per l'estacionalitat, el preu, les promocions o la competència. Si el model no els inclou com a variables de control, atribuirà als mitjans el que va ser un efecte de calendari.
Què respon un MMM i què no
Un MMM ben construït respon preguntes de pressupost:
- Contribució de cada canal. Quantes vendes incrementals aporta cada mitjà.
- Retorn per canal. Quant ven cada euro invertit, de mitjana i al marge.
- Corbes de saturació. Fins on compensa apujar la inversió en un canal.
- Escenaris. Què passaria si moguessis pressupost d'un mitjà a un altre o retallessis el total.
El que no fa és baixar al detall. Amb dades agregades no distingeix quina campanya o quina creativitat funciona millor, i no reacciona al que va passar ahir: s'actualitza cada poques setmanes o mesos.
Quines dades necessita
- Històric suficient. L'habitual és almenys dos anys de dades setmanals, perquè el model vegi diverses vegades cada temporada. Amb dades diàries o per regió pot n'hi haver prou amb menys, però no hi ha una xifra màgica.
- Inversió per canal. Despesa, i si és possible impressions o GRP, de cada mitjà en cada període. Si un canal ha tingut sempre la mateixa despesa, el model no pot mesurar què passa en canviar-la.
- Vendes de la teva font de la veritat. El resultat que el teu negoci dona per bo, de l'ERP o del CRM, no les conversions de cada plataforma. Ho expliquem a què és la font de la veritat.
- Variables de control. Preu, promocions, estacionalitat, festius, competència i qualsevol esdeveniment que hagi mogut les vendes.
MMM, atribució i tests d'incrementalitat
Són tres maneres de mesurar que no competeixen: cadascuna cobreix el que les altres no veuen.
L'atribució multicanal segueix el recorregut de cada usuari i assigna el mèrit als punts de contacte. És ràpida i arriba al nivell de campanya i anunci, però només veu el que es pot rastrejar i tendeix a premiar els canals propers a la conversió, com la cerca de marca.
L'MMM mira el conjunt, inclou mitjans offline i no depèn del rastreig. A canvi, és lent, poc granular i depèn de les seves hipòtesis: dos MMM raonables amb les mateixes dades poden donar repartiments diferents.
Els tests d'incrementalitat són experiments. En un test geogràfic (geo-lift) s'activa o es canvia la inversió en unes zones i es compara amb altres de semblants que fan de control. En un estudi de conversion lift, la mateixa plataforma separa un grup d'usuaris que no veu els anuncis. És el més proper a una mesura causal, però cada test respon una sola pregunta, sobre un canal i un període.
Per què calibrar l'MMM amb experiments
Un MMM pot confondre correlació amb causa: si sempre inverteixes més les setmanes en què més vens, atribuirà al mitjà el que va ser demanda. Un test d'incrementalitat li diu quin rang d'efecte és realista per a aquell canal. Les eines actuals permeten incorporar-lo al model, i és una de les millors maneres de guanyar confiança en les seves conclusions.
Eines de codi obert
Les dues opcions més conegudes les publiquen les mateixes plataformes:
- Meridian, de Google. Un marc bayesià en Python que admet dades per regió i permet incorporar resultats d'experiments com a informació prèvia. Substitueix LightweightMMM, el seu projecte anterior.
- Robyn, de Meta. Desenvolupat originalment en R, automatitza la cerca de paràmetres d'adstock i saturació, genera diversos models candidats i també permet calibrar amb tests d'incrementalitat.
Gratuïtes no vol dir senzilles: preparar les dades, triar els controls, revisar que els resultats tinguin sentit de negoci i mantenir el model al dia exigeix temps i criteri estadístic.
Errors habituals
- Modelar les conversions de les plataformes. Si les vendes ja vénen inflades per la doble atribució, el model n'hereta el problema.
- Oblidar els factors externs. Sense preu, promocions ni estacionalitat, el model atribueix als mitjans el que no és seu.
- Prendre els resultats com a exactes. Un MMM dona estimacions amb marge d'incertesa, i dos retorns semblants poden no ser diferents.
- No validar-lo mai. Sense un experiment, no saps si el model l'encerta o només encaixa amb el passat.
- Fer-lo una vegada i desar-lo. Un model de fa un any descriu un mercat que ja no existeix.
Com combinar l'MMM amb el repartiment diari del pressupost
L'MMM marca el rumb: quin pes hauria de tenir cada canal i on se satura. Però entre una actualització i una altra passen setmanes, i el rendiment de cada mitjà canvia.
Per això té sentit treballar en dos nivells. A llarg termini, l'MMM i els tests d'incrementalitat validen el repartiment entre canals. Cada dia, un sistema de repartiment dinàmic del pressupost mou la inversió segons el cost per resultat de cada mitjà, mesurat amb la mateixa font de la veritat. Si tots dos apunten en direccions molt diferents durant setmanes, toca revisar-ne un o dissenyar un test que ho resolgui. La condició és que tots dos mesurin el mateix: si l'MMM explica les vendes de l'ERP i les pujes optimitzen les conversions de cada plataforma, cada nivell defensarà una xifra diferent.
Com ho fa Babuin
Babuin, la plataforma de MonkeyFlux, treballa en el nivell diari. Es connecta a la teva font de la veritat i, amb aquests resultats, MonkeyBot puja dins de cada mitjà i DBA reparteix cada dia el pressupost entre canals. Aquestes decisions es validen amb atribució, MMM i tests d'incrementalitat, així que el que es decideix cada dia i el que es mesura a llarg termini parteixen de la mateixa dada.
Un bon MMM et diu cap on anar. El que passa entre una actualització i la següent també compta.
Preguntes freqüents
Què és el marketing mix modeling?
És un model estadístic que estima quant aporta cada mitjà a les vendes a partir de dades agregades d'inversió i vendes per setmana o per dia. Té en compte l'efecte d'arrossegament de la publicitat, la saturació de cada canal i factors externs com l'estacionalitat o el preu, i no necessita cookies ni seguiment d'usuaris.
Quina diferència hi ha entre MMM i atribució?
L'atribució segueix el recorregut de cada usuari i reparteix el mèrit entre els anuncis que va veure o prémer, amb detall de campanya i en poc temps, però només veu el que es pot rastrejar. L'MMM treballa amb dades agregades, inclou mitjans offline i estima la contribució de cada canal, però no baixa a nivell de campanya ni de creativitat. L'habitual és fer servir tots dos. Ho expliquem a atribució publicitària.
Què és un test d'incrementalitat?
És un experiment que mesura quantes vendes genera de veritat un mitjà comparant un grup exposat als anuncis amb un altre que no ho està. Es pot fer per zones geogràfiques (geo-lift) o amb estudis de conversion lift de la mateixa plataforma. Els seus resultats serveixen per calibrar un MMM.
Quantes dades calen per a un MMM?
L'habitual és comptar amb almenys dos anys de dades setmanals d'inversió per canal, vendes i variables de control com preu, promocions i estacionalitat. Amb dades diàries o per regió es pot treballar amb menys temps. A més, la inversió en cada canal ha d'haver variat prou perquè el model en pugui mesurar l'efecte.
