Pemodelan bauran pemasaran vs pemodelan atribusi: pro dan kontra

Sebagian besar tim pemasaran memiliki semacam masalah data.

Entah mereka tidak memiliki cukup data, mereka memiliki terlalu banyak, atau paling umum, mereka tidak tahu apa yang harus dilakukan dengannya.

Dan itulah mengapa dalam posting ini, kami akan mengevaluasi dua cara paling umum yang digunakan bisnis saat ini untuk menerapkan data pemasaran mereka: pemodelan atribusi dan pemodelan bauran pemasaran.

Mari kita selami.

MMM vs MTA [webinar]

Tonton webinar kami tentang pemodelan bauran pemasaran vs atribusi multi-sentuh untuk mempelajari lebih lanjut.

Dapatkan rekamannya

Apa itu model atribusi?

Pemodelan atribusi adalah proses menetapkan aturan yang menentukan seberapa besar kontribusi setiap titik kontak di sepanjang perjalanan pelanggan terhadap penjualan. Hal ini dilakukan untuk memperkirakan kontribusi pendapatan pemasaran.

Model atribusi multisentuh yang umum meliputi:

• Atribusi linier: setiap titik kontak (dapat dilacak) di sepanjang perjalanan pelanggan memiliki kontribusi pendapatan yang sama.
• Atribusi peluruhan waktu: titik kontak yang lebih baru di sepanjang perjalanan pelanggan berkontribusi pada pendapatan lebih dari titik kontak sebelumnya.
• Atribusi berbasis posisi: titik kontak pertama dan terakhir berkontribusi pada pendapatan lebih dari titik kontak di tengah perjalanan pelanggan.

Manfaat pemodelan atribusi

Di atas kertas, janji model atribusi itu menarik: ini membantu pemasar membedah perjalanan pelanggan dan memahami bagaimana setiap titik kontak berkontribusi pada penjualan. Secara teoritis, model atribusi harus membantu pemasar mengalokasikan anggaran mereka secara lebih efektif ke saluran, kampanye, dan aktivitas yang memiliki dampak terbesar pada pendapatan.

Namun, kata kunci di sini secara teoritis . Mari kita lihat beberapa alasan mengapa model atribusi sering gagal memenuhi janjinya.

Kelemahan dari model atribusi

1. Janji palsu tentang keterlacakan 100%

Mari kita mulai dengan masalah terbesar: atribusi multi-sentuh dibangun di atas janji palsu bahwa setiap titik kontak di setiap perangkat dapat dilacak.

Masalahnya, janji itu dibuat dengan itikad buruk.

Kami tidak pernah bisa melacak setiap tayangan dan klik setiap orang. Dan karena alasan hukum, etika, dan teknis, kami juga tidak akan pernah bisa melakukannya. Faktanya, kematian cookie dan pengenalan iOS 14 sebenarnya berarti bahwa jumlah titik kontak yang dapat dilacak menurun, membuat atribusi menjadi lebih sulit.

Sidebar: Para pendukung atribusi multi-sentuh akan berpendapat di sini bahwa mengumpulkan data sekitar 70% dari titik kontak pelanggan lebih baik daripada mengumpulkan 0% dari data itu. Masalah dengan argumen ini adalah bahwa tidak peduli bagaimana Anda mengirisnya, pada akhirnya Anda akan menilai saluran yang sebenarnya bisa Anda ukur. Dan sebagai hasilnya, Anda mungkin akhirnya membuat beberapa keputusan yang sangat buruk yang mengabaikan (?) 30% perjalanan pelanggan Anda yang paling penting.

Lalu, apa yang harus Anda lakukan dengan data yang Anda kumpulkan? Yah, kita akan membahasnya nanti.

2. Atribusi mengukur klik — dan klik saja

Alasan mengapa atribusi gagal memperhitungkan banyak titik kontak di sepanjang perjalanan pelanggan adalah karena model atribusi biasanya mengukur klik, dan klik saja. Dengan kata lain, setiap titik kontak offline, sosial gelap, dan tayangan sepenuhnya ditinggalkan dari sebagian besar model.

Podcast yang memiliki CEO Anda sebagai tamu? Tidak dapat diatribusikan. Posting LinkedIn yang tidak tertaut ke situs web Anda? Tidak dapat diatribusikan. Grup Slack tempat seseorang merekomendasikan produk Anda? Anda dapat menebaknya: juga tidak dapat diatribusikan.

Mengetahui hal ini dan memiliki pemahaman umum tentang bagaimana manusia membuat keputusan, menurut Anda bolehkah kami menyertakan iklan Facebook dan Google, kunjungan halaman arahan, dan pendaftaran webinar dalam model atribusi kami — tetapi gagal memperhitungkan rekomendasi pribadi dari rekan-rekan, podcast, dan posting media sosial?

Tidak? Tidak berpikir begitu.

3. Atribusi, pada kenyataannya, sepenuhnya dibuat-buat

Dua poin ini membawa kita dengan rapi ke poin ketiga: atribusi secara harfiah dibuat-buat.

Seperti yang ditunjukkan oleh Tim Wilson dalam sebuah wawancara baru-baru ini, “cara kami melakukan atribusi menggelikan bagi para ilmuwan data. Benar-benar konyol untuk memilih model heuristik sentuhan terakhir, sentuhan pertama, peluruhan waktu, atau kurva J terbalik. Dan itu karena dua alasan: pertama, sangat sulit untuk melacak satu orang di semua titik kontak, dan kedua, atribusi juga mengabaikan riwayat seseorang dengan merek tersebut.”

Secara ilmiah, bagaimana Anda membuktikan bahwa klik tertentu berdampak positif — atau apa pun — pada keputusan pembelian? Atau bahwa satu titik kontak memiliki kontribusi yang lebih besar daripada yang lain? Ketika Anda memikirkannya, Anda akan menyadari bahwa cara kami memutuskan untuk mengalokasikan kredit ke setiap titik kontak tidak didasarkan pada sains sama sekali.

Faktanya, dalam banyak kasus, dapat dikatakan bahwa orang akan membeli produk kami terlepas dari (atau terlepas dari) iklan kami. Namun, iklan akan mengklaim beberapa kredit untuk pembelian karena secara teknis iklan tersebut ditampilkan kepada pelanggan sebelum mereka melakukan pembelian.

4. Getaran yang bagus saja

Akhirnya, sebagian besar model atribusi berasumsi bahwa setiap titik kontak memiliki dampak positif pada keputusan pembelian. Itu jelas bermasalah mengingat orang pada akhirnya dapat membeli produk atau layanan yang berinteraksi negatif dengan mereka.

Dengan kata lain, atribusi multi-sentuh dapat dianggap sebagai data yang setara dengan positivitas beracun.

Apa itu pemodelan bauran pemasaran?

Pemodelan bauran pemasaran mengacu pada analisis statistik pada data pemasaran dan penjualan historis untuk memperkirakan dampak aktivitas pemasaran tertentu di masa depan terhadap pendapatan (atau variabel dependen lainnya). Hal ini dilakukan untuk mengoptimalkan alokasi anggaran pemasaran ke saluran dan kampanye yang tepat.

Manfaat pemodelan bauran pemasaran

Tidak seperti atribusi multi-sentuh, pemodelan bauran pemasaran berfokus pada analisis input (pikirkan anggaran dan saluran) dalam kaitannya dengan output (pikirkan pendapatan atau kesadaran merek), menggunakan metode statistik alih-alih rantai lemah tindakan pelanggan yang dapat dilacak.

Dengan kata lain, tujuannya bukan untuk membangun model perjalanan pelanggan yang komprehensif, melainkan untuk memahami peran yang dimainkan setiap saluran dan kampanye dalam keberhasilan bisnis secara keseluruhan.

Terlebih lagi, pemodelan bauran pemasaran didasarkan pada ilmu yang nyata dan valid. MMM adalah regresi linier yang diterapkan, yang jauh lebih mudah diukur dengan andal karena semua input diketahui.

Terakhir, tidak seperti MTA, MMM juga akan memperhitungkan dampak pendapatan negatif dari saluran, kampanye, atau aset tertentu.

Kedengarannya bagus di atas kertas, bukan? Namun, bukan berarti pemodelan bauran pemasaran tidak memiliki persoalan tersendiri.

Kelemahan dari pemodelan bauran pemasaran

1. Agar pemodelan bauran pemasaran berfungsi, Anda memerlukan anggaran yang relatif besar

Mungkin masalah terbesar dengan pemodelan bauran pemasaran adalah bahwa hal itu baru mulai masuk akal ketika perusahaan Anda mencapai skala tertentu — dan anggaran media. Ini karena Anda perlu menciptakan variabilitas dalam bauran pemasaran Anda untuk benar-benar mulai melihat dampak dari setiap saluran dan kampanye.

Misalnya, jika Anda hanya membelanjakan $1.000 sebulan untuk iklan, kecil kemungkinan Anda akan melihat banyak pengaruh, terlepas dari cara Anda membagi anggaran antara saluran, jenis iklan, dan materi iklan yang berbeda.

2. MMM biasanya mengabaikan kontrafaktual

Masalah besar lainnya dengan pemodelan bauran pemasaran tradisional adalah mengabaikan kontrafaktual. Dengan kata lain, tidak umum untuk memasukkan kelompok kontrol atau tes tambahan dalam pemodelan bauran pemasaran.

Sebaliknya, sebagian besar model bauran pemasaran berfokus pada populasi global (dalam arti statistik), yang membuat sulit untuk memahami dampak sebenarnya dari perubahan yang Anda buat terhadap alokasi anggaran dan bauran saluran.

Namun, tidak ada dalam buku aturan yang mengatakan Anda tidak dapat menggabungkan MMM dengan studi kontrol acak untuk membuat temuan Anda lebih dapat diandalkan.

3. Penekanan berlebihan pada konversi

Dalam kebanyakan kasus, MMM akan mengurangi aktivitas pembangunan kesadaran di bagian atas corong. Ini karena sebagian besar MMM melihat pendapatan sebagai variabel dependen dan pembelanjaan sebagai variabel independen.

Dengan kata lain, jika input Anda adalah pembelanjaan pemasaran, output Anda tidak bisa berupa kesadaran merek.

Namun, Anda tentu saja dapat mengurangi masalah ini dengan menjadikan kesadaran merek sebagai variabel dependen Anda.

4. MMM menjadi rumit di lingkungan B2B

Sama seperti atribusi multi-sentuh, model bauran pemasaran juga lebih mudah diterapkan di lingkungan B2C daripada di B2B.

Ini karena MMM berasumsi bahwa populasinya homogen — dan tidak terdiri dari peran dan kepribadian yang berbeda dengan tujuan, tantangan, dan prioritas yang unik.

Namun, ini tidak berarti bahwa pemodelan bauran pemasaran tidak dapat bekerja dalam pengaturan B2B. Itu hanya berarti bahwa penerapannya akan sedikit lebih rumit.

MMM vs. MTA: skor akhir

Singkat cerita, pemodelan bauran pemasaran adalah solusi yang jauh lebih baik bagi mereka yang memiliki anggaran dan sarana untuk itu.

Dan jika tidak, Anda mungkin akan lebih baik dengan pengujian A/B sederhana dan pengoptimalan tingkat konversi daripada pemodelan atribusi. Kecuali jika Anda relatif yakin bahwa model atribusi Anda menangkap data tentang titik kontak terpenting Anda.

Lagi pula, terkadang bertindak berdasarkan data terbatas lebih baik daripada membangun model kompleks yang hanya memberi Anda sebagian kecil dari kebenaran.

Pelajari lebih lanjut tentang MMM vs MTA

Tonton webinar kami dengan Proof Analytics di mana kami mempelajari lebih dalam tentang manfaat dan kerugian dari atribusi multi-sentuh dan pemodelan bauran pemasaran.

Dapatkan rekamannya