Modellazione del mix di marketing vs modellazione dell'attribuzione: i pro ei contro
Pubblicato: 2021-10-06La maggior parte dei team di marketing ha una sorta di problema con i dati.
O non hanno abbastanza dati, ne hanno troppi o, più comunemente, non sanno cosa farne.
Ed è per questo che in questo post valuteremo due dei modi più comuni in cui le aziende stanno attualmente mettendo in funzione i propri dati di marketing: modelli di attribuzione e modelli di marketing mix.
Entriamo subito.
MMM vs MTA [webinar]
Guarda il nostro webinar sulla modellazione del mix di marketing rispetto all'attribuzione multi-touch per saperne di più.
Che cos'è il modello di attribuzione?
La modellazione dell'attribuzione è il processo di impostazione delle regole che determinano quanto ogni punto di contatto lungo il percorso del cliente contribuisce a una vendita. Questo viene fatto per stimare il contributo alle entrate del marketing.
I modelli di attribuzione multi-touch comuni includono:
- Attribuzione lineare: ogni touchpoint (tracciabile) lungo il percorso del cliente ha pari contributo alle entrate.
- Attribuzione del tempo: i punti di contatto più recenti lungo il percorso del cliente contribuiscono alle entrate più dei punti di contatto precedenti.
- Attribuzione basata sulla posizione: il primo e l'ultimo punto di contatto contribuiscono alle entrate più dei punti di contatto nel mezzo del percorso del cliente.
I vantaggi della modellazione di attribuzione
Sulla carta, la promessa della modellazione dell'attribuzione è interessante: aiuta i professionisti del marketing a sezionare il percorso del cliente e capire in che modo ogni punto di contatto contribuisce a una vendita. In teoria, i modelli di attribuzione dovrebbero aiutare gli esperti di marketing ad allocare i propri budget in modo più efficace ai canali, alle campagne e alle attività che hanno il maggiore impatto sulle entrate.
Tuttavia, la parola chiave qui è teoricamente . Diamo un'occhiata ad alcuni dei motivi per cui la modellazione di attribuzione spesso non riesce a mantenere le promesse.
Gli svantaggi della modellazione di attribuzione
1. La falsa promessa della tracciabilità al 100%.
Cominciamo con il problema più grande: l'attribuzione multi-touch si basa sulla falsa promessa che ogni singolo punto di contatto su ogni singolo dispositivo è tracciabile.
Il problema è che quella promessa è stata fatta in malafede.
Semplicemente non siamo mai stati in grado di tracciare ogni impressione e ogni clic di ogni persona. E per ragioni legali, etiche e tecniche, non saremo mai in grado di farlo. La morte del cookie e l'introduzione di iOS 14, infatti, fanno sì che il numero dei touchpoint tracciabili sia in calo, rendendo ancora più difficile l'attribuzione.
Barra laterale: i sostenitori dell'attribuzione multi-touch sosterrebbero qui che raccogliere dati su circa il 70% dei punti di contatto dei clienti è meglio che raccogliere lo 0% di quei dati. Il problema con questo argomento è che, indipendentemente da come lo si taglia, finirai per sopravvalutare i canali che puoi, in effetti, misurare. E di conseguenza, potresti finire per prendere decisioni piuttosto terribili che ignorano il 30% più importante (?) del tuo percorso con il cliente.
Cosa dovresti fare con i dati che stai raccogliendo, allora? Bene, ci arriveremo più tardi.
2. L'attribuzione misura i clic e solo i clic
Il motivo per cui l'attribuzione non tiene conto di molti dei punti di contatto lungo il percorso del cliente è che i modelli di attribuzione in genere misurano i clic e solo i clic. In altre parole, tutti i punti di contatto offline, i social oscuri e le impressioni sono completamente esclusi dalla maggior parte dei modelli.
Quel podcast che ha avuto come ospite il tuo CEO? Inattribuibile. Quel post di LinkedIn che non si collegava al tuo sito web? Inattribuibile. Quel gruppo Slack in cui qualcuno ha consigliato il tuo prodotto? Avete indovinato: anche inattribuibile.
Sapendo questo e avendo una comprensione generale di come gli esseri umani prendono le decisioni, pensi che sia giusto che includiamo i nostri annunci Facebook e Google, le visite alle pagine di destinazione e le iscrizioni ai webinar nei nostri modelli di attribuzione, ma non prendiamo in considerazione i consigli personali di colleghi, podcast e post sui social media?
No? Non la pensavo così.
3. L'attribuzione è, infatti, completamente inventata
Questi due punti ci portano esattamente al nostro terzo: l'attribuzione è letteralmente inventata.
Come sottolinea Tim Wilson in una recente intervista, “il modo in cui eseguiamo l'attribuzione è ridicolo per i data scientist. È assolutamente ridicolo scegliere un modello euristico di last-touch, first-touch, time-decay o J-curve inversa. E questo per due ragioni: in primo luogo, è davvero difficile tenere traccia di una persona attraverso tutti i punti di contatto e, in secondo luogo, l'attribuzione ignora anche la storia di una persona con il marchio".
Scientificamente parlando, come dimostreresti che un determinato clic ha avuto un impatto positivo, o qualsiasi, su una decisione di acquisto? O che un punto di contatto ha avuto un contributo maggiore di un altro? Quando ci pensi, ti renderai conto che il modo in cui abbiamo deciso di allocare credito a ciascun punto di contatto non si basa affatto su alcuna scienza.
In effetti, nella maggior parte dei casi, si potrebbe sostenere che le persone avrebbero acquistato il nostro prodotto indipendentemente (o nonostante) i nostri annunci. Tuttavia, gli annunci rivendicano un certo credito per l'acquisto perché tecnicamente sono stati mostrati al cliente prima che effettuasse l'acquisto.
4. Solo buone vibrazioni
Infine, la maggior parte dei modelli di attribuzione presuppone che ogni punto di contatto abbia un impatto positivo sulla decisione di acquisto. Questo è ovviamente problematico considerando che le persone possono finire per acquistare prodotti o servizi con cui hanno avuto interazioni negative.
In altre parole, l'attribuzione multi-touch può essere considerata il dato equivalente alla positività tossica.
Che cos'è la modellazione del marketing mix?
La modellazione del marketing mix si riferisce all'analisi statistica sui dati storici di marketing e vendite per stimare l'impatto che specifiche attività di marketing future avranno sui ricavi (o su qualsiasi altra variabile dipendente). Questo viene fatto per ottimizzare l'allocazione del budget di marketing ai canali e alle campagne corretti.
I vantaggi della modellazione del marketing mix
A differenza dell'attribuzione multi-touch, la modellazione del marketing mix si concentra sull'analisi degli input (pensare a budget e canali) in relazione agli output (pensare alle entrate o alla consapevolezza del marchio), utilizzando metodi statistici anziché una catena debole di azioni tracciabili dei clienti.
In altre parole, l'obiettivo non è costruire un modello completo del percorso del cliente, ma piuttosto comprendere il ruolo che ogni canale e campagna gioca nel successo complessivo dell'azienda.
Inoltre, la modellazione del marketing mix si basa su una scienza reale e valida. MMM viene applicata alla regressione lineare, che può essere molto più facile da misurare in modo affidabile perché tutti gli input sono noti.
Infine, a differenza di MTA, MMM terrà conto anche dell'impatto negativo sulle entrate di determinati canali, campagne o risorse.
Sembra fantastico sulla carta, giusto? Tuttavia, ciò non significa che la modellazione del marketing mix non abbia i suoi problemi.
Gli svantaggi della modellazione del marketing mix
1. Affinché la modellazione del marketing mix funzioni, è necessario un budget relativamente elevato
Forse il problema più grande con la modellazione del marketing mix è che inizia ad avere senso solo quando la tua azienda raggiunge una certa scala e budget per i media. Questo perché è necessario creare variabilità nel marketing mix per iniziare a vedere davvero l'impatto di ciascun canale e campagna.
Ad esempio, se spendi solo $ 1.000 al mese in annunci, è improbabile che vedrai un grande effetto, indipendentemente da come hai suddiviso il budget tra diversi canali, tipi di annunci e creatività.
2. Le MMM in genere ignorano il controfattuale
L'altro grosso problema con la modellazione del marketing mix tradizionale è che ignora il controfattuale. In altre parole, non è comune includere gruppi di controllo o test di incrementalità nella modellazione del marketing mix.
Invece, la maggior parte dei modelli di marketing mix si concentra sulla popolazione globale (in senso statistico), il che rende difficile comprendere il vero impatto delle modifiche che stai apportando all'allocazione del budget e al mix di canali.
Tuttavia, non c'è nulla nel regolamento che dice che non puoi combinare MMM con studi di controllo randomizzati per rendere i tuoi risultati più affidabili.
3. Enfasi eccessiva sulle conversioni
Nella maggior parte dei casi, gli MMM sottopeseranno le attività di sensibilizzazione nella parte superiore della canalizzazione. Questo perché la maggior parte degli MMM considera le entrate come la variabile dipendente e la spesa come la variabile indipendente.
In altre parole, se il tuo input è una spesa di marketing, il tuo output non può essere la consapevolezza del marchio.
Tuttavia, puoi, ovviamente, mitigare questo problema rendendo la consapevolezza del marchio la tua variabile dipendente.
4. L'MMM diventa complicato in un ambiente B2B
Proprio come l'attribuzione multi-touch, anche i modelli di marketing mix sono più facili da implementare negli ambienti B2C rispetto a quelli B2B.
Questo perché le MMM presuppongono che la popolazione sia omogenea e non composta da ruoli e personaggi diversi con obiettivi, sfide e priorità unici.
Ciò, tuttavia, non significa che la modellazione del marketing mix non possa funzionare in un ambiente B2B. Significa solo che implementarlo sarà leggermente più complicato.
MMM vs MTA: il punteggio finale
Per farla breve, la modellazione del marketing mix è una soluzione di gran lunga migliore per coloro che hanno il budget e i mezzi per farlo.
E se non lo fai, potresti stare meglio con semplici test A/B e ottimizzazione del tasso di conversione rispetto ai modelli di attribuzione. Questo a meno che tu non possa essere relativamente sicuro che il tuo modello di attribuzione catturi i dati sui tuoi punti di contatto più importanti.
Dopotutto, a volte agire sulla base di dati limitati è meglio che costruire un modello complesso che ti dia solo una parte della verità.
Ulteriori informazioni su MMM e MTA
Guarda il nostro webinar con Proof Analytics in cui approfondiamo i vantaggi e gli svantaggi dell'attribuzione multi-touch e della modellazione del marketing mix.