Modelowanie marketingu mix a modelowanie atrybucji: zalety i wady
Opublikowany: 2021-10-06Większość zespołów marketingowych ma jakiś problem z danymi.
Albo nie mają wystarczającej ilości danych, albo mają ich za dużo, albo najczęściej nie wiedzą, co z nimi zrobić.
Dlatego w tym poście ocenimy dwa najczęstsze sposoby, w jakie firmy obecnie wykorzystują swoje dane marketingowe: modelowanie atrybucji i modelowanie marketingu mix.
Zanurzmy się od razu.
MMM a MTA [webinar]
Aby dowiedzieć się więcej, obejrzyj nasze seminarium internetowe na temat modelowania marketingu mix a atrybucji wielodotykowej.
Co to jest modelowanie atrybucji?
Modelowanie atrybucji to proces ustalania reguł, które określają, w jakim stopniu każdy punkt kontaktu na ścieżce klienta przyczynia się do sprzedaży. Ma to na celu oszacowanie udziału marketingu w przychodach.
Typowe modele atrybucji wielodotykowej obejmują:
- Atrybucja liniowa: każdy (możliwy do śledzenia) punkt kontaktu na ścieżce klienta ma równy udział w przychodach.
- Atrybucja rozkładu czasowego: nowsze punkty styczności na ścieżce klienta przyczyniają się do przychodów bardziej niż wcześniejsze punkty styczności.
- Atrybucja oparta na pozycji: pierwszy i ostatni punkt styku mają większy wpływ na przychody niż punkty styku w środku ścieżki klienta.
Korzyści z modelowania atrybucji
Na papierze obietnica modelowania atrybucji jest atrakcyjna: pomaga marketerom przeanalizować podróż klienta i zrozumieć, w jaki sposób każdy punkt styku przyczynia się do sprzedaży. Teoretycznie modele atrybucji powinny pomóc marketerom efektywniej alokować budżety do kanałów, kampanii i działań, które mają największy wpływ na przychody.
Jednak słowem kluczowym jest tutaj teoretycznie . Przyjrzyjmy się niektórym przyczynom, dla których modelowanie atrybucji często nie spełnia swojej obietnicy.
Wady modelowania atrybucji
1. Fałszywa obietnica 100% śledzenia
Zacznijmy od największego problemu: atrybucja multi-touch opiera się na fałszywej obietnicy, że każdy punkt kontaktu na każdym urządzeniu można śledzić.
Problem w tym, że obietnica została złożona w złej wierze.
Po prostu nigdy nie byliśmy w stanie śledzić każdego wrażenia i kliknięcia każdej osoby. A ze względów prawnych, etycznych i technicznych nigdy nie będziemy w stanie tego zrobić. W rzeczywistości śmierć pliku cookie i wprowadzenie iOS 14 w rzeczywistości oznacza, że liczba punktów kontaktu, które można śledzić, spada, co jeszcze bardziej utrudnia atrybucję.
Pasek boczny: Zwolennicy atrybucji wielodotykowej argumentują tutaj, że zbieranie danych o 70% punktów kontaktu z klientami jest lepsze niż zbieranie 0% tych danych. Problem z tym argumentem polega na tym, że bez względu na to, jak go pokroisz, skończysz na przecenianiu kanałów, które możesz w rzeczywistości zmierzyć. W rezultacie możesz podjąć dość okropne decyzje, które ignorują najważniejsze (?) 30% podróży klienta.
Co zatem powinieneś zrobić z danymi, które zbierasz? Cóż, zajmiemy się tym później.
2. Atrybucja mierzy kliknięcia — i same kliknięcia
Powodem, dla którego atrybucja nie uwzględnia wielu punktów styku na ścieżce klienta, jest to, że modele atrybucji zazwyczaj mierzą kliknięcia i same kliknięcia. Innymi słowy, wszelkie punkty styku offline, ciemne media społecznościowe i wrażenia są całkowicie pominięte w większości modeli.
Ten podcast, w którym gościł twój dyrektor generalny? Niemożliwe do przypisania. Ten post na LinkedIn, który nie zawierał linku do Twojej witryny? Niemożliwe do przypisania. Ta grupa Slack, w której ktoś polecił Twój produkt? Zgadłeś: również nie do przypisania.
Wiedząc o tym i mając ogólną wiedzę na temat tego, jak ludzie podejmują decyzje, uważasz, że to w porządku, że uwzględniamy nasze reklamy na Facebooku i Google, wizyty na stronie docelowej i zapisy na webinary do naszych modeli atrybucji — ale nie uwzględniamy osobistych rekomendacji od rówieśnicy, podcasty i posty w mediach społecznościowych?
Nie? Tak myślałem.
3. Atrybucja jest w rzeczywistości całkowicie wymyślona
Te dwa punkty prowadzą nas zgrabnie do trzeciego: atrybucja jest dosłownie zmyślona.
Jak zauważył Tim Wilson w niedawnym wywiadzie, „sposób, w jaki dokonujemy atrybucji, jest śmieszny dla naukowców zajmujących się danymi. Wybór heurystycznego modelu ostatniego dotknięcia, pierwszego dotknięcia, rozpadu w czasie lub odwrotnej krzywej J jest absolutnie absurdalny. Dzieje się tak z dwóch powodów: po pierwsze, naprawdę trudno jest śledzić jedną osobę we wszystkich punktach kontaktu, a po drugie, atrybucja ignoruje również historię danej osoby z marką”.
Z naukowego punktu widzenia, jak udowodniłbyś, że określone kliknięcie miało pozytywny – lub jakikolwiek – wpływ na decyzję o zakupie? Albo że jeden punkt styku miał większy wkład niż inny? Kiedy się nad tym zastanowisz, zdasz sobie sprawę, że sposób, w jaki zdecydowaliśmy się przydzielić punkty każdemu punktowi styku, nie jest w ogóle oparty na żadnej nauce.
W rzeczywistości w większości przypadków można argumentować, że ludzie zamierzali kupić nasz produkt niezależnie od (lub pomimo) naszych reklam. Jednak reklamy będą żądać kredytu za zakup, ponieważ technicznie były wyświetlane klientowi przed dokonaniem zakupu.
4. Tylko dobre wibracje
Wreszcie, większość modeli atrybucji zakłada, że każdy punkt kontaktu ma pozytywny wpływ na decyzję o zakupie. Jest to oczywiście problematyczne, biorąc pod uwagę, że ludzie mogą w końcu kupować produkty lub usługi, z którymi mieli negatywne interakcje.
Innymi słowy, atrybucję wielodotykową można uznać za dane równoważne toksycznym pozytywnym wynikom.
Czym jest modelowanie marketingu mix?
Modelowanie Marketing Mix odnosi się do analizy statystycznej historycznych danych marketingowych i sprzedażowych w celu oszacowania wpływu określonych przyszłych działań marketingowych na przychody (lub dowolną inną zmienną zależną). Ma to na celu optymalizację alokacji budżetu marketingowego do odpowiednich kanałów i kampanii.
Korzyści z modelowania marketingu mix
W przeciwieństwie do atrybucji wielodotykowej, modelowanie marketing mix koncentruje się na analizie danych wejściowych (pomyśl o budżetach i kanałach) w odniesieniu do wyników (pomyśl o przychodach lub świadomości marki), stosując metody statystyczne zamiast słabego łańcucha możliwych do śledzenia działań klientów.
Innymi słowy, celem nie jest zbudowanie kompleksowego modelu podróży klienta, ale raczej zrozumienie roli, jaką każdy kanał i kampania odgrywa w ogólnym sukcesie firmy.
Co więcej, modelowanie marketingu mix opiera się na prawdziwej i rzetelnej nauce. MMM stosuje regresję liniową, która może być znacznie łatwiejsza do wiarygodnego pomiaru, ponieważ wszystkie dane wejściowe są znane.
Wreszcie, w przeciwieństwie do MTA, MMM uwzględni również negatywny wpływ niektórych kanałów, kampanii lub zasobów na przychody.
Brzmi świetnie na papierze, prawda? Nie oznacza to jednak, że modelowanie marketingu mix nie ma własnych problemów.
Wady modelowania marketingu mix
1. Aby modelowanie marketingu mix zadziałało, potrzebujesz stosunkowo dużego budżetu
Być może największym problemem związanym z modelowaniem marketingu mix jest to, że nabiera ono sensu dopiero wtedy, gdy Twoja firma osiągnie określoną skalę – i budżet mediowy. Dzieje się tak, ponieważ musisz stworzyć zmienność w swoim marketingu, aby naprawdę zacząć dostrzegać wpływ każdego kanału i kampanii.
Na przykład, jeśli wydajesz tylko 1000 USD miesięcznie na reklamy, jest mało prawdopodobne, że zobaczysz duży efekt, niezależnie od tego, jak podzielisz budżet między różne kanały, typy reklam i kreacje.
2. MMM zazwyczaj ignorują scenariusz alternatywny
Innym poważnym problemem związanym z tradycyjnym modelowaniem marketingu mix jest to, że ignoruje się scenariusz alternatywny. Innymi słowy, nie jest powszechne uwzględnianie grup kontrolnych lub testów przyrostowych w modelowaniu marketingu mix.
Zamiast tego większość modeli marketingu mix koncentruje się na globalnej populacji (w sensie statystycznym), co utrudnia zrozumienie prawdziwego wpływu wprowadzanych zmian na alokację budżetu i miks kanałów.
Jednak w podręczniku nie ma nic, co mówiłoby, że nie można łączyć MMM z randomizowanymi badaniami kontrolnymi, aby wyniki były bardziej wiarygodne.
3. Nadmierny nacisk na konwersje
W większości przypadków MMM nie uwzględniają działań budujących świadomość na górze ścieżki. Dzieje się tak, ponieważ większość MMM traktuje przychody jako zmienną zależną, a wydatki jako zmienną niezależną.
Innymi słowy, jeśli Twój wkład to wydatki marketingowe, Twoim rezultatem nie może być świadomość marki.
Możesz jednak oczywiście złagodzić ten problem, czyniąc świadomość marki swoją zmienną zależną.
4. MMM staje się trudny w środowisku B2B
Podobnie jak atrybucja multi-touch, modele marketingu mix są również łatwiejsze do wdrożenia w środowiskach B2C niż w B2B.
Dzieje się tak, ponieważ MMM zakładają, że populacja jest jednorodna — i nie składa się z różnych ról i osobowości o unikalnych celach, wyzwaniach i priorytetach.
Nie oznacza to jednak, że modelowanie marketing mix nie może działać w środowisku B2B. Oznacza to po prostu, że wdrożenie go będzie nieco trudniejsze.
MMM vs. MTA: ostateczny wynik
Krótko mówiąc, modelowanie marketingowe jest o wiele lepszym rozwiązaniem dla tych, którzy mają na to budżet i środki.
A jeśli tego nie zrobisz, lepsze wyniki przyniosą Ci proste testy A/B i optymalizacja współczynnika konwersji niż modelowanie atrybucji. O ile nie masz względnej pewności, że Twój model atrybucji wyłapuje dane dotyczące najważniejszych punktów styku.
W końcu czasami działanie w oparciu o ograniczone dane jest lepsze niż budowanie złożonego modelu, który daje tylko ułamek prawdy.
Dowiedz się więcej o MMM a MTA
Obejrzyj nasze seminarium internetowe z Proof Analytics, w którym głębiej zagłębimy się w zalety i wady wielodotykowej atrybucji i modelowania marketingu mix.