การสร้างแบบจำลองส่วนประสมทางการตลาดกับการสร้างแบบจำลองการระบุแหล่งที่มา: ข้อดีและข้อเสีย

ทีมการตลาดส่วนใหญ่มีปัญหาข้อมูลบางอย่าง

ไม่ว่าพวกเขาจะมีข้อมูลไม่เพียงพอ มีมากเกินไป หรือโดยทั่วไป พวกเขาไม่รู้ว่าจะทำอย่างไรกับมัน

และนั่นเป็นเหตุผลในโพสต์นี้ เราจะประเมินสองวิธีที่ธุรกิจมักนำข้อมูลทางการตลาดไปใช้ในการทำงาน ได้แก่ แบบจำลองการระบุแหล่งที่มาและการสร้างแบบจำลองส่วนประสมทางการตลาด

ไปดำน้ำกันเลย

MMM กับ MTA [การสัมมนาผ่านเว็บ]

ดูการสัมมนาผ่านเว็บของเราเกี่ยวกับการสร้างแบบจำลองส่วนประสมทางการตลาดเทียบกับการระบุแหล่งที่มาแบบมัลติทัชเพื่อเรียนรู้เพิ่มเติม

รับการบันทึก

การสร้างแบบจำลองการระบุแหล่งที่มาคืออะไร?

แบบจำลองการระบุแหล่งที่มาเป็นกระบวนการตั้งกฎเกณฑ์ที่กำหนดว่าจุดติดต่อแต่ละจุดตลอดเส้นทางของลูกค้ามีส่วนช่วยในการขายมากน้อยเพียงใด นี้ทำเพื่อประมาณการส่วนแบ่งรายได้ของการตลาด

รูปแบบการระบุแหล่งที่มาแบบมัลติทัชทั่วไป ได้แก่:

• การระบุแหล่งที่มาเชิงเส้น: จุดสัมผัสแต่ละจุด (ติดตามได้) ตลอดเส้นทางของลูกค้ามีส่วนรายได้เท่ากัน
• การระบุแหล่งที่มาแบบเสื่อมเวลา: จุดสัมผัสล่าสุดตลอดเส้นทางของลูกค้ามีส่วนทำให้เกิดรายได้มากกว่าจุดติดต่อก่อนหน้า
• การระบุแหล่งที่มาตามตำแหน่ง: จุดติดต่อแรกและจุดติดต่อสุดท้ายสร้างรายได้มากกว่าจุดติดต่อที่อยู่ตรงกลางเส้นทางของลูกค้า

ประโยชน์ของการสร้างแบบจำลองการระบุแหล่งที่มา

บนกระดาษ คำมั่นสัญญาของการสร้างแบบจำลองการระบุแหล่งที่มานั้นน่าสนใจ โดยช่วยให้นักการตลาดวิเคราะห์เส้นทางของลูกค้าและทำความเข้าใจว่าจุดติดต่อแต่ละจุดมีส่วนช่วยในการขายอย่างไร ในทางทฤษฎี รูปแบบการระบุแหล่งที่มาควรช่วยให้นักการตลาดจัดสรรงบประมาณของตนอย่างมีประสิทธิภาพมากขึ้นให้กับช่องทาง แคมเปญ และกิจกรรมที่มีผลกระทบต่อรายได้มากที่สุด

อย่างไรก็ตาม คำหลักที่นี่ ในทางทฤษฎี มาดูสาเหตุบางประการที่รูปแบบการระบุแหล่งที่มามักจะล้มเหลวตามสัญญา

ข้อเสียของการสร้างแบบจำลองการระบุแหล่งที่มา

1. สัญญาเท็จของความสามารถในการติดตามได้ 100%

มาเริ่มกันที่ปัญหาที่ใหญ่ที่สุด: การระบุแหล่งที่มาแบบมัลติทัชสร้างขึ้นจากคำสัญญาที่ผิด ๆ ว่าจุดสัมผัสทุกจุดบนอุปกรณ์ทุกเครื่องสามารถติดตามได้

ปัญหาคือ สัญญานั้นทำขึ้นโดยไม่สุจริต

เราไม่สามารถติดตามทุกความประทับใจและการคลิกของทุกคนได้ และด้วยเหตุผลทางกฎหมาย จริยธรรม และทางเทคนิค เราจะไม่สามารถทำเช่นนั้นได้ อันที่จริง การตายของคุกกี้และการเปิดตัว iOS 14 นั้นหมายถึงจำนวนจุดสัมผัสที่ติดตามได้ลดลง ซึ่งทำให้การระบุแหล่งที่มายากขึ้น

แถบด้านข้าง: ผู้เสนอการระบุแหล่งที่มาแบบมัลติทัชจะโต้แย้งที่นี่ว่าการรวบรวมข้อมูลประมาณ 70% ของจุดสัมผัสของลูกค้าดีกว่าการรวบรวม 0% ของข้อมูลนั้น ปัญหาของอาร์กิวเมนต์นี้คือ ไม่ว่าคุณจะสไลซ์มันอย่างไร คุณก็จะประเมินค่าแชแนลที่คุณวัดได้จริงเกินจริง และด้วยเหตุนี้ คุณอาจจบลงด้วยการตัดสินใจที่แย่มาก โดยไม่สนใจเส้นทางที่สำคัญที่สุด (?) 30% ของเส้นทางของลูกค้า

คุณควรทำอย่างไรกับข้อมูลที่คุณกำลังรวบรวมอยู่? เราจะพูดถึงเรื่องนี้ในภายหลัง

2. การระบุแหล่งที่มาจะวัดการคลิก — และการคลิกเพียงอย่างเดียว

สาเหตุที่การระบุแหล่งที่มาล้มเหลวสำหรับช่องทางติดต่อลูกค้าจำนวนมากตลอดเส้นทางของลูกค้า เนื่องจากรูปแบบการระบุแหล่งที่มามักจะวัดการคลิกและการคลิกเพียงอย่างเดียว กล่าวอีกนัยหนึ่ง จุดสัมผัสแบบออฟไลน์ สังคมที่มืดมน และความประทับใจ ถูกละทิ้งจากโมเดลส่วนใหญ่ทั้งหมด

พอดคาสต์ที่มี CEO ของคุณเป็นแขก? ไม่สามารถระบุแหล่งที่มาได้ โพสต์ LinkedIn ที่ไม่ได้เชื่อมโยงไปยังเว็บไซต์ของคุณ? ไม่สามารถระบุแหล่งที่มาได้ กลุ่ม Slack ที่มีคนแนะนำผลิตภัณฑ์ของคุณ? คุณเดาได้: ยังไม่สามารถระบุแหล่งที่มาได้

เมื่อทราบสิ่งนี้และมีความเข้าใจทั่วไปเกี่ยวกับวิธีการตัดสินใจของมนุษย์ คุณคิดว่าการรวมโฆษณา Facebook และ Google ของเรา การเยี่ยมชมหน้า Landing Page และการลงทะเบียนการสัมมนาผ่านเว็บในรูปแบบการระบุแหล่งที่มาของเราถือเป็นเรื่องปกติหรือไม่ แต่ไม่สามารถอธิบายคำแนะนำส่วนตัวจาก เพื่อน พอดคาสต์ และโพสต์โซเชียลมีเดีย?

ไม่? ไม่ได้คิดอย่างนั้น

3. อันที่จริงแล้ว การแสดงที่มานั้นประกอบขึ้นโดยสมบูรณ์

สองประเด็นนี้นำเราไปสู่จุดที่สามอย่างเรียบร้อย: การระบุแหล่งที่มาถูกสร้างขึ้นอย่างแท้จริง

ดังที่ทิม วิลสันชี้ให้เห็นในการสัมภาษณ์เมื่อเร็วๆ นี้ “วิธีที่เราทำการระบุแหล่งที่มานั้นน่าหัวเราะสำหรับนักวิทยาศาสตร์ด้านข้อมูล เป็นเรื่องไร้สาระอย่างยิ่งที่จะเลือกแบบจำลองการวิเคราะห์พฤติกรรมของเส้นโค้ง J การสัมผัสครั้งสุดท้าย การสัมผัสครั้งแรก การสลายตัวของเวลา หรือแบบผกผัน ด้วยเหตุผลสองประการ: ประการแรก เป็นเรื่องยากมากที่จะติดตามบุคคลหนึ่งรายในทุกจุดสัมผัส และประการที่สอง การระบุแหล่งที่มายังเพิกเฉยต่อประวัติของบุคคลที่มีแบรนด์ด้วย”

ในเชิงวิทยาศาสตร์ คุณจะพิสูจน์ได้อย่างไรว่าการคลิกหนึ่งๆ มีผลกระทบเชิงบวกหรือใดๆ ต่อการตัดสินใจซื้อ หรือจุดสัมผัสจุดนั้นมีส่วนสนับสนุนมากกว่าจุดอื่น? เมื่อคุณลองคิดดู คุณจะรู้ว่าวิธีที่เราตัดสินใจจัดสรรเครดิตให้กับจุดติดต่อแต่ละจุดนั้นไม่ได้อิงตามหลักวิทยาศาสตร์ใดๆ เลย

ในความเป็นจริง ในกรณีส่วนใหญ่ อาจมีการโต้แย้งว่าผู้คนกำลังจะซื้อผลิตภัณฑ์ของเรา โดยไม่คำนึงถึง (หรือทั้งๆ ที่) โฆษณาของเรา อย่างไรก็ตาม โฆษณาจะเรียกร้องเครดิตบางส่วนสำหรับการซื้อดังกล่าว เนื่องจากในทางเทคนิคแล้วโฆษณาจะแสดงให้ลูกค้าเห็นก่อนทำการซื้อ

4. อารมณ์ดีเท่านั้น

สุดท้าย รูปแบบการระบุแหล่งที่มาส่วนใหญ่ถือว่าทุกจุดติดต่อมีผลในเชิงบวกต่อการตัดสินใจซื้อ นั่นเป็นปัญหาอย่างเห็นได้ชัดเมื่อพิจารณาว่าผู้คนสามารถซื้อผลิตภัณฑ์หรือบริการที่พวกเขาเคยมีปฏิสัมพันธ์เชิงลบได้

กล่าวอีกนัยหนึ่งการระบุแหล่งที่มาแบบมัลติทัชถือได้ว่าเป็นข้อมูลที่เทียบเท่ากับผลบวกที่เป็นพิษ

การสร้างแบบจำลองส่วนประสมทางการตลาดคืออะไร?

แบบจำลองส่วนประสมการตลาดหมายถึงการวิเคราะห์ทางสถิติเกี่ยวกับข้อมูลการตลาดและการขายในอดีต เพื่อประเมินผลกระทบที่กิจกรรมการตลาดในอนาคตจะมีต่อรายได้ (หรือตัวแปรตามอื่นๆ) สิ่งนี้ทำเพื่อเพิ่มประสิทธิภาพการจัดสรรงบประมาณการตลาดให้กับช่องทางและแคมเปญที่เหมาะสม

ประโยชน์ของการสร้างแบบจำลองส่วนประสมทางการตลาด

ต่างจากการระบุแหล่งที่มาแบบมัลติทัช โมเดลส่วนประสมทางการตลาดมุ่งเน้นไปที่การวิเคราะห์ปัจจัยนำเข้า (คิดว่างบประมาณและช่องทาง) ที่สัมพันธ์กับผลลัพธ์ (นึกถึงรายได้หรือการรับรู้ถึงแบรนด์) โดยใช้วิธีการทางสถิติแทนห่วงโซ่ที่อ่อนแอของการดำเนินการของลูกค้าที่สามารถติดตามได้

กล่าวอีกนัยหนึ่ง เป้าหมายไม่ใช่การสร้างแบบจำลองที่ครอบคลุมของการเดินทางของลูกค้า แต่เป็นการทำความเข้าใจบทบาทที่แต่ละช่องทางและแคมเปญมีต่อความสำเร็จโดยรวมของธุรกิจ

ยิ่งไปกว่านั้น การสร้างแบบจำลองส่วนประสมทางการตลาดขึ้นอยู่กับวิทยาศาสตร์ที่แท้จริงและถูกต้อง MMM ใช้การถดถอยเชิงเส้น ซึ่งสามารถวัดได้ง่ายกว่ามากเพราะทราบอินพุตทั้งหมดแล้ว

สุดท้ายนี้ ไม่เหมือน MTA เพราะ MMM จะพิจารณาผลกระทบด้านลบของรายได้ของช่องทาง แคมเปญ หรือเนื้อหาบางรายการ

ฟังดูดีบนกระดาษใช่ไหม อย่างไรก็ตาม นั่นไม่ได้หมายความว่าการสร้างแบบจำลองส่วนประสมทางการตลาดจะไม่มีปัญหาในตัวเอง

ข้อเสียของการสร้างแบบจำลองส่วนประสมทางการตลาด

1. เพื่อให้การสร้างแบบจำลองส่วนประสมทางการตลาดทำงานได้ คุณต้องมีงบประมาณค่อนข้างมาก

บางทีปัญหาที่ใหญ่ที่สุดของการสร้างแบบจำลองส่วนประสมทางการตลาดก็คือมันจะเริ่มสมเหตุสมผลเมื่อบริษัทของคุณถึงขนาดที่กำหนด — และงบประมาณสื่อ เนื่องจากคุณต้องสร้างความผันแปรในส่วนประสมการตลาดเพื่อเริ่มเห็นผลของแต่ละช่องทางและแคมเปญอย่างแท้จริง

ตัวอย่างเช่น หากคุณใช้จ่ายเพียง $1,000 ต่อเดือนกับโฆษณา ไม่น่าจะเห็นผลมากนัก ไม่ว่าคุณจะแบ่งงบประมาณระหว่างแชแนล ประเภทโฆษณา และครีเอทีฟโฆษณาต่างๆ อย่างไร

2. MMM มักจะเพิกเฉยต่อข้อโต้แย้ง

ปัญหาใหญ่อีกประการหนึ่งของการสร้างแบบจำลองส่วนประสมการตลาดแบบดั้งเดิมคือการละเลยสิ่งปลอมปน กล่าวอีกนัยหนึ่ง ไม่ใช่เรื่องปกติที่จะรวมกลุ่มควบคุมหรือการทดสอบส่วนเพิ่มในแบบจำลองส่วนประสมทางการตลาด

แต่โมเดลส่วนประสมทางการตลาดส่วนใหญ่จะเน้นที่ประชากรทั่วโลก (ในแง่สถิติ) ซึ่งทำให้ยากต่อการทำความเข้าใจผลกระทบที่แท้จริงของการเปลี่ยนแปลงที่คุณทำกับการจัดสรรงบประมาณและการผสมผสานช่องทาง

อย่างไรก็ตาม ไม่มีสิ่งใดในหนังสือกฎเกณฑ์ที่บอกว่าคุณไม่สามารถรวม MMM กับการศึกษาการควบคุมแบบสุ่มเพื่อให้ผลการวิจัยของคุณน่าเชื่อถือยิ่งขึ้น

3. เน้นการแปลงมากเกินไป

ในกรณีส่วนใหญ่ MMM จะสร้างกิจกรรมสร้างความตระหนักที่ด้านบนสุดของช่องทาง เนื่องจาก MMM ส่วนใหญ่มองว่ารายได้เป็นตัวแปรตามและใช้จ่ายเป็นตัวแปรอิสระ

กล่าวอีกนัยหนึ่ง ถ้าข้อมูลของคุณคือการใช้จ่ายด้านการตลาด ผลลัพธ์ของคุณไม่สามารถเป็นการรับรู้ถึงแบรนด์ได้

อย่างไรก็ตาม คุณสามารถบรรเทาปัญหานี้ได้อย่างแน่นอนโดยทำให้การรับรู้ถึงแบรนด์เป็นตัวแปรตามของคุณ

4. MMM นั้นยุ่งยากในสภาพแวดล้อม B2B

เช่นเดียวกับการระบุแหล่งที่มาแบบมัลติทัช โมเดลส่วนประสมทางการตลาดยังนำไปใช้ในสภาพแวดล้อม B2C ได้ง่ายกว่าใน B2B

ทั้งนี้เนื่องจาก MMM ถือว่าประชากรมีความเท่าเทียมกัน และไม่ประกอบด้วยบทบาทและบุคลิกที่แตกต่างกันโดยมีเป้าหมาย ความท้าทาย และลำดับความสำคัญที่แตกต่างกัน

อย่างไรก็ตาม นี่ไม่ได้หมายความว่าการสร้างแบบจำลองส่วนประสมทางการตลาดจะไม่ทำงานในการตั้งค่า B2B หมายความว่าการนำไปใช้จะยากขึ้นเล็กน้อย

MMM vs. MTA: คะแนนสุดท้าย

เรื่องสั้นโดยย่อ การสร้างแบบจำลองส่วนประสมทางการตลาดเป็นทางออกที่ดีกว่าสำหรับผู้ที่มีงบประมาณและมีความหมายสำหรับมัน

หากไม่เป็นเช่นนั้น คุณอาจดีกว่าด้วยการทดสอบ A/B แบบง่ายๆ และการเพิ่มประสิทธิภาพอัตรา Conversion มากกว่าการสร้างแบบจำลองการระบุแหล่งที่มา เว้นแต่คุณจะค่อนข้างแน่ใจได้ว่ารูปแบบการระบุแหล่งที่มาจะจับข้อมูลเกี่ยวกับจุดติดต่อที่สำคัญที่สุดของคุณ

ท้ายที่สุด บางครั้งการดำเนินการตามข้อมูลที่จำกัดก็ยังดีกว่าการสร้างแบบจำลองที่ซับซ้อนซึ่งให้ความจริงเพียงเศษเสี้ยวแก่คุณ

เรียนรู้เพิ่มเติมเกี่ยวกับ MMM กับ MTA

ดูการสัมมนาผ่านเว็บของเราด้วย Proof Analytics ซึ่งเราจะเจาะลึกถึงข้อดีและข้อเสียของการระบุแหล่งที่มาแบบมัลติทัชและการสร้างแบบจำลองส่วนประสมทางการตลาด

รับการบันทึก