Pazarlama karması modellemesi ve ilişkilendirme modellemesi: artıları ve eksileri

Çoğu pazarlama ekibinin bir tür veri sorunu vardır.

Ya yeterli veriye sahip değiller, çok fazla veriye sahipler ya da en yaygın olarak bununla ne yapacaklarını bilmiyorlar.

İşte bu nedenle bu yazıda, işletmelerin şu anda pazarlama verilerini işleme koymasının en yaygın yollarından ikisini değerlendireceğiz: ilişkilendirme modellemesi ve pazarlama karması modellemesi.

Hemen dalalım.

MMM vs MTA [web semineri]

Daha fazla bilgi edinmek için pazarlama karması modelleme ile çoklu dokunma ilişkilendirme arasındaki web seminerimizi izleyin.

Kaydı al

İlişkilendirme modellemesi nedir?

İlişkilendirme modellemesi, müşteri yolculuğu boyunca her temas noktasının bir satışa ne kadar katkıda bulunduğunu belirleyen kurallar belirleme sürecidir. Bu, pazarlamanın gelir katkısını tahmin etmek için yapılır.

Yaygın çoklu dokunma ilişkilendirme modelleri şunları içerir:

• Doğrusal ilişkilendirme: Müşteri yolculuğu boyunca her (izlenebilir) temas noktası eşit gelir katkısına sahiptir.
• Zaman kaybı ilişkilendirmesi: Müşteri yolculuğu boyunca daha yeni temas noktaları, önceki temas noktalarından daha fazla gelire katkıda bulunur.
• Konum tabanlı ilişkilendirme: İlk ve son temas noktaları, müşteri yolculuğunun ortasındaki temas noktalarından daha fazla gelire katkıda bulunur.

İlişkilendirme modellemenin faydaları

Kağıt üzerinde, ilişkilendirme modelleme vaadi çekicidir: pazarlamacıların müşteri yolculuğunu incelemelerine ve her temas noktasının bir satışa nasıl katkıda bulunduğunu anlamalarına yardımcı olur. Teorik olarak, ilişkilendirme modelleri, pazarlamacıların bütçelerini gelir üzerinde en büyük etkiye sahip kanallara, kampanyalara ve faaliyetlere daha etkili bir şekilde tahsis etmesine yardımcı olmalıdır.

Ancak buradaki anahtar kelime teorik olarak . İlişkilendirme modellemenin genellikle vaadinde başarısız olmasının bazı nedenlerine bakalım.

İlişkilendirme modellemenin dezavantajları

1. %100 izlenebilirliğin yanlış vaadi

En büyük sorunla başlayalım: çoklu dokunma ilişkilendirmesi, her bir cihazdaki her bir temas noktasının izlenebilir olduğuna dair yanlış bir söz üzerine kuruludur.

Sorun şu ki, bu söz kötü niyetle verildi.

Her insanın her izlenimini ve tıklamasını asla takip edemedik. Ve yasal, etik ve teknik nedenlerle, biz de asla başaramayacağız. Aslında, çerezin ölümü ve iOS 14'ün piyasaya sürülmesi, aslında izlenebilir temas noktalarının sayısının azaldığı ve ilişkilendirmeyi daha da zorlaştırdığı anlamına geliyor.

Kenar çubuğu: Çoklu dokunma ilişkilendirmesinin savunucuları, burada müşteri temas noktalarının yaklaşık %70'i kadar veri toplamanın, bu verilerin %0'ını toplamaktan daha iyi olduğunu tartışacaktır. Bu argümanla ilgili sorun şu ki, onu nasıl dilimlerseniz dilimleyin, aslında ölçebileceğiniz kanallara gereğinden fazla değer biçersiniz. Sonuç olarak, müşteri yolculuğunuzun en önemli (?) %30'unu görmezden gelen oldukça korkunç kararlar alabilirsiniz.

O halde topladığınız verilerle ne yapmalısınız? Pekala, buna sonra geleceğiz.

2. İlişkilendirme, tıklamaları ve yalnızca tıklamaları ölçer

İlişkilendirmenin müşteri yolculuğu boyunca birçok temas noktasını hesaba katamamasının nedeni, ilişkilendirme modellerinin genellikle tıklamaları ve yalnızca tıklamaları ölçmesidir. Başka bir deyişle, herhangi bir çevrimdışı temas noktası, karanlık sosyal ve izlenimler çoğu modelin tamamen dışında bırakılır.

CEO'nuzu misafir eden podcast? atfedilemez. Web sitenize bağlanmayan LinkedIn gönderisi mi? atfedilemez. Birinin ürününüzü önerdiği Slack grubu mu? Tahmin ettin: ayrıca atfedilemez.

Bunu bilerek ve insanların nasıl karar verdiğine dair genel bir anlayışa sahip olarak, Facebook ve Google reklamlarımızı, açılış sayfası ziyaretlerimizi ve web semineri kayıtlarımızı ilişkilendirme modellerimize dahil etmemizin doğru olduğunu düşünüyor musunuz? akranlar, podcast'ler ve sosyal medya gönderileri?

Numara? Öyle düşünmedim.

3. Atıf aslında tamamen uydurulmuştur.

Bu iki nokta bizi düzgün bir şekilde üçüncü noktamıza getiriyor: atıf tam anlamıyla uydurulmuştur.

Tim Wilson'ın yakın tarihli bir röportajda belirttiği gibi, "ilişkilendirme yapma şeklimiz veri bilimcileri için gülünç. Son dokunuş, ilk dokunuş, zamanla bozulma veya ters J eğrisi için buluşsal bir model seçmek kesinlikle saçma. Bunun iki nedeni var: birincisi, tüm temas noktalarında bir kişiyi takip etmek gerçekten zor ve ikincisi, ilişkilendirme aynı zamanda bir kişinin markayla olan geçmişini de göz ardı ediyor.”

Bilimsel olarak konuşursak, belirli bir tıklamanın satın alma kararı üzerinde olumlu veya herhangi bir etkisi olduğunu nasıl kanıtlarsınız? Veya bir temas noktasının diğerinden daha büyük bir katkısı oldu mu? Bunu düşündüğünüzde, her temas noktasına kredi ayırmaya karar verme şeklimizin hiçbir bilime dayanmadığını anlayacaksınız.

Aslında, çoğu durumda, insanların reklamlarımızdan bağımsız olarak (veya reklamlarımıza rağmen) ürünümüzü satın alacakları iddia edilebilir. Yine de, reklamlar teknik olarak müşteriye satın alma işlemini gerçekleştirmeden önce gösterildiğinden, satın alma işlemi için bir miktar kredi talep edecektir.

4. Sadece iyi hisler

Son olarak, çoğu ilişkilendirme modeli, her temas noktasının satın alma kararı üzerinde olumlu bir etkisi olduğunu varsayar. İnsanların, olumsuz etkileşimde bulundukları ürün veya hizmetleri satın almanın sona erebileceği düşünüldüğünde, bu açıkça sorunludur.

Başka bir deyişle, çoklu dokunma özelliği, toksik pozitifliğe eşdeğer veriler olarak kabul edilebilir.

Pazarlama karması modellemesi nedir?

Pazarlama karması modellemesi, belirli gelecekteki pazarlama faaliyetlerinin gelir (veya diğer herhangi bir bağımlı değişken) üzerindeki etkisini tahmin etmek için geçmiş pazarlama ve satış verileri üzerindeki istatistiksel analize atıfta bulunur. Bu, pazarlama bütçesinin doğru kanallara ve kampanyalara tahsisini optimize etmek için yapılır.

Pazarlama karması modellemenin faydaları

Çoklu temas ilişkilendirmesinden farklı olarak, pazarlama karması modellemesi, izlenebilir müşteri eylemlerinden oluşan zayıf bir zincir yerine istatistiksel yöntemler kullanarak girdileri (bütçeleri ve kanalları düşünün) çıktılarla ilişkili olarak (gelir veya marka farkındalığını düşünün) analiz etmeye odaklanır.

Başka bir deyişle, amaç kapsamlı bir müşteri yolculuğu modeli oluşturmak değil, her kanalın ve kampanyanın işletmenin genel başarısında oynadığı rolü anlamaktır.

Dahası, pazarlama karması modellemesi gerçek ve geçerli bilime dayanmaktadır. MMM, tüm girdiler bilindiği için güvenilir bir şekilde ölçülmesi çok daha kolay olabilen lineer regresyon uygulanır.

Son olarak, MTA'dan farklı olarak MMM, belirli kanalların, kampanyaların veya varlıkların olumsuz gelir etkisini de hesaba katacaktır.

Kağıt üzerinde kulağa harika geliyor, değil mi? Ancak bu, pazarlama karması modellemenin kendi sorunları olmadığı anlamına gelmez.

Pazarlama karması modellemenin dezavantajları

1. Pazarlama karması modellemenin çalışması için nispeten büyük bir bütçeye ihtiyacınız var

Pazarlama karması modelleme ile ilgili belki de en büyük sorun, yalnızca şirketiniz belirli bir ölçeğe ve medya bütçesine ulaştığında anlamlı olmaya başlamasıdır. Bunun nedeni, her kanalın ve kampanyanın etkisini gerçekten görmeye başlamak için pazarlama karmanızda değişkenlik yaratmanız gerektiğidir.

Örneğin, reklamlara ayda yalnızca 1.000 ABD doları harcıyorsanız, bütçeyi farklı kanallar, reklam türleri ve reklam öğeleri arasında nasıl böldüğünüzden bağımsız olarak pek bir etki görmeniz olası değildir.

2. MMM'ler tipik olarak karşı olguları görmezden gelir.

Geleneksel pazarlama karması modelleme ile ilgili diğer büyük sorun, karşı olguları görmezden gelmesidir. Diğer bir deyişle, pazarlama karması modellemesine kontrol gruplarını veya artımlılık testlerini dahil etmek yaygın değildir.

Bunun yerine, pazarlama karması modellerinin çoğu, küresel nüfusa (istatistiksel anlamda) odaklanır ve bu da, bütçe tahsisiniz ve kanal karışımınız üzerinde yaptığınız değişikliklerin gerçek etkisini anlamayı zorlaştırır.

Ancak, kural kitabında, bulgularınızı daha güvenilir hale getirmek için MMM'yi randomize kontrol çalışmalarıyla birleştiremeyeceğinizi söyleyen hiçbir şey yoktur.

3. Dönüşümlere aşırı vurgu

Çoğu durumda, MMM'ler, dönüşüm hunisinin üst kısmındaki farkındalık oluşturma faaliyetlerine ağırlık verecektir. Bunun nedeni, çoğu MMM'nin bağımlı değişken olarak geliri ve bağımsız değişken olarak harcamayı görmesidir.

Diğer bir deyişle, girdiniz pazarlama harcamasıysa, çıktınız marka bilinirliği olamaz.

Ancak elbette marka bilinirliğini bağımlı değişkeniniz haline getirerek bu sorunu azaltabilirsiniz.

4. MMM, B2B ortamında zorlaşıyor

Çok dokunuşlu ilişkilendirme gibi, pazarlama karması modellerinin de B2C ortamlarında uygulanması B2B'ye göre daha kolaydır.

Bunun nedeni, MMM'lerin nüfusun homojen olduğunu ve benzersiz hedeflere, zorluklara ve önceliklere sahip farklı rollerden ve kişilerden oluşmadığını varsaymasıdır.

Ancak bu, pazarlama karması modellemenin B2B ortamında çalışamayacağı anlamına gelmez. Bu sadece uygulamanın biraz daha zor olacağı anlamına gelir.

MMM vs. MTA: son puan

Uzun lafın kısası, pazarlama karması modellemesi, bütçesi ve imkanları olanlar için çok daha iyi bir çözümdür.

Bunu yapmazsanız, ilişkilendirme modellemesinden ziyade basit A/B testi ve dönüşüm oranı optimizasyonu ile daha iyi durumda olabilirsiniz. Bu, ilişkilendirme modelinizin en önemli temas noktalarınızdaki verileri yakaladığından nispeten emin olamadığınız sürece geçerlidir.

Sonuçta, bazen sınırlı verilere dayanarak hareket etmek, size gerçeğin sadece bir kısmını veren karmaşık bir model oluşturmaktan daha iyidir.

MMM ve MTA hakkında daha fazla bilgi edinin

Çoklu dokunmatik ilişkilendirme ve pazarlama karması modellemenin avantajlarını ve dezavantajlarını derinlemesine incelediğimiz Proof Analytics ile web seminerimizi izleyin.

Kaydı al