Как работает маркетинг-микс моделирование для распределения рекламного бюджета. Три кейса беларуских компаний

9 Июня 2021 5429 0 Бизнес Технологии
Поделиться

В распоряжении маркетолога много инструментов, которые помогают распределить бюджет на рекламу по медиаканалам. Среди прочих есть и математический подход -  маркетинг-микс моделирование. Но еще в 2016 году в интернете писали про смерть этого инструмента. 

Вместе с Александрой Гончаровой, экспертом по Data Science из IBA Group (Минск), разбираемся, в чем обвиняют маркетинг-микс моделирование и имеет ли оно право на существование.

Александра Гончарова

Что такое маркетинг-микс моделирование? 

Маркетинг-микс моделирование (медиамикс моделирование, моделирование комплекса маркетинга, или МММ) - это математические модели, которые помогают измерить влияние прошлых и спрогнозировать влияние будущих маркетинговых активностей на продажи и прибыль. 

Подход использует обобщенные данные, например, по продажам или бюджетам на маркетинг за несколько лет, чтобы оценить эффективность традиционных и цифровых каналов продвижения. Кроме того, с помощью маркетинг-микс моделирования маркетологи могут учитывать также внешние факторы влияния: сезонность, тренды, действия конкурентов и т. д. 

Маркетинг-микс моделирование стало популярным еще в 1960-70-х годах, когда рынок был довольно простым: существовало несколько каналов продвижения, отсутствовала накопленная информация, технологии только начинают развиваться. 

К примеру, когда компания Kraft запустила желатиновые десерты Jell-O, то для продвижения ее сотрудники выбирали всего лишь между тремя или четырьмя телевизионными каналами и рекламой в журналах. Сейчас же для рекламы товаров компании рассматривают десятки каналов на ТВ, радиостанции, печатную и наружную рекламу, интернет-рекламу, блоги, пиар, спонсорство и др. 

медиа микс моделирование 2.png

За что критикуют маркетинг-микс моделинг ?

Сегодня рынок стал высококонкурентным, информации очень много и клиенты уже почти не реагируют на рекламу “для всех”. Чтобы достучаться до клиента, нужна подробная и разносторонняя аналитика. По этой причине многие считают, что МММ не справляется со своей задачей. 

Три основные претензии к МММ: 

  1. Маркетинг-микс моделинг учитывает только краткосрочный эффект рекламы.
  2. Маркетинг-микс моделинг не оценивает смысла рекламного сообщения или ее креативы.
  3. Маркетинг-микс моделинг часто не может измерить эффект одновременного запуска нескольких медиаканалов. 

медиа микс моделирование.png

Почему маркетинг-микс моделирование все еще работает?

Несмотря на критику МММ работает. На рынке существует несколько решений маркетинг-микс моделирования, например, от компаний Nielsen или Coffee-analytics. 

Чтобы маркетинг-микс моделирование правильно отвечало на поставленные вопросы, необходимы две вещи:

1)    Исторические данные. Чем больше информации будет для анализа, тем более точный результат МММ сможет построить, где учтет и внешние факторы, и долгосрочный эффект от активностей. Например, если у модели МММ не было данных о наружной рекламе, она не сможет спрогнозировать приток клиентов при увеличении расходов на наружную рекламу. 

2)    Правильно подобранные модели. Data Science предлагает много математических моделей, например, нейронные сети, бустинговые алгоритмы или алгоритмы, основанные на деревьях и др. Например, чтобы оптимально распределить бюджет по медиаканалам, определить их факторы и эффект наложения, подойдет модель, которая быстро встраивается в инструменты, работает, когда данных не очень много, и результаты легко понять.

формула.png

Модель, учитывающая различные медиаканалы и дополнительный факторы

Креативная составляющая рекламы оценивается другими способами, например, A/B тестированием. 

Александра Гончарова поделилась несколькими проектами по МММ, которые она вместе со своей командой выполнили за последние несколько лет. 

Пример маркетинг-микс моделирования для маркетинговой компании: «гало-эффект» и калькулятор оптимального распределения бюджетов 

Компания хотела понять, правильно ли расходуется бюджет на рекламу лекарств и сформировать эффективную рекламную стратегию. 

Data Science-команда Александры вместе со специалистами заказчика проанализировали расходы на рекламу в разных каналах: СМИ, ТВ и радио, наружная реклама и кампании в интернете. У них были данные за пять лет. Это помогло в прогнозной модели учесть влияние экономических факторов и сезонность. 

Модель показала, что наружная реклама не приносит нужный результат и к ней нужно относиться внимательнее. 

Интересный факт: реклама одного лекарства не увеличивает продажи других лекарств этого производителя. Отсутствие такого эффекта, его еще называют "гало-эффектом", объяснимо в данной ситуации — мы чаще запоминаем название лекарств, а не производителя. 

Маркетологи также получили инфопанель, которая помогает сравнивать продажи и рекламы в различных каналах, а также калькулятор для оптимального распределения бюджетов на нужный период. Это помогло определить суммы, выше которых вкладывать в рекламу бессмысленно: новые клиенты не принесут прибыль. 

Маркетинг-микс моделирование для компании “Лидское пиво”: объем дистрибуции и оптимальные скидки 

“Лидское пиво” хотело проанализировать качество работы машинного обучения в задаче «прогнозирование продаж». Для этого были выбраны данные, содержащие информацию про постоянные и промо скидки без учета маркетинговых активностей. Из всей предоставленной информации были отобраны данные по группе товаров для оценки эффекта каннибализации. IBA Group реализовала пилотный проект, использовав маркетинг-микс моделирование и технологии Data Science. Проект реализовали в несколько этапов.

1. Подготовка данных. Клиент предоставил данные с указанием глубины постоянной и промоскидки, структурированные по партнерам и SKU, постоянным и промопродажам. Предоставленные данные привели к формату, пригодному для обработки. Собрали и проанализировали дополнительные факторы.

2. Построение эконометрической модели. Сделали декомпозицию показателей, определив сезонность и влияние дополнительных факторов, оценили эффекты отложенности и затухания для скидок, а также эффект каннибализации в рамках группы товаров.

3. Построение прогнозной модели, оценивающей объем дистрибуции, на предоставленном объеме данных.

В результате:

  • Описали факторы, влияющие на объем дистрибуции, в том числе и продажи аналогичного товара в другом объеме и таре. 
  • Построили модель, которая показывает, какое влияние оказывает каждый из этих факторов.  
  • Оценили прогнозные значения объема дистрибуции на квартал для отдельных товаров и категории в целом. Отклонение от факта прогнозных показателей модели по объему дистрибуции на уровне категории не превысило +/-3%. А по отдельным товарам полученное значение было в два раза больше того, которое ожидал увидеть клиент. 

«Нейронные сети в нашей задаче - это лишь инструмент, который помогает людям лучше понимать данные и принимать правильные решения. Чтобы он работал, его нужно адаптировать под бизнес-процессы компании, собрать и структурировать нужные данные, понять, какие факторы необходимо учитывать. Без человека здесь не обойтись.

Кроме того, нейронные сети не выдвинут гипотезы для проверки, не смогу безошибочно определить экзогенные факторы, которые нужно учитывать. Принципиальные решения должен принимать специалист, а машинное обучение может быть удобным инструментом для этого.

Поэтому главные решения должен принимать специалист, который оценит адекватность результатов работы нейронной сети с учетом текущей ситуации». — отметила Татьяна Островская, финансовый директор ОАО «Лидское пиво».

Пример маркетинг-микс моделирования для телеком-оператора: оптимальное распределение бюджета и факторы медиаканалов 

Маркетологам телеком-оператора необходимо было привлечь максимальное количество людей в точки продаж. Бюджет на продвижение определен заранее, и его нужно правильно распределить по каналам. У компании есть данные за последние три года: рекламный бюджет по неделям, сводки по каналам и количество пришедших клиентов. 

Для решения задачи разработали модель, которая учитывает базовое значение KPI, медиа активности и экономические факторы, если имеются. Определили коэффициент влияния каждого медиаканала, значение постоянного фактора, коэффициенты задержки и затухания, оценили влияние медиаканалов.

В результате новая методология привлекла в три раза больше клиентов. Она помогла определить, факторы каждого медиаканала и его эффективность. 

Например, интернет-реклама эффективна, работает без задержек и без затухания. В то же время реклама на TV эффективна с большим периодом затухания и с изначальной задержкой влияния.

Разработали калькулятор оптимального бюджета. Необходимо только задать нужную сумму, а калькулятор предложит, сколько нужно инвестировать в интернет-рекламу или рекламу на телевидении. Также теперь можно оценить ROAS (return on ad spend) — какой доход приносит каждый вложенный доллар.




Поделиться
Материалы по теме:
Обсуждение:
Читайте также: