Это первая статья из цикла, в котором я расскажу про медиа микс моделирование.

В первой части я познакомлю вас с терминами моделей медиа микс, эффектами и данными которые вам понадобятся для построения моделей.

Во второй части я расскажу подробнее про моделирование и оптимизацию: как выбрать подход и метрики, собрать и предварительно обработать данные, и, собственно, перейти к моделированию.

Третья часть будет посвящена практическим советам для построения медиа микс моделей через Robyn — это экспериментальный пакет для моделирования маркетинговых смесей (MMM) от Meta Marketing Science.

В четвертой мы рассмотрим подробнее PYMC-Marketing — это решение для маркетинговой аналитики на основе языка Python.

Итак, давайте перейдем к разбору основных понятий и проблем, с которыми сталкиваются аналитики успешности каналов медиа маркетинга.

Как оценить эффективность маркетинговых каналов?

Touch-based атрибуция

Последние 10-15 лет стандартом в этой сфере является touch-based атрибуция. Это подход измерения маркетинговых показателей, при котором канал присваивает cookie конкретному пользователю. Дальше его путь можно отследить в вашем приложении, магазине или платформе.

Подходы к такой атрибуции бывают разные.

Можно выбирать модель last-touch, то есть, данные о последнем канале, который привел человека на ваш сайт, или first-touch — данные о том, как пользователь в первый раз попал на ваш сайт и как в итоге конвертировался. В этих моделях “победитель получает все”.

Также есть подходы multi-touch, где один пользователь вероятностно (или иным образом) относится сразу к нескольким каналам.

Однако, с touch-based атрибуцией не все очень гладко:

Она отдает предпочтение низу воронки — этапу принятия решения и удержания.
Невозможно оценить эффект от оффлайн маркетинга.
Она плохо сочетается с тенденциями приватности данных.

Давайте рассмотрим каждую проблему чуть подробнее.

На самом деле, предпочтение низу воронки в меньшей степени отдает last-touch атрибуция. То есть, если пользователи в конечном итоге ищут ваш продукт в поисковике по названию или по ключевому слову, то будет казаться, что ваши маркетинговые каналы не работают совсем.

Однако, вполне возможно, что пользователи приходят, увидев вашу наружную рекламу или рекламу по телевизору. Touch-based атрибуция ничего не знает об этом, и вы не можете оценить, сколько продаж вам приносит оффлайн реклама на самом деле.

Приватность тут стоит немного особняком. Проблема здесь заключается в том, что в современном мире с каждым годом все труднее отслеживать эффективность перформанс-маркетинга. В Европейском Союзе был принят регламент по защите данных GDPR, подобные инициативы принимаются и в США. Меры по ограничению трекинга данных вводятся не только на государственном уровне, но и среди компаний. Например, Apple ввела ограничения на сторонний трекинг.

Все это говорит о том, что если эпоха touch-based атрибуции и не подходит к концу, то, по крайней мере, претерпевает серьезные изменения.

Моделирование медиа-микса

Здесь нам на помощь приходит МММ.

Моделирование медиа-микса (МММ) — это метод статистического анализа, используемый в маркетинге для определения оптимального распределения ресурсов по различным рекламным или медиа-каналам для максимизации эффективности маркетинговой кампании.

Цель моделирования медиа-микса — понять влияние различных маркетинговых каналов на общую эффективность кампании и оптимально распределить бюджет на основе вклада каждого канала.

Другими словами, МММ использует регрессионный анализ для того, чтобы на исторических данных попытаться построить зависимость между затратами на маркетинговые каналы и вашей целевой метрикой. Как только удается построить такую зависимость с достаточной точностью, ее можно использовать для оптимизации бюджета.

Адсток и насыщение

Адсток

Эффект от маркетинга не всегда мгновенный. Пользователь может установить приложение или зарегистрироваться в онлайн-магазине, но до того, как произойдет конверсия и он совершит покупку, может пройти довольно много времени.

Это может сильно зависеть от вашего продукта. Например, к крупным покупкам пользователи обычно подходят с большей ответственностью. Чтобы купить холодильник, покупателю надо тщательно все взвесить, сравнить несколько моделей на сайте, и только потом перейти непосредственно к покупке. Очевидно, что решение заказать пиццу пользователь принимает гораздо быстрее..

Такой эффект в маркетинге называется адсток, или эффект переноса. В самом простом случае, он моделируется процентом людей, которые уйдут думать на следующий день. Обычно этот процент фиксируется. Например, если сегодня на ваш сайт пришло 100 человек, а адсток-рейтинг у вас равен 0.4, то в первый день у вас совершат покупку 60 человек, во второй — 60% от 40 оставшихся человек (не считая пришедших новых), то есть 24 человека, на третий день — 60% от 24, что составляет примерно 10 человек, и так далее.

Есть другие способы моделировать адсток, но этот самый простой и понятный. Здесь стоит отметить, что пик покупок не обязательно будет приходится на первый день. Также необязательно, чтобы адсток-рейтинг был фиксированным: в первый день уменьшение может составлять и 10%, а во второй — все 50%.

Также обычно для моделирования требуется указать период адстока — это период, в течение которого продолжается эффект. К примеру, странно было бы ожидать от пользователя, что он совершит первую покупку спустя год после регистрации.

Насыщение, или убывающая отдача

Насыщение, или убывающая отдача — это эффект, согласно которому каждый следующий вложенный рубль приносит вам меньший эффект, чем предыдущий. Такое поведение связано с тем, что каждый дополнительный объем рекламы свыше определенного порогового уровня все меньше влияет на рост спроса.

На самом деле, это не всегда так и может работать в две стороны: следующий потраченный рубль наоборот может принести вам больший эффект. Это происходит, например, если ваша максимальная ставка за одного пользователя на каком-то рекламном аукционе 30, а у вашего конкурента 31, а значит, что следующий рубль может привести к вам пользователей вашего конкурента.

Однако, у каналов есть своя глубина, а у продукта — своя целевая аудитория. Момент когда вы достигаете пика своей аудитории, называется насыщением. Для оптимального расходования бюджета на маркетинг мы хотим знать кривые убывающей отдачи, чтобы выбрать на ней нужную точку, в которой мы уже не тратим слишком мало и, в то же время, не платим за одного пользователя непомерно много.

Способов моделировать убывающую отдачу множество и с ней придется повозится, чтобы найти оптимальный вариант. Кстати, этим же эффектом можно смоделировать тот факт, что вы начинаете получать лидов — то есть, пользователей, оставивших свои контакты, только начиная с определенной суммы инвестиций. Это и есть цена за первого пользователя.

Данные, которые понадобятся для моделирования

В этом разделе мне кажется важным разделить ответ на три части.

Из чего состоит необходимый минимум для начала построения МММ?
Каков оптимальный набор для начала?
Что включает в себя максимальный набор, который используется для получения важных инсайтов?

Необходимый минимум

В необходимый минимум входят временные ряды по вашим маркетинговым затратам, а также ваша маркетинговая метрика. Не забудьте, что ваши данные должны быть на одном уровне гранулярности. Подробнее о том, как выбрать гранулярность, я расскажу во второй статье цикла.

Оптимальный набор

Если к минимальному набору добавить внешние факторы, влияющие на рынок, то это можно будет назвать оптимальным набором для моделирования.

Среди внешних факторов могут быть, например, такие:

Факторы, влияющие на сезонность
Факторы, влияющие в целом на продажи (covid-19, изменение процентных ставок, курсы валют)
Данные от конкурентов ( Цена на аналогичные товары, промо акции )

Максимальный набор

Максимальный набор потребуется для того, чтобы дать МММ максимально точную картину по перформансу каналов. Он будет включать в себя:

Данные по конверсиям в каналах
Данные по конверсиям в компаниях (на уровень ниже каналов)
Данные по А/Б тестам
Данные по лифт-тестам

Итак, мы определили данные, нужные для медиа микс моделирования. О дальнейшей подготовке и непосредственно моделировании мы поговорим подробно в следующей статье.

Введение в МММ. Часть 1