Hvad er Marketing / Medieblandingsmodellering (MMM)?

MARKETINGBLANDINGSMODELLERING (MMM) forudsiger forretningsresultater gennem en statistisk analyse ved hjælp af multivariate regressioner med marketingtaktik og brug som variabler. Regressionerne giver bidrag fra hver variabel til resultater, som derefter bruges til at forudsige, hvilke konverteringer og salg der ville være med forskellige input eller marketingblanding.

hvordan fungerer marketingblandingsmodellering?

Marketingblandingsmodellering, også kaldet Medieblandingsmodellering, indsamler aggregerede data fra marketing-og ikke-marketingkilder over en flerårig historisk periode, der også tager højde for eksterne påvirkninger såsom sæsonbestemthed, økonomiske data, vejr og kampagner. Dataene bruges derefter til at udvikle en efterspørgselsmodel, der kvantificerer det historiske bidrag fra hvert marketing-og ikke-marketinginput til et forretningsresultat, som salg eller konverteringer.

eksempel på Marketingblandingsmodellering

en tøjmærkemarkedsfører ønsker at vide, hvordan hver mediekanal bidrager til salget. Hvis mærket har indsamlet salgsdata og reklameudgifter for hver kanal i løbet af en flere års tidsramme, kan MMM bruges til at køre en multivariat test på mange forskellige tidspunkter. Analysen viser, hvad det forventede salg vil være, når der sker en ændring i medieudgifterne. Mens modellen kan være effektiv, især hvis der er en stor mængde data til rådighed, er den baseret på Historiske data, hvilket betyder, at den kun afslører korrelation, ikke nødvendigvis årsagssammenhæng.

hvad er fordelene ved marketingblandingsmodellering?

hvis du er et etableret brand, er data sandsynligvis let tilgængelige, og MMM kan hente meget fra to til tre års Historiske data. MMM er også i stand til at modellere ikke-medievariabler såsom makroøkonomiske påvirkninger (som COVID-19), konkurrencemæssige påvirkninger, sæsonbestemthed, kampagner og andre tendenser. Den største fordel ved MMM er analyse på højt niveau på tværs af hele medieporteføljen – fantastisk til at levere strategisk langsigtet planlægningsindsigt i dine ikke-adresserbare og adresserbare medier-men ikke ideel til taktisk eller løbende indsigt.

hvad er begrænsningerne i marketingblandingsmodellering?

MMM estimerer markedsføringspåvirkning på historiske forretningsresultater baseret på sandsynlighed og kan være underlagt korrelation vs. årsagsdilemma. For fremadrettede fremskrivninger er MMM afhængig af en række antagelser for ikke-markedsføringsfaktorer samt antagelsen om, at kanalniveau medieblanding, omkostninger og respons ikke afviger fra de Historiske data, der er grundlaget for efterspørgselsmodellen.

mens velbyggede modeller baseret på data af høj kvalitet kan overvinde korrelationen vs. årsagsdilemma for at give kanalløft og prognoser betyder begrænsningen af frihedsgrader og udfordringer med overspecificerede modeller, at de ikke kan bruges til at informere taktisk beslutningstagning på underkanalniveau. Fordi modeller er afhængige af flere års Historiske data for at bestemme en gennemsnitlig læsning for marketinginput, udfordres de i at drille dynamiske ændringer i marketingkanaler og/eller forretningsændringer i de seneste perioder. Med andre ord er det ikke ligefrem smidigt og leverer ikke det niveau af indsigt, der er nødvendigt for den daglige optimering.

en alternativ tilgang til at forstå hvert marketingblandingsbidrag og informere medieinvesteringsbeslutninger er at køre løbende inkrementalitetstest.

med målt kan du nemt køre inkrementalitetsmåling og test på 70+ medieudgiverplatforme. Ved hjælp af vores API-integrationer med medieplatforme får du en tværkanalvisning af din marketingblanding på mindre end 24 timer.

passer MMM til dig? Hvis du leder efter support til langsigtede planlægningsbeslutninger, bruger primært ikke-adresserbare medier og har mindst to års Historiske data at arbejde med, er det værd at undersøge! Hvis du har brug for adgang til de nyeste ydelsesdata til løbende medieoptimering, leverer den målte Intelligenspakke inkrementalitetsindsigt til informeret og smidig planlægning uden mange års data.

målt vs platform rapportering, Multi-Touch Attribution (MTA) & Medieblandingsmodellering (MMM)