یک شرکت جهانی تولید نوشیدنی سالانه ۳۴۰ میلیون دلار را در کانالهای تلویزیون، نمایش دیجیتال، شبکههای اجتماعی پولی، جستجو، بیرون از خانه و اسپانسرشیپ هزینه میکند، اما مدیر ارشد بازاریابی آن نمیتواند به سؤال سادهای از هیئت مدیره پاسخ دهد: کدام کانالها واقعاً فروش افزایشی ایجاد میکنند و بودجه سهماهه بعدی چگونه باید تخصیص مجدد شود تا درآمد به حداکثر برسد؟ مدل انتساب چندلمسی که شرکت سه سال پیش پیادهسازی کرده بود به طور مداوم تضعیف شده است، زیرا حذف کوکیها، محدودیتهای ردیابی اپلیکیشن و تکهتکه شدن معاملات بین دستگاهها، دادههای سطح کاربر که مدل به آن وابسته است را فرسایش میدهد. تیم تحلیل رویکرد متفاوتی را پیشنهاد میکند: یک مدل ترکیب بازاریابی که رابطه آماری بین هزینه بازاریابی بر اساس کانال و نتایج تجاری را با استفاده از داده های انباشته شده که نیازی به ردیابی سطح فردی ندارد، تجزیه و تحلیل میکند. ظرف هشت هفته، مدل نشان میدهد که تبلیغات تلویزیونی نسبت به تأثیر افزایشی خود ۱۸ درصد بیش از حد شاخصگذاری شده است، در حالی که شبکههای اجتماعی پولی و تلویزیون متصل به طور قابل توجهی کمتر از حد سرمایهگذاری شدهاند. تخصیص مجدد بودجه حاصل، ۱۲ درصد افزایش در درآمد منتسب به بازاریابی را در سهماهه بعد بدون افزایش کل هزینه ایجاد میکند. این احیای مدلسازی ترکیب بازاریابی، که توسط تکنیکهای محاسباتی مدرن قدرت گرفته و از وابستگی به سیگنالهای ردیابی در حال ناپدید شدن آزاد شده است، یکی از مهمترین تغییرات در استراتژی اندازهگیری بازاریابی را نشان میدهد.
زمینه بازار و رنسانس MMM
مدلسازی ترکیب بازاریابی از سال ۲۰۲۳ شروع به احیای چشمگیر کرد که عمدتاً توسط فرسایش ردیابی سطح کاربر که مدلهای انتساب دیجیتال را تضعیف کرد، هدایت شد. داده های گوگل ترندز نشان میدهد که علاقه جستجو به مدلسازی ترکیب بازاریابی بین سالهای ۲۰۲۱ تا ۲۰۲۵ سه برابر شده است. بازار جهانی تحلیل بازاریابی، که MMM را در کنار سایر رویکردهای اندازهگیری در بر میگیرد، در سال ۲۰۲۴ به ۴.۷ میلیارد دلار رسید و طبق گزارش MarketsandMarkets پیشبینی میشود تا سال ۲۰۲۹ به ۱۱.۵ میلیارد دلار برسد که نرخ رشد سالانه مرکب ۱۹.۶ درصد را نشان میدهد.
چشمانداز نظارتی حریم خصوصی این تغییر را تسریع کرده است. چارچوب شفافیت ردیابی اپلیکیشن اپل در دسترس بودن داده های شناسه موبایل را بیش از ۶۰ درصد کاهش داد، در حالی که اقدامات اجرایی GDPR سازمانها را نسبت به جمعآوری داده های سطح کاربر بیشتر محتاط کرده است. حذف کوکیهای شخص ثالث گوگل در کروم، منبع داده بنیادی دیگری را برای انتساب چندلمسی حذف کرد. این تغییرات به طور جمعی زیرساخت ردیابی که مدلهای انتساب دیجیتال به آن وابستهاند را تضعیف کردند و خلأ اندازهگیری ایجاد کردند که MMM به طور منحصر به فردی برای پر کردن آن موقعیت دارد، زیرا بر داده های انباشته شده سطح کانال به جای ردیابی کاربر فردی عمل میکند.
متا، گوگل و تبلیغکنندگان بزرگ همگی به شدت در قابلیتهای MMM سرمایهگذاری کردهاند. متا چارچوب متنباز Robyn MMM خود را منتشر کرد، گوگل Meridian را به عنوان راهحل متنباز MMM خود راهاندازی کرد، و شرکتهای مشاوره از جمله McKinsey، Analytic Partners و Nielsen رویههای MMM خود را به طور قابل توجهی گسترش دادهاند. دموکراتیزه کردن این ابزارها، مدلسازی اقتصادسنجی پیچیده را برای سازمانهایی که قبلاً نمیتوانستند هزینه توسعه مدل سفارشی را توجیه کنند، در دسترس قرار داده است.
| معیار | مقدار | منبع |
|---|---|---|
| بازار تحلیل بازاریابی (۲۰۲۴) | ۴.۷ میلیارد دلار | MarketsandMarkets |
| بازار پیشبینی شده (۲۰۲۹) | ۱۱.۵ میلیارد دلار | MarketsandMarkets |
| نرخ رشد سالانه مرکب | ۱۹.۶٪ | MarketsandMarkets |
| شرکتهای استفاده کننده یا ارزیابی کننده MMM | ۵۸٪ | Gartner |
| میانگین افزایش کارایی بودجه از MMM | ۱۰-۲۰٪ | Analytic Partners |
| کاهش در داده های ردیابی موبایل (ATT) | بیش از ۶۰٪ | AppsFlyer |
نحوه عملکرد مدلهای ترکیب بازاریابی مدرن
مدلسازی ترکیب بازاریابی از تکنیکهای رگرسیون آماری برای کمی کردن رابطه بین ورودیهای بازاریابی (هزینه، نمایشها یا GRP بر اساس کانال) و نتایج تجاری (درآمد، تبدیلها یا سهم بازار) استفاده میکند، در حالی که عوامل غیربازاریابی مانند فصلی بودن، شرایط اقتصادی، فعالیت رقابتی و تغییرات قیمت را کنترل میکند. مدل مشارکت افزایشی هر کانال بازاریابی را جداسازی میکند و سازمانها را قادر میسازد تا اثربخشی مطلق و نسبی سرمایهگذاریهای خود را درک کنند.
MMM مدرن به طور قابل توجهی از رویکردهای سنتی که در دهههای ۱۹۹۰ و ۲۰۰۰ غالب بودند، تکامل یافته است. روشهای تخمین بیزی در اکثر پیادهسازیهای معاصر جایگزین رگرسیون فرکوئنتیست شدهاند و توزیعهای احتمال را به جای برآوردهای نقطهای برای مشارکتهای کانال فراهم میکنند و امکان ترکیب دانش قبلی از مطالعات قبلی یا معیارهای صنعتی را فراهم میکنند. این رویکرد بیزی برآوردهای قویتری زمانی که داده محدود است تولید میکند و کمیسازی عدم قطعیت طبیعی را فراهم میکند که به تصمیمگیرندگان کمک میکند سطح اطمینان خروجیهای مدل را درک کنند.
مدلسازی Adstock و اشباع، پویاییهای زمانی پیچیده تأثیر بازاریابی را به دست میآورند. مدلهای Adstock اثر انتقال تبلیغات را در نظر میگیرند، جایی که یک آگهی تلویزیونی که امروز مشاهده میشود برای روزها یا هفتههای بعد به تأثیرگذاری بر تصمیمات خرید ادامه میدهد. منحنیهای اشباع بازده کاهشی را که با افزایش هزینه در هر کانال رخ میدهد، مدلسازی میکنند و واقعیتی را منعکس میکنند که صدمین دلار خرج شده در جستجوی پولی ارزش افزایشی کمتری نسبت به اولین دلار ایجاد میکند. این مؤلفهها MMM را قادر میسازند تا نه تنها انتساب گذشتهنگر بلکه توصیههای بهینهسازی بودجه آیندهنگر را ارائه دهند که رابطه غیرخطی بین هزینه و نتیجه را در نظر میگیرند.
پلتفرمها و ابزارهای پیشرو MMM
| پلتفرم | نوع | ویژگی کلیدی |
|---|---|---|
| Meta Robyn | متنباز (R) | تنظیم خودکار ابرپارامتر با بهینهساز Nevergrad |
| Google Meridian | متنباز (Python) | MMM بیزی با یکپارچهسازی داده های رسانه گوگل |
| Analytic Partners | سرویس مدیریت شده | اندازهگیری ROI تجاری با تحلیل همیشه فعال |
| Nielsen MMM | سرویس مدیریت شده | اندازهگیری چند پلتفرمی با کالیبراسیون مبتنی بر پانل |
| Measured | پلتفرم SaaS | تست افزایشی یکپارچه شده با MMM برای کالیبراسیون |
| Lifesight | پلتفرم SaaS | MMM، MTA و افزایشی یکپارچه در پلتفرم واحد |
یکپارچهسازی با انتساب و افزایشی
پیشرفتهترین برنامههای اندازهگیری MMM را با انتساب چندلمسی و آزمایش افزایشی در چارچوبی یکپارچه که اغلب اندازهگیری مثلثی یا معماری اندازهگیری یکپارچه نامیده میشود، ترکیب میکنند. هر روششناسی نقاط قوت و محدودیتهای متمایزی دارد: MMM در تخصیص استراتژیک بودجه در بین کانالها عالی است اما فاقد جزئیات درون کانالها است، MTA بینشهای سطح نقطه تماس جزئی ارائه میدهد اما از محدودیتهای ردیابی رنج میبرد، و آزمایشهای افزایشی شواهد علّی از تأثیر بازاریابی ارائه میدهند اما اجرای آنها در مقیاس گران و زمانبر است.
ارتباط بین MMM و فناوری انتساب بازاریابی از رقابت به تکمیل تکامل یافته است. سازمانهای پیشرو از MTA برای بهینهسازی تاکتیکی درون کانال در جایی که داده های ردیابی در دسترس است، از MMM برای تخصیص استراتژیک بودجه بینکانالی، و از آزمایشهای افزایشی برای کالیبره کردن و اعتبارسنجی هر دو رویکرد استفاده میکنند. این رویکرد مثلثی اطمینان در دقت اندازهگیری را فراهم میکند که هیچ روششناسی منفرد به تنهایی نمیتواند ارائه دهد.
آزمایش افزایشی از طریق آزمایشهای نگهداری مبتنی بر جغرافیایی یا مخاطبان داده های حقیقت زمینهای را فراهم میکند که نتایج MMM را کالیبره میکند. وقتی یک آزمایش تصادفی نشان میدهد که شبکه اجتماعی پولی ۸ درصد افزایش افزایشی در یک منطقه آزمایشی ایجاد میکند، MMM میتواند برای هماهنگ کردن برآورد مشارکت شبکه اجتماعی پولی خود با این شواهد تجربی کالیبره شود. این فرآیند کالیبراسیون به طور چشمگیری دقت MMM را بهبود میبخشد و اعتماد ذینفعان را به خروجیهای مدل افزایش میدهد.
یکپارچهسازی MMM با استراتژیهای داده شخص اول مدلها را قادر میسازد تا سیگنالهای غنیتری درباره رفتار مشتری را بدون نیاز به ردیابی سطح فردی در بر بگیرند. معیارهای انباشته شده از پلتفرمهای داده مشتری، مانند نرخهای تعامل سطح بخش و الگوهای تبدیل، میتوانند به عنوان ورودیهای مدل اضافی عمل کنند که جزئیات و دقت برآوردهای مشارکت کانال را بهبود میبخشند.
چالشها و بهترین رویهها
کیفیت و جزئیات داده چالشهای اصلی در پیادهسازی MMM باقی میمانند. مدلها به داده های هزینه و نتیجه ثابت و دقیق در تمام کانالها نیاز دارند، معمولاً با جزئیات هفتگی یا روزانه، که حداقل دو تا سه سال را پوشش میدهند تا الگوهای فصلی و تنوع کافی در سطوح هزینه را ثبت کنند. بسیاری از سازمانها در طول پیادهسازی MMM مشکلات قابل توجه کیفیت داده را کشف میکنند، از جمله طبقهبندی ناسازگار کانال، داده های هزینه گمشده برای کانالهای آفلاین، و معیارهای نتیجه که با شاخصهای کلیدی عملکرد تجاری که مدل هدف بهینهسازی آن است هماهنگ نیستند.
اعتبارسنجی مدل با تکامل شرایط بازار، پویاییهای رقابتی و ترکیب کانال نیاز به توجه مداوم دارد. آزمایش خارج از نمونه، جایی که مدل بر روی داده های تاریخی آموزش داده میشود و در برابر دورههای اخیر نگهداری شده اعتبارسنجی میشود، شواهدی از دقت پیشبینیکننده فراهم میکند. بهروزرسانیهای منظم مدل که داده های جدید را در بر میگیرند اطمینان میدهند که برآوردهای مشارکت کانال پویاییهای فعلی بازار را به جای روابط تاریخی قدیمی منعکس میکنند.
پذیرش سازمانی بینشهای MMM نیازمند ارتباط مؤثری است که خروجیهای آماری را به توصیههای تجاری قابل اجرا ترجمه کند. موفقترین پیادهسازیها تخصص مدلسازی فنی را با تحلیلگران با دانش تجاری جفت میکنند که میتوانند خروجیهای مدل را به توصیههای تخصیص مجدد بودجه ترجمه کنند که محدودیتهای عملی مانند تعهدات قراردادی، آستانههای حداقل هزینه و اولویتهای استراتژیک برند که مدل نمیتواند به دست آورد را در نظر میگیرند.
آینده مدلسازی ترکیب بازاریابی
مسیر MMM تا سال ۲۰۲۸ توسط افزایش اتوماسیون، چرخههای بهروزرسانی سریعتر و یکپارچهسازی عمیقتر با سیستمهای اجرای کمپین شکل خواهد گرفت. پلتفرمهای MMM همیشه فعال که به طور مداوم داده را دریافت و برآوردهای مشارکت کانال را بهروزرسانی میکنند، جایگزین ریتم مدلسازی سنتی سهماهه یا سالانه خواهند شد و تیمهای بازاریابی را قادر میسازند تصمیمات تخصیص را بر اساس سیگنالهای اثربخشی نزدیک به زمان واقعی تنظیم کنند. یکپارچهسازی تحلیل پیشبینیکننده با MMM برنامهریزی سناریوی آیندهنگر را امکانپذیر میکند که تأثیر مورد انتظار تغییرات بودجه را قبل از اجرا مدلسازی میکند و MMM را از ابزار اندازهگیری گذشتهنگر به سیستم پشتیبانی تصمیم پیشبینیکننده تبدیل میکند. سازمانهایی که امروز در قابلیتهای قوی MMM سرمایهگذاری میکنند، زیرساخت اندازهگیری مورد نیاز برای پیمایش چشمانداز بازاریابی را میسازند که در آن مقررات حریم خصوصی همچنان سختتر میشود و سازمانهایی با دقیقترین درک از اثربخشی کانال به طور مداوم بر کسانی که هنوز به انتساب مبتنی بر ردیابی تضعیف شده تکیه میکنند، برتری خواهند داشت.
