Marketing mix modeling (MMM) to metoda ekonometryczna służąca do szacowania, w jakim stopniu działania marketingowe i czynniki rynkowe wpływają na sprzedaż, przychód lub inny wynik biznesowy. Pozwala porównywać efektywność kanałów w dłuższym okresie oraz podejmować decyzje o alokacji budżetu na podstawie danych, a nie wyłącznie wskaźników mediowych.
Co to jest marketing mix modeling (MMM)?
Marketing mix modeling, określane skrótem MMM, jest ilościową metodą analityczną wykorzystującą modele statystyczne i ekonometryczne do rozdzielenia wpływu poszczególnych elementów marketing mix na wynik biznesowy. Analiza najczęściej dotyczy sprzedaży, przychodu, liczby transakcji, pozyskanych klientów, udziału w rynku lub marży.
Podstawową logiką MMM jest porównanie zmian wyniku biznesowego ze zmianami aktywności marketingowej i warunków rynkowych w kolejnych okresach. Model uwzględnia nie tylko wydatki na reklamę, lecz także czynniki, które mogą wpływać na popyt niezależnie od komunikacji marketingowej. Są to między innymi cena, promocje handlowe, dostępność produktu, sezonowość, działania konkurencji, zmiany w dystrybucji, trendy gospodarcze i zdarzenia jednorazowe.
W praktyce marketing mix modeling nie odpowiada jedynie na pytanie, czy kanał reklamowy był skorelowany ze sprzedażą. Jego celem jest oszacowanie inkrementalnego wkładu kanału, czyli modelowanego przyrostu wyniku przypisywanego konkretnej aktywności marketingowej przy przyjętych założeniach i uwzględnieniu pozostałych zmiennych.
Modele MMM uwzględniają charakterystyczne właściwości komunikacji marketingowej. Reklama może oddziaływać z opóźnieniem, a jej efekt może utrzymywać się po zakończeniu emisji. Zjawisko to opisuje się zwykle przez funkcje adstock. Jednocześnie wzrost nakładów na dany kanał nie musi przynosić proporcjonalnego wzrostu efektu, ponieważ odbiorcy mogą być stopniowo coraz trudniejsi do pozyskania. Tę zależność modeluje się za pomocą krzywych nasycenia i odpowiedzi.
MMM jest szczególnie użyteczne w środowisku, w którym użytkownicy korzystają z wielu urządzeń, część sprzedaży odbywa się offline, a dane o pojedynczym kliencie są niepełne lub nie powinny być wykorzystywane ze względów prywatności. Metoda pracuje przede wszystkim na zagregowanych danych czasowych, na przykład tygodniowych lub miesięcznych, a nie na historii kontaktów pojedynczych osób z reklamą.
Zastosowanie marketing mix modeling (MMM) w praktyce
Marketing mix modeling stosuje się wtedy, gdy organizacja chce ocenić rzeczywisty wkład różnych kanałów w wynik biznesowy i racjonalniej podzielić budżet marketingowy. Metoda jest wykorzystywana przez działy marketingu, e-commerce, sprzedaży, analityki, finansów i badań rynku, szczególnie w firmach prowadzących działania w wielu kanałach oraz na kilku rynkach lub segmentach.
Wyniki MMM mogą wspierać decyzje dotyczące bieżącej optymalizacji oraz planowania przyszłych inwestycji. Najczęściej analizuje się między innymi:
- udział kanałów offline i online w sprzedaży lub przychodzie,
- efektywność telewizji, radia, reklamy digital, wyszukiwarek, social mediów, influencer marketingu, retail media i działań CRM,
- wpływ promocji cenowych, ekspozycji handlowej i działań trade marketingowych,
- relację między nakładami marketingowymi a przyrostem sprzedaży,
- punkty nasycenia budżetu w poszczególnych kanałach,
- scenariusze alokacji budżetu w kolejnym okresie planistycznym.
W branży FMCG MMM może pomóc oddzielić efekt kampanii od wpływu promocji cenowej, dostępności na półce i sezonowości. W e-commerce umożliwia ocenę, czy wzrost sprzedaży wynikał z płatnego ruchu, aktywności CRM, zmian w ofercie, czy też ze wzrostu popytu organicznego. W sektorze finansowym lub telekomunikacyjnym analizie może podlegać wpływ kampanii na liczbę wniosków, aktywacji usług albo wartość pozyskanych klientów.
Marketing mix modeling znajduje zastosowanie również w B2B, choć wymaga uwzględnienia dłuższego cyklu zakupowego, mniejszej liczby transakcji oraz wpływu działań sprzedażowych. W takim przypadku wynikiem modelu może być liczba kwalifikowanych leadów, wartość pipeline’u sprzedażowego, liczba zapytań ofertowych lub liczba nowych kontraktów. Ważne jest przy tym rozróżnienie efektu marketingu od wpływu pracy handlowców, zmian cen, przetargów i specyfiki kluczowych klientów.
Marketing mix modeling (MMM) a powiązane metody
Marketing mix modeling jest częścią szerszego ekosystemu pomiaru efektywności marketingowej, ale nie zastępuje wszystkich metod analitycznych. Każde narzędzie odpowiada na inne pytanie i operuje na innym poziomie danych.
MMM bywa zestawiane z atrybucją wielokanałową, czyli multi-touch attribution. Atrybucja przypisuje udział w konwersji punktom styku konkretnego użytkownika, takim jak kliknięcie reklamy czy wejście na stronę. Jest użyteczna przede wszystkim w środowisku digital, gdzie dostępne są dane na poziomie użytkownika lub sesji. Marketing mix modeling analizuje natomiast dane zagregowane i może uwzględniać kanały offline, sprzedaż stacjonarną oraz czynniki niemedialne. Lepiej nadaje się zatem do oceny całego portfela działań marketingowych i do decyzji budżetowych na poziomie organizacji.
Istotnym uzupełnieniem MMM są eksperymenty marketingowe, takie jak testy geograficzne, testy holdout, testy A/B i badania incrementality. Dobrze zaprojektowany eksperyment umożliwia porównanie grupy objętej działaniem z grupą kontrolną, dlatego może dostarczać silniejszych przesłanek dotyczących związku przyczynowego dla konkretnej kampanii. Marketing mix modeling obejmuje zwykle dłuższy okres i więcej równocześnie działających zmiennych. Wyniki eksperymentów mogą służyć do walidacji założeń modelu MMM.
Z perspektywy badań rynku MMM warto łączyć z badaniami trackingowymi marki, analizą świadomości, wizerunku i rozważania zakupu. Model ekonometryczny pokazuje przede wszystkim wpływ aktywności na wynik biznesowy, ale nie wyjaśnia w pełni mechanizmów psychologicznych stojących za decyzją konsumenta. Badania ilościowe i jakościowe mogą wskazać, dlaczego komunikacja działa, jakie skojarzenia buduje oraz jakie bariery ograniczają jej skuteczność.
W projektach mixed-methods marketing mix modeling może być interpretowany razem z analizą danych sprzedażowych, badaniami konsumentów, monitoringiem konkurencji i wiedzą ekspercką zespołów sprzedażowych. Taka triangulacja nie polega na mechanicznym łączeniu źródeł, lecz na konfrontowaniu wyników modeli z realiami kategorii i zachowaniami odbiorców.
Jakie dane są potrzebne do marketing mix modeling?
Pytanie, jakie dane są potrzebne do marketing mix modeling, ma kluczowe znaczenie dla jakości wyników. MMM nie wymaga identyfikowania pojedynczych użytkowników, ale wymaga spójnych danych historycznych o wyniku biznesowym, aktywności marketingowej oraz czynnikach zakłócających interpretację.
Zakres danych powinien odpowiadać celowi modelu i specyfice działalności. Zwykle wykorzystywane są następujące grupy informacji:
- dane o zmiennej wynikowej, na przykład sprzedaży, przychodzie, liczbie transakcji, leadów lub zamówień,
- dane mediowe według kanału, obejmujące wydatki, zasięg, liczbę emisji, wyświetlenia, kliknięcia albo inne miary aktywności,
- dane o cenach, rabatach, promocjach, polityce asortymentowej i dostępności produktów,
- dane o dystrybucji, obecności w punktach sprzedaży, zapasach i zmianach operacyjnych,
- informacje o działaniach konkurencji, jeżeli są dostępne i porównywalne,
- zmienne opisujące sezonowość, święta, warunki pogodowe, sytuację makroekonomiczną lub zdarzenia nadzwyczajne.
Najważniejsza jest nie tylko liczba zmiennych, lecz także ich jakość, definicje i zgodność czasowa. Dane o sprzedaży i mediach powinny dotyczyć tych samych rynków, produktów, grup odbiorców i okresów. Niespójności w raportowaniu, zmiany metodologii pomiaru, braki danych lub łączenie nieporównywalnych wskaźników mogą prowadzić do błędnych wniosków.
Marketing mix modeling wymaga również ostrożnej interpretacji. Model statystyczny nie eliminuje automatycznie problemu współzależności kanałów, ograniczonej zmienności wydatków czy nieobserwowanych czynników rynkowych. Dlatego wyniki powinny być oceniane pod kątem logiki biznesowej, stabilności parametrów, zgodności z eksperymentami oraz wiedzy o kategorii. MMM jest narzędziem wspierającym decyzje, a nie zastępującym krytyczną ocenę danych i kontekstu rynkowego.