Оволодіння моделями маркетингового міксу: від теорії до практики з Robyn від Meta

В цій статті я детально розгляну, що таке моделі маркетингового міксу (MMM) та чому вони набувають все більшого значення на сучасному ринку. Я обговорю перехід від детерміністичних до ймовірнісних моделей у маркетингових експериментах та досліджу проблеми, пов'язані з проведенням рандомізованих контрольованих випробувань (RCT) у цій сфері. Після охоплення цих основних тем, я поглиблюся в концептуальний фон MMM, зокрема зосереджуючись на тому, як пакет Robyn від Meta — для побудови моделей маркетингового міксу — створює ці моделі і надає запропонований робочий процес. Цей робочий процес можуть адаптувати організації для створення надійної стратегії оптимізації маркетингу.

Для базової інформації про MMM ви можете прочитати цю статтю, яку я написав тут, а для всього коду та офіційної документації звертайтесь до: Robyn

Чому моделі маркетингового міксу (MMM) знову в тренді?

Останні п'ять років правила конфіденційності та зміни в технологіях значно змінили цифрову рекламу, змушуючи бізнеси переосмислювати, як вони вимірюють успіх. До 2018 року світ цифрової реклами процвітав завдяки детерміністичному атрибуції, використовуючи інструменти, як:

• Cookies (куки): Відстеження користувачів на різних вебсайтах.
• Device IDs (ідентифікатори пристроїв): Моніторинг поведінки в додатках.
• Third-Party Data Sharing (обмін даними з третіми сторонами): Створення детальних профілів користувачів.
• Clickstream Data (дані кліків): Запис кожної взаємодії користувача в інтернеті.

Це дозволяло створювати гіперперсоналізовану рекламу, безперешкодне повторне націлювання та точне кросплатформене відстеження.

Проте введення правил щодо конфіденційності змінило цю модель:

• GDPR (2018, ЄС): Вимога отримати згоду користувача на збір даних (source).
• CCPA (2020, Каліфорнія): Дозвіл користувачам відмовитись від продажу їхніх даних (source).
• Apple’s ATT (2021): Вимагає явного дозволу на відстеження в додатках (source).
• Оновлення браузерів: Safari, Firefox та Chrome почали поступово відмовлятись від сторонніх cookies (source).

Від детерміністичних до ймовірнісних моделей: підйом MMM

Оскільки детерміністичні моделі більше не є життєздатними через правила конфіденційності, чому б не повернутись до ймовірнісних підходів?

Техніки, як моделювання маркетингового міксу (MMM), пропонують макро-погляд на маркетингову ефективність, зберігаючи конфіденційність користувачів і допомагаючи компаніям ефективніше розподіляти бюджети.

Проте отримати надійні причинно-наслідкові оцінки для реклами залишається суттєвим викликом.

• Randomized Control Trials (RCTs, рандомізовані контрольовані випробування): Хоча це ідеальний метод для вимірювання причинно-наслідкових зв'язків, RCT складно впровадити в реальних кампаніях через високу вартість, складність та проблеми з рандомізацією макро-даних. Зовнішні фактори часто спотворюють результати, а доступні дані для точності стають все менш доступними.
• Non-Experimental Approaches (неекспериментальні підходи): MMM наближає причинні висновки, використовуючи агреговані дані, але відсутність даних на рівні користувачів ускладнює і знижує точність.

Незважаючи на ці виклики, MMM знову здобув популярність як стратегічний інструмент. Він допомагає бізнесам удосконалювати свій маркетинговий мікс — коригувати ціни, акції, стратегії продуктів та розподіл — використовуючи надійні, орієнтовані на конфіденційність методики, що відповідають сучасним обмеженням даних (source).

Чому RCT рідко використовуються в рекламі

Хоча RCT ідеальні для вимірювання причинності, їх рідко застосовують в рекламі через складність, вимоги до ресурсів і страх утримання — боязнь втратити короткостроковий дохід або пошкодити видимість бренду, виключаючи аудиторії з кампаній.

Концептуальний фон MMM

Натомість компанії використовують спостережні методи, такі як Media/Marketing Mix Modeling (m/MMM, моделювання медіа/маркетингового міксу) для виведення причинних ефектів.
Ці моделі аналізують результати, такі як продажі, відвідування вебсайтів, встановлення додатків або трафік у магазинах, як функцію попередніх витрат на медіа та інших змінних (наприклад, сезонність або ринкові тенденції).

Ключові характеристики MMM:

1. Дані часового ряду: Відстежують витрати за каналами та агреговані результати по сегментах (наприклад, регіони, демографія).

MMM будує регресійну модель на даних про витрати на маркетинг за часом [source]

2. Затриманий ефект: Щоб врахувати динамічні ефекти, моделі часто включають adstock (адсток), який вимірює затриманий вплив реклами на попит і продажі.

Геометрична функція адстоку [source]

наприклад: Decay Rate (Коефіцієнт спаду) =0.75 означає, що 75% переноситься на наступний період

3. Криві насичення: Криві насичення застосовуються до перетворених витрат на маркетинг, що враховують ефекти адстоку. Вони припускають спадні прибутки, що означає, що кожен додатковий долар витрат на рекламу має зменшуваний вплив.

Криві насичення часто мають форму літери C або S для витрат на маркетинг, маркетологи хочуть працювати в оптимальному діапазоні для ефективного використання бюджету.

Практичні наслідки вибору alpha & gama

Канали з вищими значеннями alpha та gamma зазвичай можуть прийняти більше інвестицій до досягнення точки насичення, що робить їх кандидатами для збільшення бюджету.

Низькі значення alpha та gamma свідчать про канали, які швидше досягають насичення, що вказує на необхідність більш обережної оптимізації витрат, щоб уникнути марнотратства.

Правильний вибір alpha та gamma є важливим для точного відображення унікальних характеристик реакції різних медіа-каналів та кампаній.

4. Оптимізація:

MMM використовує багатофункціональну оптимізацію, мінімізуючи статистичні помилки (наприклад, NRMSE, про що йдеться далі в статті) та бізнес-помилки (розкладена RSSD) для вдосконалення маркетингових стратегій і таким чином навчання гіперпараметрів кривих насичення.

Інтерпретація моделей маркетингового міксу (MMM)

Як ми можемо бути впевнені, що наші моделі маркетингового міксу правильно відображають зв'язок між витратами на рекламу та результатами? Існує два основні виклики:

1. Достатня варіативність: Дані повинні бути достатньо різноманітними, щоб коректно оцінити ефекти витрат на медіа. Це можна досягти шляхом відстеження змін у маркетингових стратегіях компанії з часом і фіксації цих змін у моделі.
2. Причинна інтерпретація: Однією з основних проблем спостережних досліджень є ризик активності та упередженості. Це трапляється, коли поведінка користувачів (онлайн чи офлайн) спотворює взаємозв'язок між рекламою та результатами, ускладнюючи встановлення справжніх причинно-наслідкових зв'язків. Іншою проблемою є спотворення (confounding), коли непередбачена змінна (наприклад, сезонність свят) впливає на результати.

Щоб знизити ці ризики, важливо валідувати оцінки моделей за допомогою контрольованих експериментів (як RCT) або даних, що показують інкрементальні ефекти реклами. Порівнюючи прогнози моделі з реальними результатами, ми можемо краще зрозуміти її точність. Для більш точних висновків інтеграція різних методів, включаючи RCT, є необхідною.
Це може допомогти вдосконалити моделі та забезпечити відображення справжнього впливу реклами.

Оскільки результати моделей MMM потребують надійних меж для їхнього впровадження, ця стаття про Robyn пропонує використовувати цикл, схожий на цей Спрощений цикл у таких кроках:

Спрощений цикл для впровадження моделей MMM

Щоб забезпечити надійні результати від моделей маркетингового міксу (MMM), фреймворк Robyn пропонує слідувати цьому спрощеному циклу:

MMM Framework для оптимізації маркетингового бюджету

1. Створення маркетингової політики
   Маркетингові експерти розробляють початкову стратегію, поєднуючи свій досвід з стратегічними цілями компанії.

2. Аналіз та калібрування

• Використовувати експериментальні дані для розуміння того, як витрати на маркетинг впливають на результати, такі як продажі або відвідування.
• Тонко налаштовувати причинні висновки для корекції крайніх прогнозів, забезпечуючи практичні та точні інсайти.

3. Навчання моделі MMM

• Подавати калібровані дані в MMM для навчання.
• Ітеративно повторювати крок 2 для постійного покращення точності та надійності.

4. Впровадження та вдосконалення

• Використовувати інсайти MMM для створення нової маркетингової політики.
• Втілювати її в дію та продовжувати експериментувати, щоб з часом виявити кращі стратегії.

Цей ітеративний процес гарантує, що маркетингові стратегії будуть орієнтовані на дані та адаптовані для максимального впливу!

Потенційні упередження, які впливають на процес MMM

Ефективність моделей MMM може бути знижена через різні типи упереджень, які впливають як на статистичну модель, так і на процес прийняття управлінських рішень:

Два типи упереджень, які можуть вплинути на організаційну структуру навколо MMM:

1. Статистичне упередження: здебільшого через мультиколінеарність, спотворені змінні, ендогенність, непередбачені змінні та неправильне поводження з часовими рядами.

• Robyn використовує гребеневу регресію (ridge regression) (дбає про мультиколінеарність, переконується, що кожна змінна має певний вплив на результат), розкладання часового ряду (сезонні ефекти, свята тощо), та алгоритми, що налаштовують параметри на багатофункціональну втрату, переконуючись, що модель налаштована на кілька метрик, які добре відповідають результату, запобігаючи крайнім результатам.

2. Управлінське упередження: У прийнятті рішень у сфері маркетингу з високими ставками, коли є кілька зацікавлених сторін, схильність до підтримки моделей, що відповідають особистим думкам зацікавлених осіб, може призвести до статистичних упереджень, тоді як помилки в інтерпретації неупереджених результатів можуть призвести до поганих рішень.

Цілі оптимізації в Robyn

Robyn використовує еволюційні алгоритми для визначення оптимальних гіперпараметрів, які підходять для даних, водночас балансуючи кілька цілей. Основні метрики, що оптимізуються, це:

1. NRMSE (Нормалізована середня квадратична помилка)

Формула NRMSE

• Вимірює помилку прогнозу
• Використовується як основна цільова функція для налаштування моделі
• Коли валідація часового ряду увімкнена, використовується nrmse_val; в іншому випадку — nrmse_train є основною метою

1. DECOMP.RSSD (Декомпозована сума квадратів відстаней)

Декомпозована RSSD

• Відображає «бізнес-помилку»
• Вимірює різницю між часткою витрат і часткою ефекту для змінних платних медіа
• Допомагає відкинути моделі з крайнім розкладанням

1. MAPE.LIFT (Середня абсолютна відсоткова помилка для експериментів)

Формула MAPE

• Увімкнено тільки при калібруванні моделі
• Мінімізує різницю між прогнозованим ефектом і причинним ефектом з експериментів
• Вважається «помилкою калібрування»

Robyn використовує багатофункціональну оптимізацію для балансування цих метрик, виводячи набір парето-оптимальних рішень. Цей підхід дозволяє моделі одночасно оптимізувати точність прогнозування, бізнес-логіку та калібрування експериментів, коли це необхідно.

Процес вибору моделі

1.
Парето фронти: Robyn генерує кілька моделей, які добре працюють за всіма цілями оптимізації, створюючи фронти Парето.

1. Налаштування: Користувачі можуть налаштовувати важливість кожної метрики, що дає гнучкість у налаштуванні моделі.

2. Оцінка моделі: Після навчання моделі оцінюються на основі:

• Скоригованого R² для якості підгонки

Скориговане R² на навчальних, валідаційних та тестових даних

• Якість підгонки моделі на часових рядах
• Оптимізаційні метрики (NRMSE, DECOMP.RSSD, MAPE.LIFT)

1. Вхід аналітика: З численних парето-оптимальних рішень (зазвичай близько 100 моделей) аналітики переглядають і обирають найбільш правдоподібну модель, базуючись на знаннях бізнесу та очікуваннях щодо ефективності каналів.

Фронти Парето, зазвичай 100 моделей, що демонструють найкращу ефективність за об'єктивними функціями

Інтегруючи кілька цілей і дозволяючи налаштування, Robyn прагне створити моделі, які не тільки є статистично надійними, але й узгоджуються з бізнесовими реаліями та експериментальними результатами.

Після процесу оптимізації, науковці даних обирають кілька найкращих моделей для подальшого аналізу. Robyn надає потужний інструмент для порівняння цих моделей: односторінковий звіт. Цей лаконічний звіт дає всебічний огляд ефективності кожної моделі, поєднуючи статистичні метрики з бізнес-інсайтами.

Односторінковий звіт

Типовий односторінковий звіт у Robyn містить такі основні елементи:

1. Графік дощу (зверху зліва):

• Візуалізує декомпозицію моделі цільової змінної
• Показує внесок різних факторів з часом

1. ROI (Повернення на інвестиції):

• Показує ефективність кожного маркетингового каналу
• Допомагає виявити найбільш економічно ефективні канали

1. CPA (Вартість за залучення):

• Показує ефективність кожного каналу в забезпеченні конверсій
• Корисно для прийняття рішень щодо розподілу бюджету

1. Рейти адстоку:

• Показує швидкість згасання ефекту маркетингових активностей з часом
• Допомагає зрозуміти тривалість впливу кожного каналу

1. Негайна і відкладена відповідь:

• Порівнює короткострокові та довгострокові ефекти маркетингових активностей
• Важливо для збалансування короткострокових вигод з довгостроковим брендинговим будівництвом

1. Криві відповіді (знизу зліва):

• Ілюструють взаємозв'язок між витратами та відповіддю для кожного каналу
• Допомагає визначити оптимальні рівні витрат і зменшення віддачі

Розподіл бюджету в Robyn

Одна з основних цілей моделювання маркетингового міксу (MMM) — це оптимізація витрат між маркетинговими каналами. Robyn досягає великих успіхів у цій сфері, надаючи складну функціональність для розподілу бюджету.

Криві відповіді та насичення

Robyn використовує параметри, отримані для кожної маркетингової характеристики, для побудови кривих насичення відповіді. Ці криві моделюють, як ефективність кожного каналу змінюється зі збільшенням витрат.

Наприклад, крива відповіді для зовнішньої реклами (OOH) може виглядати ось так:

Витрати проти відповіді (в доході)

Основні аспекти цих кривих:

• Вони включають ефекти адстоку (відкладений вплив реклами з часом)
• Вони моделюють насичення, показуючи зменшення віддачі з ростом витрат

Нелінійна оптимізація ROAS:

Robyn припускає, що Повернення на витрати на рекламу (ROAS) змінюється нелінійно з лінійним збільшенням витрат.
Це нелінійне співвідношення означає наявність оптимального рішення для розподілу бюджету, що балансує ефективність кожного каналу з його вартістю. Для знаходження оптимального розподілу бюджету Robyn використовує передові методи оптимізації:

Глобальна оптимізація: Метод доповнених Лагранжіанів

Місцева оптимізація: Послідовне квадратичне програмування найменших квадратів (SLSQP)

Ці алгоритми ґрунтуються на методах нелінійної оптимізації з використанням градієнтів, щоб знайти найбільш ефективний розподіл маркетингових бюджетів.

Максимізація відповіді попиту

Robyn пропонує опцію "max response", яка дозволяє користувачам:

• Встановити обмеження на загальний бюджет
• Вказати діапазон дат для оптимізації
• Максимізувати загальну відповідь попиту по всіх каналах

Ця функція дозволяє маркетологам знайти оптимальну комбінацію, яка забезпечує найвищий дохід у межах заданих обмежень.

Наприклад: Сценарій: Оптимізація квартального маркетингового бюджету бренду електронної комерції

Бренд має маркетинговий бюджет $500,000 на Q1 2025 року і хоче оптимізувати його розподіл по каналах для максимізації конверсій.

Приклад оптимізації бюджету

Висновки:

Телевізійна реклама (+20%): Збільшено розподіл через сильну ефективність та запізніле насичення.

Платний пошук (-16,7%): Зменшено витрати через зменшення повернення понад $100,000.

Соціальні мережі (+20%): Збільшено інвестиції через високу ефективність та масштабованість.

Маркетинг з інфлюенсерами (-12,5%): Легке зменшення через досягнення плато на більших витратах.

Реклама в банерах (-40%): Значне скорочення через обмежений ROI порівняно з іншими каналами.

Такий оптимізований розподіл забезпечує максимізацію попиту при дотриманні обмежень бюджету $500,000.

Ключові моменти, на які варто звернути увагу при використанні Robyn

1. Вимоги до даних: Рекомендується мати принаймні 2 роки даних про витрати на маркетинг з надійним каналом для об'єднання даних з різних джерел.
2. Варіативність даних: Включайте різноманітні точки даних, такі як експерименти, нові характеристики, ціни конкурентів, акції та святкові періоди, щоб покращити надійність моделі.
3. Попередній аналіз даних: Здійснюйте ретельний EDA (Exploratory Data Analysis) та працюйте з викидами, оскільки Robyn використовує регресійну модель.
4. Вибір ознак: Дотримуйтесь правила 1 в 10, забезпечуючи щонайменше 10 спостережень на кожну ознаку в моделі.
5. Варіативність ознак: Забезпечте достатню варіацію витрат/активності для кожної ознаки в навчальному наборі даних, щоб максимізувати її корисність.
6. Калібрування моделі: Регулярно порівнюйте результати моделі з реальними показниками ефективності та використовуйте ці знання для вдосконалення моделі.
7. Діагностика моделі: Використовуйте односторінковий звіт моделі для комунікації, документування та вибору моделі, аналізуючи якість підгонки з часом та розуміючи криві відповідей.

Посилання:

1. Jin, Y. et al. (2021). “Hierarchical marketing mix models with sign constraints”. PMC. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8288181/
2. Skokan, I. et al. (2023). “A New Gold Standard for Digital Ad Measurement?”. Harvard Business Review. https://hbr.org/2023/03/a-new-gold-standard-for-digital-ad-measurement
3. Google Research. (2017). “Challenges and Opportunities in Media Mix Modeling”. https://research.google/pubs/pub45998/
4. Marketing Evolution. (2022). “What is Media Mix Modeling (MMM)?”. https://www.marketingevolution.com/marketing-essentials/media-mix-modeling
5. Chan, D. & Perry, M. (2024). “Packaging Up Media Mix Modeling: An Introduction to Robyn’s Open-Source Approach”. arXiv:2403.05798. https://arxiv.org/abs/2403.05798

Перекладено з: Mastering Marketing Mix Models: From Theory to Practice with Meta’s Robyn