Моделиране на маркетингов микс за разпределяне на рекламния бюджет и планиране на търсенето

Три случая, които ще докажат, че моделирането на маркетингов микс работи

18 Юни, 2021 

Маркетологът разполага с много инструменти, които помагат за разпределението на рекламния бюджет между медийните канали. През 2020 година рекламният пазар беше 508 млрд долара. Според опита на много компании част от бюджета се разпределя въз основа на опит, който може да не е много ефективен. За да се предотврати това, те използват моделиране на маркетингов микс. Но още през 2016 г. в интернет писаха за смъртта на този инструмент.

Заедно с Александра Гончарова, експерт по Data Science от IBA Group (Минск), ние разбираме в какво се обвинява моделирането на маркетингов микс и има ли право да съществува.

Съдържание

Какво е моделиране на маркетингов микс?

Моделиране на маркетингов микс (моделиране на медиен микс, моделиране на маркетингов комплекс, или MMM) са математически модели, които помагат за измерване на въздействието от миналите и прогнозиране на въздействието на бъдещите маркетингови дейности върху продажбите и печалбите.

Моделирането на маркетингов микс използва обобщени данни например за продажби или маркетингови бюджети в продължение на няколко години, за да оцени ефективността на традиционните и дигиталните канали за промоция. В допълнение, с помощта на моделирането на маркетингов микс, маркетолозите могат да вземат предвид и външни фактори на влияние: сезонност, тенденции, действия на конкурентите и т.н.

Източник: Уикипедия

Моделирането на маркетингов микс стана популярно още през 60-те и 70-те години, когато пазарът беше доста прост: имаше няколко канала за промоция, нямаше натрупана информация, технологиите тепърва започваха да се развиват. Например, когато фирмата Kraft пусна желирани десерти Jell-O, за промоцията служителите избираха между три или четири телевизионни канала и реклами в списания. В днешно време за реклама на своите продукти компаниите обмислят десетки канали по телевизията, радиостанциите, печатната и външната реклама, онлайн рекламата, блоговете, PR, спонсорството и др.

За какво се критикува моделирането на маркетингов микс?

Днес пазарът е силно конкурентен, има много информация и клиентите почти не реагират на рекламата “за всички”. За да се стигне до клиент, има нужда от подробен и изчерпателен анализ. Поради тази причина мнозина смятат, че MMM не си върши работата.

Три основни претенции за МММ:

  1. Моделирането на маркетингов микс отчита само краткосрочния ефект на рекламата.
  2. Моделирането на маркетингов микс не оценява значението на рекламното съобщения или рекламните послания.
  3. Моделирането на маркетингов микс често не може да измери ефекта от стартирането на няколко медийни канали едновременно.

Защо моделирането на маркетингов микс все още работи?

Въпреки критиките, MMM работи. На пазара има няколко решения за моделиране на маркетингов микс, например от фирмите Nielsen или Coffee-analytics.

За да може моделирането на маркетинговия микс да отговори правилно на поставените въпроси, са необходими две неща:

  1. Исторически данни. Колкото повече информация има за анализ, толкова по-точен резултат ще може да изгради MMM, който ще вземе предвид както външните фактори, така и дългосрочния ефект от дейностите. Например, ако моделът MMM не разполага с данни за външна реклама, той няма да може да предвиди притока от клиенти с увеличаване на разходите за външна реклама.
  2. Правилно подбрани модели. Data Science предлага много математически модели като невронни мрежи, усилващи алгоритми или алгоритми, базирани на дървета и т.н. Например, за да се разпредели оптимално бюджетът между медийните канали, да се определят техните фактори и ефектът от припокриването, подходящ е модел, който бързо се интегрира в инструментите, работи, когато няма много данни и резултатите са лесни за разбиране.

baselinet — assessment of the base value of KPI, subject to slight fluctuations in media activity;

Mediai,t ~ media activity (audience, budget);

βi.γi — response function parameters;

есоnj,t — economical forces;

αj — parameters of economic forces;

εt — model intercept;

AdStock (xt. λi,) — adstock function that simulates autoregressive processes (processes that include the “decay” effect), where λi is the decay parameter

Модел, отчитащ различни медийни канали и допълнителни фактори

 

Креативният компонент на рекламата се оценява по други начини, като A/B тестване.

Александра Гончарова сподели няколко MMM проекта, които тя и екипът й са завършили през последните няколко години.

Пример за моделиране на маркетингов микс за маркетингова компания: „халоефект“ и калкулатор за оптимално разпределение на бюджета

Компанията искаше да разбере дали бюджетът за реклама на лекарства се изразходва правилно и да да създаде ефективна рекламна стратегия.

Data Science – екипът на Александра заедно със специалистите на клиента анализираха разходите за реклама в различни канали: медии, телевизия и радио, външна реклама и онлайн кампании. Те имаха данни за пет години. Това помогна да се вземе предвид влиянието на икономическите фактори и сезонността в прогнозния модел.

Моделът показа, че външната реклама не носи желания резултат и трябва да се третира по-внимателно.

Интересен факт: рекламирането на едно лекарство не увеличава продажбите на други лекарства от този производител. Липсата на такъв ефект, наричан е още „халоефект“, е разбираемо в тази ситуация – по-често си спомняме името на лекарствата, а не производителя.

Маркетолозите също получиха инфотабло, което им помага да сравняват продажбите и рекламите по различни канали, както и калкулатор за оптимално разпределение на бюджета за желания период. Това помогна да се определят сумите, над които е безсмислено да се инвестира в реклама: новите клиенти няма да донесат печалба.

Моделиране на маркетингов микс за компанията „Лидско пиво“: обем на дистрибуция и оптимални отстъпки

„Лидско пиво“ искаше да анализира качеството на машинното обучение в задачата „прогнозиране на продажбите “. С тази цел бяха избрани данни, съдържащи информация за постоянни и промоционални отстъпки, без да се вземат предвид маркетинговите дейности. От цялата предоставена информация бяха избрани данни за група продукти за оценка на ефекта от канибализацията. IBA Group реализира пилотен проект, използващ моделиране на маркетингов микс и технологии за Data Science. Проектът е реализиран на няколко етапа:

  1. Подготовка на данните. Клиентът предостави данни, показващи дълбочината на постоянните и промоционални отстъпки, структурирани според партньори и SKU, постоянни и промоционални продажби. Предоставените данни доведоха до формат, подходящ за обработка. Събрани и анализирани допълнителни фактори.
  2. Изграждане на иконометричен модел. Направихме декомпозиция на показатели, определяйки сезонността и влиянието на допълнителни фактори, оценихме ефектите от отлагането и отслабването за отстъпки, както и ефекта от канибализацията в рамките на група стоки.
  3. Изграждане на прогнозен модел, който оценява обема на дистрибуция въз основа на предоставеното количество данни.

В резултат на това описахме факторите, влияещи върху обема на дистрибуция, включително продажбата на подобни стоки в различен обем и опаковка; изградихме модел, който показва какво въздействие има всеки от тези фактори; оценихме прогнозните стойности на обема на дистрибуция за тримесечието за отделни продукти и категориите като цяло. Отклонението от факта на прогнозните показатели на модела според обема на дистрибуция на ниво категория не надвишава +/- 3%.А за отделни продукти получената стойност беше два пъти по-голяма от стойността, която клиентът е очаквал да види.

В задачата ни невронните мрежи са само инструмент, който помага на хората да разбират по-добре данните и да взимат правилните решения. За да работи, трябва да се адаптира към бизнес процесите на компанията, да събере и структурира необходимите данни и да разбере какви фактори трябва да се вземат предвид. Тук без човек не може.

Освен това невронните мрежи няма да изложат хипотези за проверка, няма да могат точно да определят екзогенните фактори, които трябва да бъдат взети под внимание. Принципни решения трябва да се вземат от специалист, а машинното обучение може да бъде удобен инструмент за това.

Затова основните решения трябва да се вземат от специалист, който ще оцени адекватността на резултатите от невронната мрежа, като вземе предвид текущата ситуация.

Татяна Островскаяфинансов директор на отворено акционерно дружество ``Лидско пиво``

Пример за моделиране на маркетингов микс за телекомуникационен оператор: оптимално разпределение на бюджета и фактори на медийните канали

Маркетолозите на телекомуникационния оператор трябваше да привлекат максимален брой хора на местата за продажба. Бюджетът за промоцията се определя предварително и трябва да бъде правилно разпределен между каналите. Компанията разполага с данни за последните три години: рекламен бюджет по седмици, сводки по каналите и брой клиенти, които са дошли. За решаване на проблема е разработен модел, който отчита основната стойност на KPI, медийната активност и икономическите фактори, ако има такива. Определихме коефициента на влияние на всеки медиен канал, стойността на постоянния фактор, коефициентите на забавяне и затихване и оценихме влиянието на медийните канали.

В резултат на това новата методология привлече три пъти повече клиенти. Тя помогна да се идентифицират факторите на всеки медиен канал и ефективността му. Например, интернет рекламата е ефективна, работи без забавяне и без затихване. В същото време телевизионната реклама е ефективна с дълъг период на затихване и първоначално забавяне на влиянието.

Разработихме калкулатор за оптимален бюджет. Просто трябва да зададете необходимата сума и калкулаторът ще предложи колко да инвестирате в интернет реклама или телевизионна реклама. Също така, сега можете да прецените ROAS (return on ad spend), колко доход носи всеки инвестиран долар.

От собствения си опит доказахме, че моделирането на маркетингов микс има право да съществува.  Разработката на модела ще отнеме няколко месеца, но ще можете да преоцените ефективността на рекламната кампания, да изчислите дохода на всеки инвестиран долар и да увеличите ROMI. Моделирането на маркетингов микс превръща натрупаните данни в актив, който ви помага да надминете конкурентите.

Александра Гончароваексперт по Data Science

Оставете вашите коментари или въпроси

    Yes Декларацията за поверителност Политиката за cookies