Marketing Mix Modeling - это метод, который позволяет проанализировать вашу маркетинговую стратегию при использовании вами нескольких рекламных каналов. Цель МММ - количественно оценить влияние отдельных рекламных каналов на продажи и составить модель оптимального бюджета на каждый канал для максимизации ROI.
При этом помимо данных об используемых рекламных каналах и проведенных маркетинговых кампаниях также учитываются такие факторы как сезонность, макроэкономические показатели, цена продаж и т д - всё, что влияет на продажи без учета маркетинга. При анализе моделируется отложенный эффект рекламных кампаний и снижение этого эффекта во времени.
Какие данные нужны для проведения анализа?
Необходимо иметь следующую информацию в разбивке по неделям:
Число продаж, или аналогичный показатель, на который нацелен маркетинг (например, для крупных компаний можно рассматривать долю рынка). В случае широкого ассортимента товаров (когда абсолютное число продаж нерепрезентативно) число продаж за период можно рассчитать как доход с продаж, деленный на средний чек, за этот период. Не рекомендуется использовать напрямую доход с продаж, так он зависит от цены товара, а она будет одним из предикторов в модели.
Для каждого рекламного канала - бюджет, потраченный на него в этот период.
Цена продаваемого товара (или интегральный показатель цены для набора товаров), если она менялась
Другие факторы, не связанные с маркетингом, которые могли повлиять на объем продаж (например, число точек продаж, если менялось, или значимые макроэкономические показатели).
Данные необходимо иметь в разбивке по неделям, т.к. у данных по месяцам слишком высокая гранулярность, а данные по дням отражают лишние случайные колебания. При этом наличие данных за два года и более позволит учесть сезонность продаж.
Построение модели
В основе маркетинг-микс модели используется множественная линейная регрессия. Зависимой переменной в ней являются продажи, факторами - все остальные переменные.
Однако, не всё так просто. Хотя некоторые из факторов могут влиять на продажи линейно, большинство имеют более сложный вид связи и требуют дополнительных преобразований перед включением в регрессию.
Преобразование данных
-
Учитываем убывание полезности рекламы в канале.
Вначале реклама значительно повышает осведомленность среди потребителей канала и бустит продажи, однако при дальнейшем увеличении бюджета ROI канала уменьшается. При достижении уровня насыщения, вливание бюджета в канал почти не оказывает дополнительного эффекта на продажи.
Необходимо использовать преобразование, которое характеризует насыщение канала. В общем случае, в качестве такого преобразования может выступать функция Хилла (Hill, 1910):
Параметр K определяет точку полунасыщения, а параметр S - кривизну функции (slope). Индекс t обозначает период, для которого производится расчёт, а индекс m - рассматриваемый рекламный канал.
Отражаем эффект накопления.
Как мы выяснили в предыдущей статье, еще одна особенность маркетингового микса состоит в том, что на продажи в текущем периоде влияет в том числе рекламный эффект из прошлых периодов.
Пусть рекламный эффект сохраняется на протяжении L периодов. Тогда суммарный эффект можно определить следующей функцией:
То есть, мы получаем средневзвешенный спенд за периоды l = t-L+1...t, траты в которых еще оказывают влияние на текущий период t.
При этом функция w(l) обозначает степень влияния рассматриваемого периода на текущий. Стандартный способ её определения следующий:
При таком определении влияние запущенной рекламы убывает геометрически в каждом последующем месяце, скорость убывания задается параметром ɑ.
В этом случае максимальный эффект от рекламы достигается мгновенно, и убывает со временем. Однако для многих каналов характерна задержка эффекта. Её можно отразить, модифицировав формулу (4) следующим образом:
Параметр θ отражает задержку - сколько периодов пройдет, прежде чем рекламный эффект станет максимальным.
Итого, объединяя всё в одну формулу, получаем:
Здесь β0 соответствует базовым продажам. Индекс m обозначает рекламные каналы. Индекс с - прочие факторы, оказывающие влияние на продажи (например, цена) - к таким факторам не применяются преобразования (2) и (3). Слагаемое ε обозначает шум / случайные колебания в данных.
Поиск оптимальной модели
Мы используем байесовский подход для оценки модели с использованием алгоритмов MCMC (Markov Chain Monte Carlo). Начальные распределения параметров задаются эмпирически по опыту построения предыдущих МММ моделей. Расчеты выполняются в R, в частности при помощи пакетов {MCMC}, {bayesm}.
Интерпретация результатов
Анализ вклада каждого канала в продажи
В завершение
Сейчас MMM используют только крупные игроки рынка. И объясняется, это многомиллионной стоимостью такого вида анализа. Компаний, которые его осуществляют не так много (например, Nielsen). Результат такого анализа - это, как правила, презентация а-ля консалтинг, где объясняется вклад каждого канала, дается прогноз продаж в зависимости от разных сценариев вложений в маркетинг и предлагается оптимальное распределение бюджета. Итого, чтобы всегда совершать оптимальные решения, MMM надо проводить регулярно.
Дмитрий Власенко
технический директор Statzilla