Jak hodnotit platformy a kampaně se stále menším a děravějším vzorkem dat? Může být řešením Marketing Mix Modeling? Tomáš vás uvede do světa statistického modelování, které může být alternativou k user-based atribuci. Ve své přednášce vám ukáže klady i limity MMM, kdo z něj může nejvíce těžit a jaké jsou aktuální možnosti na trhu. Nebude chybět ani case study a mnoho dalšího.
3. Vyhodnocování marketingu je čím dál těžší
Chybějící consenty,
ad blockery,
problémy s
trackingem, ...
Věčné diskuse o tom,
která atribuce je
„správně“
4. Vyhodnocování marketingu je čím dál těžší
Chybějící consenty,
ad blockery,
problémy s
trackingem, ...
Věčné diskuse o tom,
která atribuce je
„správně“
Na řadu důležitých
otázek ani nejlepší
atribuční model
neodpoví
5. Co je MMM? K čemu to je?
● optimalizace marketing ROI
a rozložení rozpočtů
● nepotřebuje uživatelská
data
● jiný přístup než atribuce
Měření efektivnosti
6. Co je MMM? K čemu to je?
● optimalizace marketing ROI
a rozložení rozpočtů
● nepotřebuje uživatelská
data
● jiný přístup než atribuce
● využívali jej velcí inzerenti
● měření TV a offline
kampaní
● prověřená metoda
● drahé a komplexní řešení
Měření efektivnosti Historie MMM
7. Co je MMM? K čemu to je?
● optimalizace marketing ROI
a rozložení rozpočtů
● nepotřebuje uživatelská
data
● jiný přístup než atribuce
● využívali jej velcí inzerenti
● měření TV a offline
kampaní
● prověřená metoda
● drahé a komplexní řešení
● za poslední 2-3 roky
● chybí data pro atribuci
● dostupnější i pro menší a
střední firmy
● kontinuální SW řešení
Měření efektivnosti Historie MMM Nedávný vývoj
8. Atribuce
MMM
MMM vs. ATRIBUCE - hlavní rozdíly
● agregovaná vstupní data - náklady,
imprese, GRPs, celkový obrat po
dnech/týdnech
● vhodnější pro celkové řízení budgetů
a KPIs
● potřebná data od jednotlivých uživatelů
● z ne/konverzních cest se usuzuje na přínos
jednotlivých kanálů
● vhodnější pro denní řízení/úpravy online
kanálů
9. Atribuce
MMM
MMM vs. ATRIBUCE - hlavní rozdíly
● agregovaná vstupní data - náklady,
imprese, GRPs, celkový obrat po
dnech/týdnech
● vhodnější pro celkové řízení budgetů
a KPIs
● potřebná data od jednotlivých uživatelů
● z ne/konverzních cest se usuzuje na přínos
jednotlivých kanálů
● vhodnější pro denní řízení/úpravy online
kanálů
Plusy
● Nezávislé na trackingu (iOS, cookies,..)
● Nepotřebuje prokliky k měření efektu
● Strategičtější pohled na marketing
(ne jen online kanály)
Plusy
● Granularita kanálů
● Menší nároky na uživatele
● Dnes už i zdarma :)
10. Atribuce
MMM
MMM vs. ATRIBUCE - hlavní rozdíly
● agregovaná vstupní data - náklady,
imprese, GRPs, celkový obrat po
dnech/týdnech
● vhodnější pro celkové řízení budgetů
a KPIs
● potřebná data od jednotlivých uživatelů
● z ne/konverzních cest se usuzuje na přínos
jednotlivých kanálů
● vhodnější pro denní řízení/úpravy online
kanálů
Mínusy
● Omezená granularita: max. 20-25 kanálů
● Náročnější na interpretaci
● Náklady / zprovoznit MMM není triviální
Mínusy
● Chybějící data = problém
● Jen online kanály
● Chybí koncept brand baseline
11. S čím může MMM pomoci?
Jaký je vliv
konkurenčních
aktivit na náš obrat?
Jaká je optimální
úroveň investic do
jednotlivých kanálů?
Kam bych měl
investovat “next
marketing dollar”?
Jak ovlivňují
slevové kupony
náš obrat a profit?
Jaký je přínos upper-
funnel kanálů a
aktivit? I těch bez
prokliků
Pokud potřebuji snížit
marketing budget
o X %, jak to
nejefektivněji udělat?
Kolik obratu vygeneroval
každý marketingový
kanál (online či offline)?
Jak bych měl alokovat
budget mezi kanály,
abych maximalizoval
své KPI?
Které marketingové
kanály jsou ještě
škálovatelné?
?
13. High-level princip jak MMM funguje
Svátky
Roční
sezonalita
Trend + síla
brandu
Týdenní
sezonalita
1) Baseline
2) Vliv
marketingového
spendu
3) Celkový rozpad
obratu po kanálech
14. Pro koho je MMM vhodné
Investice do reklamy
min. 200.000 Kč/měs
15. Pro koho je MMM vhodné
Investice do reklamy
min. 200.000 Kč/měs
Historie dat 2 roky
16. Pro koho je MMM vhodné
Investice do reklamy
min. 200.000 Kč/měs
Historie dat 2 roky Více marketingových
kanálů
20. Jak si MMM vyzkoušet?
● Pomocí open source knihoven
● Robyn - R od Meta/FB - aktivní projekt, hodně funkcionalit, přístup přes Ridge-regresi + evoluční algoritmy
https://github.com/facebookexperimental/Robyn
● Lightweight MMM od Google - Python, méně aktivní, bayesovský přístup, méně pokročilý než Robyn
https://github.com/google/lightweight_mmm
● Business Factory + MarketingIntelligence.io
● Velké data science agentury typu Ekimetrics, Analytic Edge
● Consulting firmy typu Accenture a Deloitte
● Velké mediální agentury/skupiny - Omnicom, Dentsu, WPP,...
● Výzkumné agentury Nielsen, Kantar, Ipsos,...
21. Case study
E-commerce projekt ve střední Evropě:
● přes 2 miliony uživatelů měsíčně
● bohatý media mix, 20+ marketingových kanálů
● Možný uplift revenue dle MMM: +14,6 %
● GAds Shopping/PMax zvýšit spend o 24 %
● Remarketing ve vybraných kanálech snížit o 20 %
● První změny na základě doporučení MMM
● po 3 týdnech odměřen nárůst revenue o 5,1 %
● při zachování stejného spendu
22. Giveaway
Pokud máte zájem si MMM zdarma
vyzkoušet, pošlete zprávu na email
mmm@b.cz, dáme vám přístup
do demo aplikace
Marketing Intelligence
23. MOB: +420 778 741 619
EMAIL: tomas.beno@b.cz
ADDRESS: Dornych 486/47b, Brno
WWW: b.cz
IG: @businessfactory
PPC Team Leader & Strategist
Tomáš
Beňo