Marketing mix modelin uusi tuleminen: Ratkaisu kanavakohtaisen mainospääoman tuoton määrittämiseen

Mikä avuksi, kun mainonnan järjestelmät eivät enää tuota riittävästi luotettavaa dataa kanavakohtaisen budjetin määrittelyyn? Missä kanavassa on paras mainospääoman tuotto eli ROI? Marketing mix model ratkaisee ongelman.

Data on ollut markkinoinnin päivän sana jo parin vuosikymmenen ajan. Markkinoinnin alustat, mediat ja mainostajat ovat tuottaneet ja keränneet ennennäkemättömällä tavalla dataa. Datasta on tullut tärkeä kaupankäynnin väline, sillä se on mahdollistanut käyttäjien entistä tarkemman profiloinnin ja sitä kautta mainonnan tehokkaan kohdentamisen. 

Data on sen omistajille valtaa. Mainostajat tahtovat kuluttajat hinnalla millä hyvänsä kanta-asiakasohjelmiinsa, jotta saisivat heidän datan suoraan käyttöönsä. Motiivina on tarkka kuva kuluttajan profiilista ja käytöksestä, joka antaa mahdollisuuden hyvin yksilöityyn mainontaan. Markkinointijohtajille datan kehitys on tarkoittanut uutta vipuvartta organisaation sisällä. Kun on dataa, jolla osoittaa mainonnan tehokkuus, on helppo pyytää lisää budjettia mainontaan.

GDPR pakotti mainonnan alustat keksimään uusia tapoja kerätä dataa

Viime vuosien aikana sääntely, ennen muuta yleinen tietosuoja-asetus GDPR, on kuitenkin tehnyt kuluttajadatan keräämisen ja varastoinnin vaikeammaksi. Vuodesta 2018 EU-maissa voimassa ollut henkilötietoja käsittelevä laki asettaa rajoitteita käyttäjädatan keruulle. 

Mainonnan alustat ovat GDPR:n tuoman sääntelyn myötä keksineet kiertoteitä datan tarkkuuden säilyttämiseksi. Uusin muutos Googlen mainostajille asettama vaatimus implementoida nk. Consent Mode sivustolle. Sen avulla lähetetään Googlelle tieto käyttäjän evästesuostumuksista. Google tietää siten, mikä osuus sivustolla käyneistä kieltäytyi suostumuksesta ja voi palauttaa mallinnettuna puuttuvat konversiot Google Ads:iin. 

Datan laatu ei ole enää yhtä hyvää kuin ennen. Tämä vaikeuttaa markkinointipäättäjän työtä myös silloin, kun jaetaan mainosbudjettia eri kanavien kesken. Markkinointipäättäjän tyypillinen tapa jakaa budjettia eri kanavien kesken on tehdä tehokkuusvertailua kanavien ROAS-tasoihin. Tähän liittyvät haasteet ovat usein hyvin tiedossa: jokainen alusta haluaa saada omat luvut näyttämään loistavilta, jolloin objektiivista näkymää eri kanavien tehokkuudesta on vaikea saavuttaa. Yleensä myös haku, jonka luonne on kaupan kotiuttaja, voittaa tässä vertailussa. Tämä yhdistettynä heikentyvään markkinointidatan laatuun tekee alustojen lukujen tarkastelusta entistä enemmän suuntaa-antavaa.

Edellä esitetyt haasteet ovat johtaneet siihen, että yritysten kiinnostus marketing mix modelingia (MMM) kohtaan on ollut kovassa nousussa. MMM on menetelmä, jossa tilastollisten analyysien avulla tuotetaan kokonaisvaltainen ja objektiivinen kuva eri markkinointikanavien ROI:sta eli sijoitetun mainospääoman tuotosta. MMM auttaa allokoimaan budjetin kanaviin, joissa tuotot ovat korkeimmat.

Marketing mix modelin uusi tuleminen

MMM ei ole uusi keksintö. Esimerkiksi Coca-Cola pyrki jo yli viisikymmentä vuotta sitten ymmärtämään television ja aikakauslehtien toimivuuseroja käyttämällä marketing mix modelia. Menetelmä on toki kehittynyt valvasti ensimmäisistä sovelluksistaan ja tekoäly vauhdittaa kehitystä entisestään. 

Uuden kysynnän ja teknologian kehityksen myötä MMM on tullut myös pienempien yritysten saataville. Aiemmin mallien rakennus oli hyvin kallista, ja siitä pääsivät nauttimaan vain yritykset, joissa on suuret markkinointibudjetit. Alalle on syntynyt yrityksiä, jotka tarjoavat MMM:n SaaS-tyylisesti, jossa tilastolliset mallit on rakennettu valmiiksi ja mainostajan tulee vain tarjota input-data alustalle. 

Uusin kehityssuunta, joka entisestään madaltaa käyttöönoton kynnystä (ja kustannuksia), on avoimen lähdekoodin ratkaisut. Hiljattain sekä Meta että Google ovat julkaisseet varsin pitkälle kehitettyjä malleja kaikkien saataville. Metan kehittämä Robyn julkaistiin GitHubissa 2021. Google julkaisi oman LMMM:n (Lightweight Marketing Mix Model) GitHubissa 2022.

Intention oma marketing mix model

Olemme Intentiolla rakentaneet MMM-kyvykkyydet pohjautuen Googlen LMMM:än. Ensimmäinen toteutus tehtiin asiakkaallemme loppuvuonna 2023.

Olemme hakuun keskittynyt toimisto, ja se tulee jatkossakin olemaan fokuksemme. Näemme kuitenkin suuren arvon MMM:ssä erityisesti budjettiehdotuksia laatiessa. Emme halua päätyä tilanteeseen, jossa johdamme asiakastamme harhaan vajavaisen tai vinoutuneen datan vuoksi, kun päätöksiä tehdään esimerkiksi seuraavan vuoden hakumainonnan budjetista. Päätimme siis rakentaa omat MMM-kyvykkyydet pohjautuen Googlen LMMM:ään. 

Investoimme nyt ja tulevaisuudessa omiin datakyvykkyyksiimme. Viime vuonna yhtenä hankkeena oli MMM-kyvykkyyden rakentaminen. Kyvykkyydet rakennettiin yhteistyössä GOODINin kanssa, jossa Esa Tiusanen on erikoistunut muun muassa MMM-analyyseihin. 

Googlen Lightweight Marketing Mix Model (LMMM) pähkinänkuoressa

Googlen LMMM on Python-ohjelmointikieleen pohjautuva kirjasto, joka hyödyntää tilastollisena menetelmänä Bayesin todennäköisyyslaskentaa. Malli pyrkii määrittämään eri kanavien suhdetta myyntiin. Selittävinä muuttujina se käyttää kanavien impressioita (tai klikkejä) ja kustannusta, tavoitemuuttujana kokonaismyyntiä. Mediat voidaan pilkkoa halutulla tasolla: esimerkiksi Google-mainonnan sisällä mielekästä on erottaa kampanjatyypit omiksi kanavikseen (Performance Max, Search, YouTube). 

Mallin voi toteuttaa usealle lokaatiolle (esim. maa) samanaikaisesti ja mukaan voi tuoda lisämuuttujia (extra_feature), vaikka kampanjat. LMMM-prosessin ensimmäisessä vaiheessa valmistellaan data sellaiseen muotoon, jota malli osaa käsitellä. Tämän jälkeen malli treenautetaan otannalla datasta ja tehdään erilaisia laadullisia testejä. Kun testit näyttävät hyviltä, mallia lähdetään skaalaamaan koko dataan, jota mallille tarjotaan.

Mallin luotettavuutta arvioidaan R2- ja MAPE-arvoilla. R2 kuvaa muuttujien välisen riippuvuuden voimakkuutta, eli tässä yhteydessä mallin tuottamien simulaatioiden ja annetun historiadatan samansuuntaisuutta. Mitä lähempänä R2 on arvoa 1, sitä korkeampi mallin luotettavuus on. MAPE taas kertoo ennusteen ja todellisen arvon välisestä poikkeamasta.

Eri kanavien osin malli katsoo kunkin median vaikuttavuutta myyntiin. Alla olevissa kuvaajissa X-akselilla suurempi arvo tarkoittaa suurempaa vaikuttavuutta myyntiin. Y-akselilla kuvataan mallin varmuutta siitä, että X-akselin arvo on oikea mainoskanavan vaikutukselle. Vaikuttavuus ei kuitenkaan huomioi kanavan kustannusta, eli vaikutus myyntiin voi olla suuri, mutta erittäin kallis - mikä tarkoittaa tietysti alhaista ROI:ta. 

Mallissa myös tarkastellaan kunkin kanavan reagointia investointien muutoksille (Response Curve), eli miten kanava käyttäytyy kun investointeja kasvatetaan.

Kunkin kanavan kontribuutiota myyntiin voidaan tarkastella aikasarjalla, joka näyttää miten kanavien kontribuutio on kehittynyt ajan saatossa mallin mukaan.

Ehkäpä se tärkein ja kiinnostavin oivallus on tässä: miltä eri kanavien ROI näyttää. 

Marketing mix modeling ja datan luotettavuus

LMMM tuottaa markkinointipäättäjille objektiivista ja arvokasta dataa päätöksenteon tueksi. Vailla heikkouksia malli ei tietenkään ole  – todellisen maailman mallintaminen on vaikeaa, oli tilastollinen menetelmä mikä tahansa. ROI-tarkastelussa ja ylipäätään MMM-tuloksia luettaessa, on parempi tarkastella eri kanavien välisiä suhteita, kuin absoluuttisia lukuja. 

Toimintaa ohjaava elementti tulee siis siitä, että analyysin jälkeen tiedämme, miten kanavan x kontribuutio myyntiin on kehittynyt ajan saatossa ja missä suhteessa kanavan x tehokkuus on suhteessa kanavaan y sekä kuinka paljon kanavaan x jatkossa kannattaa panostaa.

Kiinnostaako LMMM Intention avustuksella? Ota meihin yhteyttä ja voimme auttaa mainosbudjettien allokoinnissa. 

Artikkelin kuva: Unsplash/Алекс Арцибашев