كيفية أتمتة نمذجة مزيج التسويق باستخدام جدول بيانات موجز بيانات MMM

تشهد نمذجة المزيج التسويقي أو MMM نهضة ، على مدى 60 عامًا منذ أن أصبحت شائعة الاستخدام. على عكس معظم طرق إحالة التسويق ، لا تتطلب MMM بيانات على مستوى المستخدم ، بدلاً من نمذجة القنوات التي تستحق الفضل في المبيعات من خلال التخطيط الإحصائي للارتفاعات والانخفاضات في الإنفاق على الإجراءات والأحداث في قنوات التسويق الخاصة بك. بالترقية من الانحدار الخطي البسيط إلى تقنيات مثل انحدار التلال أو طرق بايز ، يتم إعادة اختراع نمذجة المزيج التسويقي للعصر الحديث.

تريد معرفة المزيد عن MMM؟

اقرأ إيجابيات وسلبيات نماذج مزيج التسويق مقابل نماذج الإحالة

اقرأها الآن

ومع ذلك ، هناك عقبات كبيرة للتغلب عليها. قد يستغرق بناء نموذج من 3 إلى 6 أشهر ، وفقًا لـ Meta / Facebook ، التي تعمل على مكتبة MMM مفتوحة المصدر منذ أكتوبر 2021. وفقًا لتقديراتها ، يتم قضاء حوالي 50 ٪ من الوقت في جمع البيانات وتنظيفها قبل بدء النمذجة . يتطابق هذا مع تجربتي في Recast - و Harry's سابقًا - بالإضافة إلى نتائج دراسة CrowdFlower التي وجدت أن 60٪ من وقت علم البيانات يقضي في تنظيف البيانات وتنظيمها.

تقديم سريع >>

• تنظيف البيانات
• بناء نموذج المزيج التسويقي
• النمذجة الآلية

تنظيف البيانات 60٪ من العمل ، وكيفية جعله 0٪

لبناء نموذج دقيق ، تحتاج إلى بياناتك بتنسيق معين. يستغرق تجهيز البيانات وقتًا طويلاً ، لذا تستغرق مشاريع MMM وقتًا أطول مما تحتاج إليه. هذا يجعل MMM مهارة متخصصة ومكلفة ، لذلك يمكن لمعظم الشركات بناء نموذج أو نموذجين فقط في السنة. إذا كان بإمكانك أتمتة العملية باستخدام أداة مثل Supermetrics لإنشاء موجز بيانات MMM ، فيمكنك تحديث نموذجك بانتظام ، مما يسمح لك بتحسين ميزانية التسويق بشكل أفضل.

تنسيق البيانات الجدولية

لإنشاء نموذج مزيج تسويقي ، يجب أن يتم وضع بياناتك في تنسيق جدولي غير مكدس. وهذا يعني صفًا واحدًا لكل ملاحظة - عادةً أيام أو أسابيع - وعمود واحد لكل "ميزة" نموذج - عادةً ما يتم إنفاق الوسائط والمتغيرات العضوية أو الخارجية. تحتاج البيانات الفئوية - على سبيل المثال ، قائمة الأعياد الوطنية - إلى الترميز إلى متغيرات وهمية - 1 عندما يكون ذلك في تلك العطلة ، 0 عندما لا يكون كذلك.

مصادر البيانات المنضمة

لإنشاء نموذج إحالة تسويقي ، يجب أن يكون لديك جميع بيانات التسويق الخاصة بك في مكان واحد. هذا هو ما تعالجه Supermetrics نيابة عنك تلقائيًا. مع أكثر من 90 رابطًا ، يمكن تجميع كل نفقاتك التسويقية والأحداث والأنشطة معًا في مكان واحد ، ومعالجتها حسب الحاجة ، ثم تصديرها إلى التنسيق والموقع الذي تحتاجه.

التصدير إلى جداول بيانات Google

بمجرد أن يكون لديك حساب Supermetrics ، ما عليك سوى الانتقال إلى الإضافات> الوظائف الإضافية> الحصول على الوظائف الإضافية وتثبيتها. سيطلب منك المصادقة مع حساب Google الخاص بك المرتبط بحساب Supermetrics الخاص بك ، ثم سيظهر الشريط الجانبي في قائمة الإضافات.

بمجرد الانتهاء من ذلك ، يمكنك تشغيل الشريط الجانبي - إذا لم يكن قد بدأ بالفعل - والنقر لإنشاء استعلام جديد. الاستعلامات هي كيفية تحديد البيانات التي تريد سحبها ومن أي حسابات. عند تحديد أحد الأنظمة الأساسية للإعلان مثل Facebook Ads و Google Ads ، سيطالبك بالمصادقة ومنح حق الوصول إلى Supermetrics.

ثم ستختار الحساب الذي تريد سحب البيانات منه ونطاق التاريخ. أخيرًا ، اختر المقاييس - عادةً التكلفة أو مرات الظهور لـ MMM - والأبعاد - حدد فقط التاريخ ليكون متوافقًا مع التنسيق الجدولي.

اختياريًا ، قد ترغب في إضافة عامل تصفية إذا كنت بحاجة إلى تحديد مجموعة معينة من الحملات. على سبيل المثال ، إذا كان لديك "YT:" في اسم حملاتك على YouTube ، فقد ترغب في تحديدها كمصدر منفصل ، ثم تكرار طلب البحث والتصفية لكل نوع من أنواع حملاتك الأخرى.

عند الانتهاء من الاستعلام ، تأكد من تحديد الخلية التي تريد سحب البيانات إليها ، ثم انقر فوق "إحضار البيانات إلى الجدول". إذا قمت بخطأ ما ، ما عليك سوى تكرار الاستعلام ووضعه في المكان الصحيح ، وحذف الآخر.

أجد أنه من المفيد وضع اسم كل مصدر في خلية أعلى الجدول حتى أعرف من أين أسحب البيانات. يجب أن تبدو النتيجة كما يلي:

بناء نموذج للمزيج التسويقي في جداول بيانات Google

تعد نمذجة المزيج التسويقي أداة قوية للإحالة ، لكنها في الواقع أكثر سهولة مما تعتقد. يستخدم معظم الممارسين رمزًا مخصصًا وإحصاءات متقدمة ، ولكن يمكنك القيام بالأساسيات في فترة ما بعد الظهر باستخدام Excel أو Google Sheets.

الانحدار الخطي باستخدام دالة LINEST

يوفر كل من Excel و Google Sheets طريقة بسيطة ، وظيفة LINEST ، للقيام بانحدار خطي متعدد المتغيرات. تعمل دالة LINEST بتمرير العمود الذي نحاول توقعه ، ثم أعمدة متعددة تمثل المتغيرات التي نستخدمها لعمل التنبؤ. المعلمتان الأخيرتان هما ما إذا كنا نريد خطًا تقاطعًا - عادةً 1 لنعم - وما إذا كنا نريد أن يكون الإخراج مطولًا - يحتوي على جميع الإحصائيات الخاصة بالنموذج ، وليس فقط المعاملات.

لاحظ أن متغيرات X التي نستخدمها لجعل التنبؤ يجب أن يكون متتاليًا ، لذلك أشرت فقط إلى الأعمدة الموجودة على اليسار لتكرار القيم بجانب بعضها البعض.

إعادة التنبؤ بمعامِلات النموذج

الآن بعد أن أصبح لدينا نموذج ، نحتاج إلى استخدام المعاملات لتقدير تأثير كل قناة. إذا أخذنا الصف العلوي من الأرقام ، فهذه هي المعاملات ، وضربناها في قيم الإدخال المقابلة من بياناتنا - سنحصل على مساهمة كل متغير في إجمالي المبيعات.

شيء واحد يجب الانتباه إليه هو أن دالة LINEST تُخرج المعاملات للخلف. القيمة الأولى التي تبدأ من اليسار هي دائمًا آخر متغير تدخله ، ثم تستمر في ترتيب عكسي حتى تصل إلى آخر قيمة ، وهي التقاطع. إذا جمعت كل قيم المساهمة هذه ، فستمنحك التنبؤات من النموذج ، والتي يمكنك مقارنتها بالقيم الفعلية لضمان دقة النموذج.

التحقق من مقاييس دقة النموذج

كيف نعرف ما إذا كان نموذجنا موثوقًا؟ يجب أن يتلاءم النموذج مع البيانات جيدًا ، ويجب أن يكون قادرًا على التنبؤ بالبيانات الجديدة التي لم يراها ، ويجب أن يكون له معاملات معقولة. تلتقط العديد من مقاييس التحقق من الصحة هذه المتطلبات.

تحقق من الوظائف في النموذج لمعرفة كيفية حساب هذه المقاييس.

لاستخدام النموذج ، انتقل إلى "ملف"> "إنشاء نسخة"> "تشغيل Supermetrics" من قائمة الوظائف الإضافية> قم بتكرار هذا الملف لحساب آخر ثم انتقل إلى تحديد الحساب.

R2 أو R-Squared هو مقياس لمقدار التباين في البيانات الذي يفسره النموذج ، ويتراوح بين 0 و 1: النموذج الجيد سيكون أعلى من 0.7 ، ولكن أي شيء يقترب من 1 ربما يكون مريبًا. يعد القرب من الصفر ، مثل نموذجنا ، علامة على أننا لا نقوم بتضمين متغيرات كافية في نموذجنا ونحتاج إلى دمج أشياء مثل القنوات العضوية والعطلات وعوامل الاقتصاد الكلي.

"الخطأ التربيعي الوسطي للجذر الطبيعي" هو الطريقة التي نقيس بها الدقة ، ويتم العثور عليها من خلال أخذ الفرق بين تنبؤات النموذج والقيم الفعلية ، ثم إيجاد جذر القيم التربيعية كنسبة مئوية من القيمة الفعلية. من الناحية المثالية ، يتم ذلك بناءً على بيانات غير مرئية - مجموعة محتجزة - ولكن في نموذجنا البسيط ، قمنا فقط بحساب الخطأ مقابل البيانات الموجودة في العينة.

يعالج إجراء الجذر والتربيع القيم السلبية بالنسبة لنا ويعمل على معاقبة الأخطاء الجسيمة حقًا. يمكن تفسير ذلك على أنه النسبة المئوية للنموذج معطلة في أي يوم معين ، لذا فهو مقياس مفيد وبديهي.

المعقولية موضوع كبير ، وعادة ما يكون للمحلل الكلمة الأخيرة. ومع ذلك ، من المفيد أن يكون لديك مقياس يمكنك حسابه برمجيًا بحيث يكون لديك فهم لمدى انحراف النموذج من حيث نتائجه عن مزيج القنوات الحالي.

Decomp RSSD هو مقياس اخترعه فريق Robyn في Facebook والذي يقيس الفرق بين تخصيص إنفاقك الحالي والقنوات التي أدت إلى أكبر التأثيرات ، كما تنبأ النموذج. إذا قال النموذج إن أكبر قناتك لم تحقق بالفعل هذا العدد الكبير من المبيعات ، فستحصل على نسبة عالية من Decomp RSSD.

في حالتنا ، لدينا قيمة عالية قدرها 0.6 لأن النموذج يمنح الكثير من الائتمان إلى Facebook ، وهو ما يمثل قدرًا صغيرًا من الإنفاق.

تسليم MMMs تلقائيًا وعلى نطاق واسع

تعد نمذجة مزيج التسويق أحد تلك الأنشطة القابلة للتطوير بشكل لا نهائي. يمكنك الحصول على نتائج جيدة في فترة ما بعد الظهيرة باستخدام Excel أو Google Sheets و Supermetrics ، كما فعلنا هنا ، ولكن يمكنك أيضًا قضاء 3 أشهر مع فريق مكون من 6 علماء بيانات يكتبون كودًا مخصصًا بخوارزميات معقدة مثل Bayesian MCMC لبناء شيء أكثر قوي ودقيق.

هناك قائمة مرجعية بالميزات التي تدخل في بناء نموذج متقدم ، وبعضها يتطلب معرفة إحصائية متقدمة. أضف إلى هذا المزيج العديد من مهندسي البيانات الباهظين لبناء خطوط أنابيب البيانات إذا لم تستخدم Supermetrics لأتمتة هذا الجزء من أجلك.

هل تريد معرفة المزيد حول أتمتة مزيج النمذجة؟

تحقق من مقالة نمذجة المزيج التسويقي الآلي

اقرأها الآن

كن حذرًا: MMM صعب. يمكنك إنفاق 500 دولار أو 5000 دولار أو 50 ألف دولار على النمذجة ورؤية نتائج مختلفة تمامًا في الدقة والمتانة. ما يهم حقًا هو تكلفة الفرصة البديلة لتخصيص إنفاقك التسويقي بشكل خاطئ.

إذا كنت تنفق 10 آلاف دولار شهريًا ، فسيكون نموذج جدول البيانات مرة واحدة كل ثلاثة أشهر جيدًا. ومع ذلك ، إذا كنت تنفق أكثر من 100000 دولار شهريًا ، فإن الخروج من الخدمة بنسبة 5٪ يمكن أن يكلفك عشرات الآلاف من الدولارات على مدار عام.

ألست متأكدًا من نموذج الوصول إلى البيانات الذي تحتاجه لخلاصة MMM؟

تحقق من مقالتنا لاختيار المقال المناسب لعملك

اقرأها الآن

هذا عندما يكون من المنطقي الاستثمار في نمذجة أكثر تقدمًا. قم بإجراء تحليل بناء مقابل شراء للاختيار بين حل مخصص مبني على مكتبات مفتوحة المصدر مثل Facebook's Robyn أو برنامج إحالة متقدم مثل ما أنشأناه في Recast.

عن المؤلف

مايكل كامينسكي خبير اقتصادي مدرّب وله خلفية في مجال الرعاية الصحية والاقتصاد البيئي. قام سابقًا ببناء فريق علوم التسويق في العلامة التجارية Harry's للعناية بالرجال قبل المشاركة في تأسيس Recast.

تحسين أداء عملك

من خلال الجمع بين ذكاء الأعمال والتسويق في مستودع البيانات الخاص بك

يتعلم أكثر