MMM veri akışı elektronik tablosuyla pazarlama karması modelleme nasıl otomatikleştirilir

Pazarlama karması modellemesi veya MMM, yaygın kullanıma girmesinden bu yana 60 yılı aşkın bir süredir bir rönesans görüyor. Çoğu pazarlama ilişkilendirme yönteminin aksine, MMM, harcamadaki artışları ve düşüşleri pazarlama kanallarınızdaki eylemler ve olaylarla istatistiksel olarak eşleyerek hangi kanalların satış için krediyi hak ettiğini modellemek yerine kullanıcı düzeyinde veriler gerektirmez. Basit doğrusal regresyondan sırt regresyonu veya Bayes yöntemleri gibi tekniklere geçişle, pazarlama karması modellemesi modern çağ için yeniden keşfediliyor.

MMM hakkında daha fazla bilgi edinmek ister misiniz?

Pazarlama karması modelleme ile ilişkilendirme modellemesi arasındaki artıları ve eksileri okuyun

şimdi oku

Ancak, aşılması gereken büyük engeller var. Ekim 2021'den beri açık kaynaklı MMM kitaplığı üzerinde çalışan Meta/Facebook'a göre bir model oluşturmak 3 ila 6 ay sürebilir. Tahminlerine göre, zamanın yaklaşık %50'si modelleme başlamadan önce veri toplamak ve temizlemek için harcanıyor. . Bu, Recast'teki ve daha önce Harry'nin deneyimine ve veri bilimi zamanının %60'ının verileri temizlemek ve düzenlemek için harcandığını tespit eden bir CrowdFlower çalışmasının sonuçlarıyla örtüşüyor.

Hızlı ileri >>

• Veri temizleme
• Bir pazarlama karması modeli oluşturma
• Otomatik modelleme

Veri temizliği işin %60'ı ve nasıl yapılır %0

Doğru bir model oluşturmak için verilerinize belirli bir biçimde ihtiyacınız vardır. Verileri hazırlamak zaman alıcıdır, bu nedenle MMM projeleri gereğinden uzun sürer. Bu, MMM'yi uzmanlaşmış ve pahalı bir beceri haline getirir, bu nedenle çoğu şirket yılda yalnızca bir ila iki model üretebilir. Bir MMM veri akışı oluşturmak için Supermetrics gibi bir araç kullanarak süreci otomatikleştirebiliyorsanız, modelinizi düzenli olarak güncelleyerek pazarlama bütçenizi daha iyi optimize etmenize olanak tanıyabilirsiniz.

Tablo veri formatı

Bir pazarlama karması modeli oluşturmak için verilerinizi yığınsız, tablo biçiminde düzenlemeniz gerekir. Bu, gözlem başına bir satır (genellikle günler veya haftalar) ve model "özelliği" başına bir sütun (tipik olarak medya harcaması ve organik veya harici değişkenler) anlamına gelir. Kategorik verilerin (örneğin, ulusal tatillerin bir listesi) kukla değişkenlere kodlanması gerekir - o tatil olduğunda 1, olmadığında 0.

Birleştirilmiş veri kaynakları

Bir pazarlama ilişkilendirme modeli oluşturmak için tüm pazarlama verilerinizi tek bir yerde toplamanız gerekir. Supermetrics'in sizin için otomatik olarak yaptığı şey budur. 90'dan fazla bağlayıcıyla, tüm pazarlama harcamalarınız, etkinlikleriniz ve etkinlikleriniz tek bir yerde toplanabilir, gerektiği gibi manipüle edilebilir ve ardından ihtiyacınız olan biçime ve konuma aktarılabilir.

Google E-Tablolar'a aktarılıyor

Bir Supermetrics hesabına sahip olduğunuzda, Uzantılar > Eklentiler > Eklentileri al bölümüne gitmeniz ve yüklemeniz yeterlidir. Supermetrics hesabınıza bağlı Google hesabınızla kimlik doğrulamanızı isteyecek ve ardından uzantılar menüsünde kenar çubuğu görünecektir.

Bu yapıldıktan sonra, kenar çubuğunu başlatabilir (önceden başlatılmamışsa) ve yeni bir sorgu oluşturmak için tıklayabilirsiniz. Sorgular, hangi verileri hangi hesaplardan alacağınıza nasıl karar verdiğinizdir. Facebook Ads ve Google Ads gibi reklam platformlarından birini seçtiğinizde, sizden kimlik doğrulaması yapmanızı ve Supermetrics erişimi vermenizi isteyecektir.

Ardından, veri çekmek istediğiniz hesabı ve tarih aralığını seçeceksiniz. Son olarak, metriklerinizi (genellikle MMM için maliyet veya gösterimler) ve boyutları seçin, yalnızca tablo biçimiyle tutarlı olacak tarihi seçin.

İsteğe bağlı olarak, belirli bir kampanya grubunu seçmeniz gerekiyorsa bir filtre eklemek isteyebilirsiniz. Örneğin, YouTube kampanyalarınızın adında 'YT:' varsa, bunları ayrı bir kaynak olarak seçmek, ardından sorguyu çoğaltmak ve diğer kampanya türlerinizin her biri için filtre uygulamak isteyebilirsiniz.

Sorgunuzu tamamladığınızda, verilerin alınmasını istediğiniz hücreyi seçtiğinizden emin olun ve 'Tabloya Veri Al'ı tıklayın. Bir hata yaparsanız, sorguyu çoğaltın ve diğerini silerek doğru yere koyun.

Verileri nereden aldığımı bilmek için her kaynağın adını tablonun üzerindeki bir hücreye koymayı yararlı buluyorum. Sonuç şöyle görünmelidir:

Google E-Tablolar'da bir pazarlama karması modeli oluşturma

Pazarlama karması modellemesi, ilişkilendirme için güçlü bir araçtır, ancak aslında düşündüğünüzden daha erişilebilirdir. Çoğu uygulayıcı özel kod ve gelişmiş istatistikler kullanır, ancak temelleri bir öğleden sonra Excel veya Google E-Tablolar'dan başka bir şey olmadan yapabilirsiniz.

DOĞRU işleviyle doğrusal regresyon

Excel ve Google E-Tablolar, çok değişkenli doğrusal regresyon yapmak için basit bir yöntem olan DOĞRU işlevi sağlar. LINEST, tahmin etmeye çalıştığımız sütunu, ardından tahmin yapmak için kullandığımız değişkenleri temsil eden birden çok sütunu ileterek çalışır. Son iki parametre, bir kesme çizgisi isteyip istemediğimiz (genellikle evet için 1) ve çıktının ayrıntılı olmasını isteyip istemediğimizdir - sadece katsayıları değil, modelin tüm istatistiklerini içerir.

Tahmini yapmak için kullandığımız X değişkenlerinin ardışık olması gerektiğine dikkat edin, bu yüzden değerleri yan yana tekrarlamak için soldaki sütunlara başvurdum.

Model katsayıları ile yeniden tahmin

Artık bir modelimiz olduğuna göre, her bir kanalın etkisini tahmin etmek için katsayıları kullanmamız gerekiyor. En üst sıradaki sayıları alırsak, bunlar katsayılardır ve bunları verilerimizdeki karşılık gelen girdi değerleriyle çarparsak, her bir değişkenin toplam satışlara katkısını elde ederiz.

Dikkat edilmesi gereken bir şey, LINEST'in katsayıları geriye doğru vermesidir. Soldan başlayan ilk değer her zaman girdiğiniz son değişkendir, daha sonra kesişme olan son değere ulaşana kadar ters sırada devam ederler. Tüm bu katkı değerlerini toplarsanız, modelin doğru olduğundan emin olmak için gerçekleşenlerle karşılaştırabileceğiniz modelden tahminler verir.

Model doğruluk metriklerini kontrol etme

Modelimizin güvenilir olup olmadığını nasıl anlarız? Model verilere iyi uymalı, görmediği yeni verileri tahmin edebilmeli ve makul katsayılara sahip olmalıdır. Birkaç doğrulama metriği bu gereksinimleri karşılar.

Bu metriklerin nasıl hesaplanacağını görmek için şablondaki işlevleri kontrol edin.

Şablonu kullanmak için, eklentiler listesinden 'Dosya' > 'Kopyasını oluştur' > 'Supermetrics'i Başlat' seçeneğine gidin > bu dosyayı başka bir hesap için çoğaltın ve ardından hesap seçimine ilerleyin.

R2 veya R-Kare, verilerdeki varyansın ne kadarının model tarafından açıklandığının bir ölçüsüdür ve 0 ile 1 arasındadır: iyi bir model 0,7'nin üzerinde olur, ancak 1'e yaklaşan herhangi bir şey muhtemelen şüphelidir. 0'a yakın olmak, modelimizde olduğu gibi, modelimize yeterince değişken eklemediğimizin ve organik kanallar, tatiller ve makro ekonomik faktörler gibi şeyleri dahil etmemiz gerektiğinin bir işaretidir.

'Normalleştirilmiş Ortalama Kare Hatası' doğruluğu nasıl ölçtüğümüzdür ve model tahminleri ile gerçekler arasındaki fark alınarak, ardından gerçek değerin yüzdesi olarak karesi alınan değerlerin kökünü bularak bulunur. İdeal olarak, bu, görünmeyen verilere (bir bekleme grubu) dayanarak yapılır, ancak basit modelimizde, sadece örnekteki verilere göre hatayı hesapladık.

Kök ve kare alma prosedürü bizim için negatif değerleri ele alır ve gerçekten büyük hataları cezalandırmaya çalışır. Bu, herhangi bir günde modelin yüzdesinin kapalı olduğu şeklinde yorumlanabilir, bu nedenle kullanışlı, sezgisel bir ölçüdür.

İnandırıcılık büyük bir konudur ve genellikle bir analistin son sözü söylemesi gereken bir şeydir. Bununla birlikte, modelin bulguları açısından mevcut kanal karışımınızdan ne kadar saptığını anlamanız için programlı olarak hesaplayabileceğiniz bir metriğe sahip olmak yararlıdır.

Decomp RSSD, Facebook'taki Robyn ekibi tarafından icat edilen ve model tarafından tahmin edildiği gibi, mevcut harcama tahsisatınız ile hangi kanalların en büyük etkileri sağladığı arasındaki farkı ölçen bir ölçümdür. Model, en büyük kanalınızın aslında bu kadar çok satış sağlamadığını söylüyorsa, yüksek bir Ayrıştırma RSSD'sine sahip olursunuz.

Bizim durumumuzda 0,6 gibi yüksek bir değere sahibiz çünkü model Facebook'a çok fazla kredi veriyor ki bu da az bir harcamayı temsil ediyor.

MMM'leri otomatik olarak ve uygun ölçekte teslim etme

Pazarlama karması modellemesi, sonsuz ölçeklenebilir faaliyetlerden biridir. Burada yaptığımız gibi Excel veya Google E-Tablolar ve Supermetrics ile bir öğleden sonra iyi sonuçlar elde edebilirsiniz, ancak daha fazlasını oluşturmak için Bayesian MCMC gibi karmaşık algoritmalarla özel kod yazan 6 veri bilimciden oluşan bir ekiple 3 ay geçirebilirsiniz. sağlam ve doğru.

Bazıları gelişmiş istatistik bilgisi gerektiren gelişmiş bir model oluşturmaya giden özelliklerin bir kontrol listesi vardır. Bu parçayı sizin için otomatikleştirmek için Supermetrics kullanmıyorsanız, veri boru hatları oluşturmak için birkaç pahalı veri mühendisini karışıma ekleyin.

Karma otomasyonunu modelleme hakkında daha fazla bilgi edinmek ister misiniz?

Otomatik pazarlama karması modelleme makalemize göz atın

şimdi oku

Dikkatli olun: MMM zordur. Modelleme için 500, 5.000 veya 50 bin dolar harcayabilir ve doğruluk ve sağlamlıkta çılgınca farklı sonuçlar görebilirsiniz. Asıl önemli olan, pazarlama harcamalarınızın dağılımını yanlış yapmanın fırsat maliyetidir.

Ayda 10 bin dolar harcarsanız, çeyrekte bir elektronik tablo modeli iyi olacaktır. Ancak, ayda 100.000 dolardan fazla harcıyorsanız, %5 indirim bile bir yılda on binlerce dolara mal olabilir.

MMM beslemeniz için hangi veri erişim modeline ihtiyacınız olduğundan emin değil misiniz?

İşletmeniz için doğru olanı seçmek için makalemize göz atın

şimdi oku

İşte o zaman daha gelişmiş modellemeye yatırım yapmak mantıklı olur. Facebook'un Robyn'i gibi açık kaynaklı kitaplıklar üzerine inşa edilmiş özel bir çözüm veya Recast'te geliştirdiğimiz gibi gelişmiş ilişkilendirme yazılımı arasında karar vermek için bir oluşturma ve satın alma analizi yapın.

Yazar hakkında

Michael Kaminsky, sağlık ve çevre ekonomisi alanlarında geçmişe sahip eğitimli bir ekonometristtir. Recast'i kurmadan önce erkek bakım markası Harry's'de pazarlama bilimi ekibini kurdu.

İş performansınızı iyileştirin

veri ambarınızda pazarlama ve iş zekasını birleştirerek

Daha fazla bilgi edin