لماذا لا يزال من الصعب الحصول على نماذج المزيج التسويقي بشكل صحيح؟

أصبح الوصول إلى نماذج المزيج التسويقي (MMM) أكثر سهولة، ولكن البدء لا يزال يمثل تحديًا.

بعد عدة محادثات حول اعتماد MMM، لاحظت استمرار طرح نفس السؤال: “نحن نؤمن بمفهوم MMM، لكننا لا نعرف كيف نبدأ.”

الجواب هو أن المنصات مفتوحة المصدر القابلة للحياة قد خفضت بشكل كبير حاجز الدخول. ولم يخفضوا مستوى الخبرة المطلوبة لتحقيق نتائج جديرة بالثقة وقابلة للتنفيذ.

لقد غيرت MMM مفتوحة المصدر نقطة البداية

يتسارع اعتماد MMM. ما يقرب من نصف (46.9%) المسوقين في الولايات المتحدة سوف يستثمرون أكثر في MMM خلال العام المقبل، وقد صنفوا MMM كمنهجية القياس الأكثر موثوقية (27.6%).

إن ثورة المصادر المفتوحة في MMM حقيقية. تغطي الآن ثلاث مكتبات على مستوى الإنتاج النطاق المنهجي الكامل:

• روبين (ميتا، R): البحث الآلي عن المعلمات الفائقة عبر Nevergrad، واختيار نموذج Pareto Frontier، والتحليل المضمن ومؤامرات منحنى الاستجابة – نقطة الدخول الأكثر سهولة. إنه أكثر ما أستخدمه لأنه قابل للتخصيص بدرجة كبيرة.
• ميريديان (جوجل، بايثون/تينسورفلو): الاستدلال البايزي مع الأقدمية على المستوى الجغرافي والقياس الكمي لعدم اليقين المبدئي – أكثر صرامة، مع منحنى تعليمي أكثر حدة.
• تسويق PyMC (PyMC Labs، Python): الخيار الأكثر مرونة، حيث يقدم نموذجًا احتماليًا كاملاً هو الأقرب إلى المستوى الأكاديمي Bayesian MMM – ولكنه يتطلب أيضًا أكبر قدر من الطلاقة الإحصائية.

لقد ألغى هذا الجيل من الأدوات بوابة الاستشارات التي تتراوح قيمتها بين 150.000 إلى 500.000 دولار والتي كانت تمثل المسار الوحيد إلى MMM. يمكن الآن لأي فريق يتمتع بخبرة في مجال R أو Python وبيانات تاريخية نظيفة نسبيًا تشغيل نموذج داخليًا.

التحذير الرئيسي الذي يستحق التوضيح في أي محادثة مع أولئك الذين يستكشفون MMM هو: “الأداة المجانية” لا تعني “النموذج المجاني”. البرنامج مجاني. إن خبرة المجال المطلوبة لتكوينه بشكل صحيح – وهي جزء مهم للغاية من العملية – ليست كذلك.

مشهد البائع المزدحم مع ديناميكية القوة المثيرة للاهتمام

انتشرت طبقة SaaS المبنية على MMM مفتوحة المصدر بسرعة. يجدر التمييز بين عدة مستويات.

بائعو طبقة البيانات أولاً

بدأت منصات مثل Rockerbox وNorthbeam كمنصات إسناد وجمع البيانات، ثم أضافت MMM. ميزتهم هي خطوط أنابيب البيانات والسرعة، وليس عمق النمذجة أو التخصيص.

القياس-أولاً البائعين

توفر الأنظمة الأساسية مثل Measured وAnalytic Partners وEkimetrics وNielsen Gracenote نماذج أكثر دقة بسعر أعلى، مع إمكانات على مستوى المؤسسات.

جوجل ميريديان وGA360

نقطة واحدة تستحق الدعوة. لقد كان توفير Google لمصادر Meridian المفتوحة بمثابة مساهمة سخية في هذا المجال، وفي الوقت نفسه مساهمة استراتيجية. عندما تقوم حديقة مسورة بتمويل وحزم منهجية القياس المستخدمة لتقييم قنواتها الخاصة، فمن المفيد الحفاظ على شكوك صحية حول النماذج المسبقة والافتراضات الافتراضية، حتى مع وجود كود شفاف.

السؤال العملي عند تقييم البائعين هو: من يملك طبقة البيانات الخاصة بك، وهل يؤدي ذلك إلى خلق صراعات في طبقة النمذجة؟

التحدي 1: الوصول إلى البيانات هو القاتل الصامت لـ MMM

هذا هو أكثر مانع التنفيذ الذي لا يحظى بالتقدير، ونادرًا ما يحظى بالاهتمام الذي يستحقه. احتياجات MMM المحددة جيدًا:

• من سنتين إلى ثلاث سنوات من البيانات الأسبوعية كخط أساس – وهو ما يكفي لالتقاط دورتين موسميتين كاملتين على الأقل ومجموعة ذات معنى من تباين الإنفاق.
• دقة الإنفاق المتسقة على مستوى القناة – ليس فقط “الرقمي”، ولكن يتم تقسيم البحث والوسائط الاجتماعية والشبكة الإعلانية والفيديو بشكل منفصل.
• القنوات غير المتصلة بالإنترنت (التلفزيون، خارج المنزل، الراديو، الأحداث، البريد المباشر – والتي عادةً ما تعيش في أنظمة مختلفة) مملوكة لفرق مختلفة، وغالبًا ما تستخدم تفاصيل زمنية غير متوافقة.
• المتغيرات المشتركة الخارجية – المؤشرات الكلية، ونشاط المنافس، وبيانات التسعير، وتقويمات إطلاق المنتج.
• بالنسبة إلى B2B على وجه التحديد، فإن دورات المبيعات الأطول وحجم التحويل المنخفض تجعل متطلبات البيانات أكثر تطلبًا. غالبًا ما تحتاج إلى المزيد من التاريخ.

من الناحية العملية، ما يعيق معظم مشاريع MMM هو تمرين علم آثار البيانات لمدة ستة أسابيع والذي يأتي قبل بناء النموذج. المالية تمتلك الإيرادات. يمتلك فريق العلامة التجارية التلفزيون. تمتلك الوكالة الإنفاق الرقمي. يعد جدول البيانات الذي أنشأه شخص ما في عام 2021 هو السجل الوحيد للعروض الترويجية التجارية.

إن جودة النموذج تكون بنفس جودة علم آثار البيانات الذي يسبقه، ولا أحد يخبرك بذلك في العرض التوضيحي للبائع.

التحدي 2: لا تزال بحاجة إلى أن تشمر عن سواعدك

لقد نجح مساعدو الذكاء الاصطناعي في خفض حاجز بناء الجملة بشكل هادف. يمكنهم دعم تشغيل Robyn، أو إنشاء تكوين Meridian، أو المساعدة في تصحيح أخطاء نموذج PyMC. ما لا يمكنهم فعله بعد هو التنقل بين الأحكام التي تجعل MMM جديرة بالثقة:

• اختر مكان الجلوس على حدود باريتو التي تضم مئات الحلول النموذجية (مقايضات NRMSE مقابل DECOMP.RSSD).
• تعرف على الوقت الذي يكون فيه مُحسِّن Nevergrad قد تقارب بشكل هادف مقابل وصوله إلى الحد الأدنى المحلي.
• قم بتكوين معلمات تحويل adstock (شكل/مقياس Weibull، الانحلال الهندسي) لتتناسب مع ديناميكيات القناة الواقعية.
• تشخيص سبب قيام النموذج بتعيين مساهمة غير معقولة للقناة، وما إذا كان يجب معالجتها من خلال تصحيح مسبق أو تصحيح للبيانات أو استبعاد متغير.

بمعنى آخر، سيؤدي الترميز الديناميكي في طريقك إلى MMM إلى إنتاج نموذج يبدو أنه يعمل ولكنه خاطئ بطرق لن تتمكن من فهمها. البرمجة النصية ليست الجزء الصعب. تشتمل خبرة المجال المطلوبة للتحقق من صحة المخرجات على تشغيل تجارب تزايدية خاصة بالقناة لمعايرة MMM الخاصة بك.

التحدي 3: طبقة الخبرة البشرية ليست اختيارية

حتى عندما تنضج الأدوات إلى النقطة التي يمكن فيها للذكاء الاصطناعي تشغيل MMM افتراضي كفء، فإن المساهمة البشرية التي لا يمكن تعويضها هي تشفير سياق الأعمال – أشياء لا يمكن لأي نموذج استنتاجها من البيانات وحدها:

• سياق Adstock والمرحل: شراء التلفزيون الخاص بك له فترة ترحيل مدتها أربعة أسابيع. بحثك المدفوع له فترة ترحيل لمدة ثلاثة أيام. تعاني حملة التوعية بالعلامة التجارية الخاصة بك من الاضمحلال الذي يمتد لأشهر. هذه المعلومات غير موجودة في البيانات. إنه في أذهان خبراء القناة.
• شكل منحنى التشبع: من المرجح أن معرفة القناة تقترب من تناقص العوائد قبل أن يخبرك النموذج بذلك، والتشكيك في النتائج عندما يقترح النموذج خلاف ذلك.
• الدرابزين ومعالجة الشذوذ: يجب أن يتم تصميم عوامل مثل قيعان كوفيد، وإطلاق المنتجات، وتحولات الأسعار، والاضطرابات الكلية بشكل صريح أو وضع علامة عليها على أنها انقطاعات هيكلية. لا يعرف الذكاء الاصطناعي أن عميلك واجه أزمة تسعير في الربع الثالث من عام 2022.
• التحقق من سلامة التفسير: إن المساهمة التلفزيونية النموذجية بنسبة 40% لعلامة تجارية تنفق 2 مليون دولار على التلفزيون قد “تبدو خاطئة” وتستدعي التحقيق. هذا الحدس مكتسب، وليس محسوبا.
• الترجمة التنظيمية: النموذج الأكثر صحة من الناحية الفنية لا قيمة له إذا لم تتمكن من شرح سبب توصيته بتحويل 15٪ من ميزانية البحث إلى CTV من حيث سيتصرف CMO والمدير المالي.

ضع الأساس قبل بناء النموذج

أفضل مكان للبدء هو فهم البيانات التي تحتاجها لدعم النموذج ومن يحتاج إلى المساعدة في وضع تلك البيانات في سياقها وترجمتها إلى قرارات تسويقية فعالة. ليس الأمر سهلاً أو سريعًا، ولكن كلاهما ضروري إذا كنت ترغب في الحصول على رؤى مفيدة من النموذج الخاص بك، بغض النظر عما إذا كنت تختار نظامًا أساسيًا مفتوح المصدر أو قائمًا على الاشتراك.

الخطوة العملية الأولى هي تنزيل البرنامج النصي التجريبي الخاص بـ Robyn وتجربة البيانات النموذجية قبل تطبيقها على البيانات الخاصة بك.