Существует постоянно растущее число медиаканалов, которые можно использовать для увеличения клиентской базы компании. Несмотря на выгоду, рекламные бюджеты для компании любого масштаба конечны, и поэтому крайне важно понимать, насколько эффективны эти маркетинговые каналы и как компания может оптимизировать свои расходы по этим каналам. Для этой цели ранее использовалось множество методов, одним из наиболее примечательных из которых были множественные рандомизированные эксперименты с различными комбинациями расходов на рекламу. Проблема с этим подходом заключалась в требуемом масштабе, и повторение этого много раз оказалось особенно сложной задачей. Одним из решений этой проблемы является моделирование медиа-микса.
Если вам нравится контент, связанный с наукой о данных, статистикой и технологиями, подпишитесь на мой профиль Medium, чтобы быть в курсе последних событий. Это лучший способ поддержать вывод моего контента.
Моделирование медиа-миксов
Моделирование медиа-микса относится к различным методам, основанным на регрессии данных временных рядов, для моделирования результатов продаж. На основе этого мы можем сгенерировать ряд показателей, относящихся к эффективности рекламы, таких как ROI (окупаемость инвестиций), а также разработать оптимизированное распределение рекламного бюджета.
Какие входные данные необходимы для эффективного моделирования медиа-микса?
– Общий объем продаж обычно используется в качестве переменной ответа (зависимой переменной) в регрессии, чтобы посмотреть, как изменения в расходах канала влияют на спрос.
- В качестве некоторых независимых переменных используются показатели рекламы для различных медиаканалов. Примеры этого включают социальные сети, радио и телевидение, а типы измерений включают показы, клики или расходы на рекламу.
– Рыночные показатели также используются в качестве некоторых независимых переменных. Примеры этого включают цену, продвижение и метрики продукта.
- Различные элементы управления также используются в качестве некоторых независимых переменных. Например, модели медиа-микса часто учитывают сезонность.
Собираем все вместе
Теперь, когда мы понимаем входные данные, мы можем резюмировать модель регрессии следующим образом:
Преобразование переменных мультимедиа (эффект задержки)
В настоящее время, основываясь на наших необработанных данных, мы предполагаем, что изменение расходов на рекламу оказывает непосредственное влияние на продажи. Мы знаем, что это неправда, шаг вперед в рекламе приведет к продажам не только на следующий день, но и в ближайшие дни/недели. В результате маркетинговые переменные необходимо преобразовать так, чтобы эффект распределился между настоящим и будущим периодами.
Реклама
Adstock — это метод, используемый для лучшего представления эффекта переноса маркетинговых расходов. Он отражает теорию о том, что эффекты рекламы могут отставать и ослабевать после первоначального воздействия. В этой статье мы сосредоточимся на двух методах размещения рекламы.
Геометрический
Геометрическая — одна из самых простых моделей рекламных стоков, в которой эффект от расходов на рекламу в текущем периоде уменьшается на лямбда каждый раз в последующие периоды. Например, если лямбда = 0,75, то 75 % показов предыдущего периода переносятся на период 2. Полное уравнение показано ниже:
Вейбулл
Вейбулл подобен геометрическому, но форма приспособлена к кривой, так что амортизация гораздо более чувствительна по параметру. Полное уравнение показано ниже:
Важность понимания убывающей предельной отдачи
Другим эффектом, который часто учитывается при моделировании медиа-микса, является тот факт, что эффект маркетинговых расходов, вероятно, приведет к уменьшению отдачи по мере увеличения общей стоимости расходов. Это известно как эффект формы, и мы обсудим, как его можно смоделировать позже в статье.
Другие факторы, которые следует учитывать в процессе моделирования?
1. Достаточно ли данных для проведения соответствующей регрессии?
- Часто при моделировании медиа-миксов получение достаточно подробного набора данных может быть проблемой.
2. Диапазон данных слишком ограничен?
- Аналогично первому пункту, если диапазон данных слишком ограничен, то явно присутствует неопределенность экстраполяции.
3. Коррелированные входные переменные
- Рекламодатели часто распределяют свои расходы по рекламным каналам коррелированным образом. Кроме того, коррелированные варианты рекламы взаимодействуют с другими маркетинговыми переменными, что приводит к широкому набору коррелированных входных переменных.
4. Существует ли риск систематической ошибки при отборе?
- Это происходит, когда медиа-переменная коррелирует с ненаблюдаемой переменной спроса, что, следовательно, увеличивает продажи. Например, эффект воронки может означать, что расходы по одному каналу также могут повысить эффективность по другому каналу.
Функциональные формы для моделирования медиа-микса
1. Линейная модель
Самый простой метод моделирования медиа-микса состоит в том, чтобы подобрать линейную модель, которая наиболее удобна в применении и обеспечивает разумное приближение нелинейной функции продаж, особенно когда данные довольно ограничены.
2. Логарифмическая линейная модель
Логарифмическая линейная модель показана ниже:
Основное преимущество логарифмической линейной модели заключается в том, что она лучше всего подходит для моделирования убывающей отдачи, поскольку функциональная форма дает вогнутую кривую отклика.
3. Полулогарифмическая форма
Полулогарифмическая модель показана ниже:
В этом случае функциональная форма теперь выпуклая. Хотя это больше не связано с проблемой убывающей предельной отдачи, оно может моделировать тот факт, что различные каналы могут дополнять друг друга и приводить к увеличению отдачи от масштаба.
Выбор модели и неопределенность
Моделирование медиа-микса имеет три важных критерия в контексте выбора модели, при этом лучшие модели выбираются с учетом факторов.
1. Качество подгонки
- Это определяет, насколько хорошо прогнозы модели соотносятся с фактическими продажами.
- Типичные меры качества подбора включают среднеквадратичную ошибку и среднюю абсолютную ошибку.
2. Возможность интерпретации
3. Уровень достоверности интерпретации
- Обычно это измеряется путем изучения доверительных интервалов оценки параметров.
Получение рентабельности инвестиций
Как отмечалось ранее, ключевым показателем, который мы хотим получить, является окупаемость инвестиций от различных медиа-каналов. Это можно рассчитать несколькими способами, но в линейной модели, которую мы в основном использовали для этой статьи, по существу предполагается постоянная рентабельность инвестиций (т. е. изменение расходов означает, что чем больше продаж вы получаете на любом уровне). В результате мы можем изобразить ROI, как показано ниже:
Если регрессия имеет более сложную форму, такую как логарифмическая или полулогарифмическая, то расчет ROI становится более сложным. Одним из наиболее распространенных методов является деление нормализованных взносов на общие расходы этого канала.
Другой более общий метод (Джин и др.) был предложен в уравнении:
Заключение
Как видите, как и многие статистические модели, моделирование медиа-микса — это не только наука, но и искусство. Таким образом, независимо от вашего программного обеспечения, интеллектуальная интерпретация и понимание будут иметь первостепенное значение для успешных выводов об эффективности различных рекламных каналов.
Подпишитесь, чтобы получать больше контента.
Ссылки
Юсюэ Джин, Юэцин Ван, Юнтинг Сунь, Дэвид Чан и Джим Келер. Байесовские методы моделирования медиа-миксов с эффектами переноса и формы. Тех. представитель Google Inc., 2017 г.
