Моделирование комплекса маркетинга с помощью машинного обучения

Простая в использовании структура для оптимизации ваших маркетинговых инвестиций с помощью машинного обучения.

Введение

В эпоху Интернета после сторонних файлов cookie специалисты по маркетингу сталкиваются с проблемой оптимизации своих стратегий для измерения воздействия своих рекламных усилий. Чтобы решить эту проблему, они часто полагаются на моделирование комплекса маркетинга (MMM) — набор аналитических методов, которые оценивают влияние различных элементов маркетинга на общую эффективность бизнеса с использованием агрегированных данных, а не данных на уровне пользователей.

Это позволяет компаниям решать, например, сколько денег тратить на каждый рекламный канал (Facebook, YouTube, TV и т. д.)

Однако с появлением методов машинного обучения (ML) у маркетологов теперь есть возможность улучшить свои процессы принятия решений, раскрывая ценную информацию и оптимизируя свои инвестиционные решения.

Определение моделирования комплекса маркетинга

Моделирование маркетингового комплекса — это аналитический метод, который количественно определяет влияние маркетинговой деятельности на ключевые показатели эффективности, такие как продажи, доля рынка и привлечение клиентов. Это позволяет маркетологам понять эффективность различных маркетинговых инвестиций в достижении результатов бизнеса.

В частности, он позволяет нам ответить на два типа вопросов:

  1. Пояснение. Какова моя рентабельность инвестиций на телевидении в прошлом году? Какими были бы мои продажи, если бы в следующем году на рекламу на YouTube было потрачено больше или меньше денег?
  2. Действие: сколько денег мы должны потратить на рекламу в следующем месяце? Как эти деньги должны быть распределены между каналами, чтобы максимизировать продажи?

Важность объединения MMM и ML для эффективных маркетинговых стратегий

Интегрируя методы ML в MMM, маркетологи могут использовать возможности расширенного анализа данных и распознавания образов. Эта комбинация повышает точность и прогностическую силу моделей МММ, позволяя маркетологам глубже понять сложные взаимосвязи между маркетинговыми входными данными и бизнес-результатами. Кроме того, машинное обучение обеспечивает динамический анализ маркетинговых стратегий в режиме реального времени, что позволяет быстро принимать решения и оптимизировать маркетинговые бюджеты и распределение ресурсов.

По сути, машинное обучение представляет собой возможность для лучшего количественного подхода к маркетинговым инвестиционным решениям благодаря точному измерению и оптимизации.

Проблемы и ограничения моделирования комплекса маркетинга

На практике решения о распределении медиа-бюджета часто принимаются с использованием полуаналитического процесса, когда просто анализируются продажи, поступающие из каждого канала, делятся на инвестиции, сделанные в каждом из них, и рассчитывается рентабельность инвестиций для каждого из них. Затем люди делают вывод из этого, что «работает», а что нет.

Также часто используются несколько более продвинутые подходы, которые обычно включают использование статистических методов, таких как регрессионный анализ, для измерения взаимосвязи между маркетинговыми входными данными (например, расходами на рекламу, ценами, рекламными акциями) и желаемыми результатами (например, продажами, долей рынка). ). Это помогает количественно оценить взаимосвязь между маркетинговыми входами и результатами путем оценки коэффициентов для каждой маркетинговой переменной.

Хотя эти традиционные подходы MMM были эффективны во многих случаях, у них есть определенные ограничения, которые мешают их способности предоставлять точную и действенную информацию. Некоторые из проблем, с которыми сталкивается МММ:

  • Эффект переноса: инвестиции в медиа, сделанные в определенный момент времени, могут иметь эффект, который будет длиться еще много периодов, постепенно теряя свой эффект.
  • Эффекты насыщения: влияние инвестиций не является линейным в том смысле, что первоначальные расходы будут иметь гораздо большее влияние, чем дополнительные деньги после того, как значительные суммы уже были потрачены.
  • Иерархии: включение иерархий, таких как географические вариации или категории продуктов, усложняет модели MMM, поскольку при анализе необходимо учитывать разные уровни детализации.
  • Причинно-следственный вывод. Проведение рандомизированных контролируемых испытаний (РКИ) для причинно-следственного вывода в МММ часто нецелесообразно, а альтернативные методы, такие как сопоставление оценок, могут не иметь достаточного количества наблюдений, что усложняет причинно-следственный вывод;
  • Сопоставление данных ответов и расходов на рекламу. Сопоставление данных ответов на том же уровне, что и данные о расходах на рекламу, может быть проблематичным, особенно если у рекламодателей есть точные SKU или данные о продажах на уровне магазина, когда реклама проводится для бренда или уровень продукта. Субъективное отнесение рекламных кампаний к конкретным SKU может привести к ошибкам в точном определении эффективности рекламы.
  • Ограниченная доступность данных. В наборах данных MMM часто не хватает точек данных, особенно для стабильных моделей линейной регрессии. Набор данных с еженедельными инвестициями в СМИ за последние два года может содержать только 104 точки данных, что приводит к менее надежным оценкам.
  • Коррелированные входные переменные: модели MMM могут столкнуться с трудностями при работе с входными переменными, которые сильно коррелированы, что затрудняет точное выделение индивидуального воздействия каждого маркетингового элемента.
  • Ограниченный диапазон данных: диапазон данных, доступных для анализа МММ, может быть ограничен, поскольку инвестиции в СМИ часто остаются в узком диапазоне, определяемом предыдущими решениями, что ограничивает возможность охвата различных сценариев и вариаций в маркетинге. деятельность.
  • Смещение выбора. Смещение выбора возникает, когда ненаблюдаемые переменные спроса коррелируют с переменными СМИ, что приводит к проблемам с точным отнесением продаж к рекламе. Такие факторы, как перенацеливание, сезонность и другие неизмеряемые переменные, могут внести систематическую ошибку в анализ MMM.

Некоторые из этих проблем можно решить, используя алгоритмы машинного обучения и сложное математическое моделирование, что дает маркетологам несколько преимуществ:

  • Повышенная точность и прогностическая способность. Алгоритмы машинного обучения могут повысить точность моделей МММ за счет включения более сложных взаимосвязей и нелинейностей. Это приводит к более точным прогнозам эффективности маркетинга и его влияния на результаты бизнеса.
  • Выявление скрытых закономерностей и идей. Алгоритмы машинного обучения могут выявлять скрытые закономерности и взаимосвязи в маркетинговых данных, которые трудно обнаружить с помощью традиционных методов МММ. Это помогает маркетологам глубже понять движущие силы успеха и соответствующим образом оптимизировать свои стратегии.
  • Динамический анализ маркетинговых стратегий в режиме реального времени. Машинное обучение позволяет анализировать маркетинговые данные в режиме реального времени, позволяя маркетологам оперативно адаптировать свои стратегии и кампании с учетом меняющихся рыночных условий и поведения потребителей. Такая гибкость повышает эффективность и оперативность маркетинговых усилий.
  • Оптимизация распределения ресурсов. Используя методы оптимизации, маркетологи могут получить точные рекомендации о том, как распределять маркетинговые расходы по различным каналам и тактикам, чтобы максимизировать рентабельность инвестиций и достичь бизнес-целей.

Внедрение машинного обучения в моделировании комплекса маркетинга

Теперь, когда мы увидели преимущества машинного обучения для МММ, давайте посмотрим, как мы можем применить его на практике.

В общем случае наша модель выглядит примерно так:

Продажи = f(расходы на рекламу, контрольные переменные, случайность)

Хотя это выглядит как простая проблема регрессии, выбор контрольных переменных и то, как мы измеряем расходы на медиа (для учета эффектов насыщения и переноса), нетривиальны.

Вот схема высокого уровня для решения этой проблемы:

  1. Исследовательский анализ данных (EDA):проверка выбросов/особых событий, трендов и сезонности в продажах и рекламе. Это поможет вам узнать, какие управляющие переменные использовать.
  2. Разработка функций:на этапе EDA вы теперь можете создавать переменные для учета тенденций, выбросов/особых событий, сезонности и других управляющих переменных.
  3. Спецификация модели. Существует несколько способов указать модель для нашей МММ. Некоторые подходы включают: байесовские модели (функция DelayedSaturatedMMM из pymc-marketing, LightWeightMMM от Google, иерархическая байесовская модель), кодирование перенос и насыщение в качестве новых переменных и выполнение стандартной линейной регрессии (пакет MaMiMo) или с использованием более сложных алгоритмов, таких как случайные леса и нейронные сети , а затем использовать Shapely для интерпретируемости;
  4. Оптимизация с ограничениями: если у вас есть функция, которая вычисляет продажи для различных уровней инвестиций в медиа в каждый момент времени, вы можете использовать Байесовскую оптимизацию, чтобы найти оптимальные значения для эти инвестиции;

Для более прикладного примера того, как сделать это с помощью Python, проверьте ресурсы в конце этой статьи. Они предоставляют достаточно ресурсов для выполнения большинства этих шагов, хотя их объединение зависит от вас.

Заключение

Моделирование маркетингового комплекса — многообещающая область, и такие компании, как Meta и Google, вкладывают значительные средства в ее исследования. Это означает, что мы, вероятно, увидим значительные улучшения в этой области в ближайшие несколько лет.

Возможно, что еще более важно, это область, в которой результаты являются прямыми и измеримыми, но не многие компании подходят к этому с достаточной строгостью, что делает его легким плодом с точки зрения конкурентного преимущества.

Если вы хотите пойти дальше и научиться делать это на практике, вот несколько ресурсов, которые я предлагаю:

Не стесняйтесь обращаться ко мне, если вы хотите продолжить обсуждение, это будет приятно (честно):