Autoren

Stephania Vellinho

Data , Artefact LATAM

Manuela Mesa

Direktor, Artefact LATAM

Strategische Entscheidungen im Marketing: Bayesianisches MMM oder traditionelle Modelle?

Bayesian MMM: Anforderungen und Alternativen

Die Auswirkungen von Medieninvestitionen auf die Unternehmensleistung - wie Umsatz, Kundengewinnung und Markenwert - zu verstehen, ist seit langem eine Herausforderung für CMOs. Media Mix Modeling (MMM) ist zu einer beliebten Methode für die Zuweisung von Marketingressourcen geworden, und Bayesian MMM, ein fortschrittlicherer Ansatz, zeichnet sich durch seine Präzision und seine Fähigkeit aus, mit Unsicherheiten umzugehen. Die Umsetzung des Bayes'schen MMM erfordert jedoch sowohl technische als auch geschäftliche Fähigkeiten.

Was ist Media Mix Modeling?

MMM ist eine Analysetechnik, die regressionsbasierte Methoden verwendet, um zu bewerten, wie verschiedene Marketingaktivitäten die Geschäftsergebnisse beeinflussen. Durch die Isolierung der Auswirkungen der einzelnen Marketing-Inputs (z. B. Fernsehen, digitale Medien, soziale Medien, Werbeaktionen) hilft das MMM Unternehmen, data Entscheidungen zu treffen. Das Bayes'sche MMM erweitert diesen Ansatz durch die Integration von Vorwissen und die Aktualisierung der Vorhersagen, wenn neue data auftauchen.

Warum sollten Sie sich für die Bayes'sche Medienmix-Modellierung entscheiden?

Die Anwendung eines Bayes'schen Ansatzes verbessert die Erkenntnisse, die das traditionelle MMM liefern kann. Hier sind einige der wichtigsten Vorteile:

  • Die Rolle der Prioritäten: Bayes'sche Modelle ermöglichen es Vermarktern, Vorwissen einzubringen (z. B. Erkenntnisse aus früheren Kampagnen oder Branchen-Benchmarks). Diese Funktion ist besonders vorteilhaft, wenn nur wenige data vorliegen, aber eine solide Ausgangsbasis benötigt wird.
  • Dynamische Aktualisierungen: Bayes'sche Modelle können kontinuierlich neue data aufnehmen und so sicherstellen, dass das Modell relevant bleibt und seine Vorhersagen im Laufe der Zeit verbessert.
  • Unsicherheitsmanagement: Die Bayes'sche Statistik quantifiziert naturgemäß die Unsicherheit in den Modellergebnissen. Dies hilft Unternehmen, Entscheidungen mit mehr Vertrauen zu treffen, da sie die Fehlermarge oder Variabilität verstehen.
  • Umgang mit Komplexität: Bayes'sche Techniken handhaben komplexe nichtlineare Beziehungen effektiver als traditionelle Regressionsmodelle. Diese Raffinesse ist sehr nützlich, um die Feinheiten moderner Multikanal-Medienkampagnen zu erfassen.

Diese erweiterten Funktionen erfordern jedoch die Erfüllung einer Reihe von technischen und geschäftlichen Anforderungen. Nachfolgend finden Sie die Liste:

Technische Anforderungen:

  1. Robuste Data : Eine skalierbare Infrastruktur ist für die Verwaltung großer Datensätze, wie z. B. Medienausgaben, Leistungsmetriken und externe Faktoren, unerlässlich. Eine Data (Customer Data Platform, CDP) kann data zentralisieren und so die Integration und Skalierbarkeit für MMM verbessern.
  2. Historische Data: DieData sollten mindestens zwei Jahre lang wöchentlich oder fünf Jahre lang monatlich erfasst werden, um Trends und Saisonalität zu erfassen. Der Datensatz sollte mindestens dreimal mehr data als Parameter enthalten, um eine Überanpassung zu vermeiden. Außerdem sollte der Budgetanteil jedes Kanals zwischen 2 und 3 % liegen, um eine signifikante Wirkung und Variabilität für eine genaue Analyse zu gewährleisten.
  3. Multi-Source-Integration: Integrieren Sie data aus dem Vertrieb, von Marketinganbietern und externen Faktoren (z. B. Wirtschaftsindikatoren), um einen einheitlichen Datensatz zu erstellen. Dies verbessert die Genauigkeit des MMM, da die Beziehung zwischen internen Bemühungen und externen Bedingungen erfasst wird.
  4. Data und Kommunikationswerkzeuge: Um die Ergebnisse des Bayes'schen MMM auch nicht-technischen Interessengruppen zugänglich zu machen, sollten Sie Visualisierungstools wie Tableau oder Power BI verwenden. Diese Tools helfen dabei, komplexe data in umsetzbare Erkenntnisse zu übersetzen, was eine bessere Entscheidungsfindung ermöglicht.

Geschäftliche Anforderungen

  1. Unternehmensbeteiligung: Die Geschäftsleitung muss die Ziele und Auswirkungen des MMM verstehen, unterstützen und mit ihnen übereinstimmen. Die aktive Beteiligung eines CMO stellt sicher, dass die Marketingstrategien mit den Erkenntnissen des Modells übereinstimmen und die Ressourcen zugewiesen werden.
  2. Engagiertes, kompetentes Team: Ein funktionsübergreifendes Team ist entscheidend:
    • Data : Fachkenntnisse in Bayes'scher Modellierung und maschinellem Lernen.
    • Marketing-Spezialist: Tiefgreifende Kenntnisse über Marketingkanäle, Kundenverhalten und Kampagnenmetriken.
    • Data : Erfahren im Aufbau von data und in der Sicherstellung der data .
  3. Finanzielle Investition: MMM erfordert ein Budget für die data und qualifizierte Mitarbeiter.
  4. Verpflichtung zum Handeln: Die Erkenntnisse müssen zu Strategieänderungen führen. Das Team sollte auch Tests (z. B. A/B-Tests) durchführen, um Modellvorhersagen zu validieren und die Auswirkungen zu bewerten.
  5. Modellpflege und -überprüfung: Regelmäßige Aktualisierungen und vierteljährliche Überprüfungen stellen sicher, dass das Modell relevant bleibt und Marktveränderungen widerspiegelt, um eine effektive Entscheidungsfindung zu ermöglichen.

Angesichts der Tatsache, dass MMMs ein bedeutendes Unterfangen sein können und nicht jede Organisation die Kapazität hat, alle Anforderungen zu erfüllen, haben wir alternative Ansätze aufgelistet, die in Betracht gezogen werden können:

  1. Traditionelle Regressionsmodelle: Einfachere Modelle konzentrieren sich auf die Beziehung zwischen Marketingausgaben und -ergebnissen und bieten nützliche Erkenntnisse, ohne komplexe Medieninteraktionen zu erfassen.
  2. Zeitreihenanalyse: Effektiv bei der Identifizierung saisonaler Trends, aber nur begrenzt bei der Erfassung kanalübergreifender Interaktionen, was die Fähigkeit beeinträchtigt, einen vollständigen Überblick über die Marketingwirkung zu geben.
  3. Attributionsmodellierung: Misst den Beitrag der einzelnen Kanäle, konzentriert sich aber auf kurzfristige Effekte und vernachlässigt die langfristigen Auswirkungen auf den Markenaufbau.
  4. Inkrementalitätstests und A/B-Tests: Inkrementalitätstests messen die zusätzliche Wirkung von Marketingaktivitäten. Methoden wie A/B-Tests und Geo-Experimente helfen dabei, den wahren Wert von Kampagnen zu ermitteln, erfordern jedoch kontrollierte Umgebungen und eine klare Gruppentrennung. Skalierung über verschiedene Medienmixe aufgrund praktischer Beschränkungen.
  5. Vereinfachte ROI-Analyse: Vergleicht die Kosten direkt mit den zurechenbaren Verkäufen oder Leads, vereinfacht aber die Interaktionen zwischen den Kanälen zu stark und lässt abnehmende Erträge oder Synergien außer Acht.

Zusammenfassend lässt sich sagen, dass Bayesian MMM die Entscheidungsfindung im Marketing erheblich verbessern kann, und zwar durch (I) eine höhere Genauigkeit bei der Kanaleffektivität und der Ressourcenzuweisung, (ii) dynamische Erkenntnisse, die sich mit neuen data weiterentwickeln, und (iii) umsetzbare Empfehlungen auf der Grundlage robuster statistischer Modelle. Angesichts der Komplexität des Modells erfordert die Umsetzung technische Investitionen und organisatorisches Engagement. Für diejenigen, die diese Anforderungen nicht erfüllen können, können einfachere Ansätze wie traditionelle Regressionsmodelle oder Attributionsmodellierung immer noch wertvolle Erkenntnisse liefern. Letztlich geht es darum, von der Intuition wegzukommen und zu einer data Entscheidungsfindung zu gelangen, sei es durch das Bayes'sche MMM oder durch zugänglichere Methoden.