Autor
Die Brücke - Data Kaffee
Aleksandra Semenenko, Director of Data Science & Global Lead on Marketing Measurement bei Artefact, hat sich kürzlich mit Emmanuel Malherbe, Head of Research Center bei Artefact, zusammengesetzt, um über die MMM-Modelle zu sprechen, die das Unternehmen entwickelt hat, und über die Trends, die sich heute bei Kunden abzeichnen.
Marketing-Mix-Modellierung ist ein aktuelles Thema. Was hat Artefact in letzter Zeit auf dem Gebiet des MMM unternommen?
In den letzten drei Jahren haben wir Modelle entwickelt, die Unternehmen und unseren Kunden dabei helfen, den ROI ihrer Medien, ihrer Werbung und anderer Dinge, die neue Arten von Investitionen hervorbringen, zu verstehen.
Wir haben mehrere Modelle entwickelt und dabei so einfache Dinge wie Regression und so ausgefeilte wie Bayes'sche Netze ausprobiert. Es ist eine sehr spannende Zeit für uns.
Was sind die verschiedenen Trends, die Sie derzeit bei Ihren Kunden beobachten?
Wir sehen drei Haupttrends bei unseren Kunden auf einer ziemlich globalen Ebene.
Der erste Trend besteht darin, MMM in Unternehmen zu verinnerlichen. Wie unterstützt Artefact diese Unternehmen?
Bei Artefact gehen wir dieses Problem mit unserem internalisierten Ansatz an, der für ein Beratungsunternehmen kontraintuitiv erscheinen mag, aber er entspricht der Art und Weise, wie wir unsere Kunden beim Aufbau dieser Fähigkeiten in ihren Unternehmen unterstützen.
Viele unserer Kunden wollen das MMM verinnerlichen, aber sie brauchen Hilfe, um diesen ersten Schritt zu tun. Unsere Lösung besteht darin, mit den Unternehmensteams zusammenzuarbeiten, um herauszufinden, was die eigentliche Lernagenda ist: Was wollen die Kunden über ihre Marketing- oder Vertriebsaktivitäten lernen? Das wäre ein erster Schritt. In einem zweiten Schritt haben wir unser eigenes Model-as-a-Service entwickelt, das wir auf verschiedenen Plattformen anbieten und unseren Kunden zur Verfügung stellen werden.
Unsere technischen Teams arbeiten Hand in Hand mit unseren Kunden, um unsere IP zu implementieren und ihre Teams auf den neuesten Stand zu bringen. Normalerweise überlassen wir es dann unseren Kunden, ihre MM-Reise allein fortzusetzen, aber wenn sie zusätzliche Unterstützung wünschen, bieten wir diese natürlich an, das ist unsere Philosophie.
Der zweite Trend ist, dass die Kunden schnellere Ergebnisse und Einblicke wünschen. Wie kann Artefact den Unternehmen helfen, diese Ziele zu erreichen?
Es gibt zwei Haupttypen von Fähigkeiten, die Kunden wünschen; die erste ist pragmatisch: schnelle Ergebnisse und rasche Iteration mit den verfügbaren data. Die zweite ist eine Erweiterung der ersten und umfasst innovative AI Lösungen, die wir mit dem Bayes'schen Netzwerk haben oder die wir mit GenAI integrieren können, um die Effizienz des Teams zu steigern.
Um schnell zu diesem ersten ROI zu gelangen, haben wir eine Arbeitsweise mit unseren Kunden entwickelt, bei der wir zu Beginn den ersten pragmatischen Ansatz implementieren, so dass wir die Teams bereits mit diesen schnellen Erkenntnissen ausstatten, und dann iterieren wir weiter, und hier ist das In-Housing wirklich hilfreich, denn so haben wir wirklich schnellen Zugriff auf den gesamten Tech-Stack; wir haben schnellen Zugriff auf die data und wir können diese Verbindung zwischen der Modellaktualisierung, zwischen der Aktualisierung der Ergebnisse und zwischen der Umsetzung im Unternehmen wirklich schnell herstellen.
Auf diese Weise erhalten unsere Kunden schnelle Ergebnisse, sie haben immer noch ihre internen Fähigkeiten und wir haben die zeitlichen Kapazitäten, das Personal und das Budget, um großartige innovative Dinge zu implementieren, die uns jetzt mit GenAI zur Verfügung stehen.
Wie funktioniert der End-to-End-Ansatz von Artefact?
Wir versuchen, Zeit zu sparen, um herauszufinden, welches Modell am besten geeignet ist, weil wir es so oft ausprobiert haben, dass wir mehr oder weniger wissen, welche Ansätze funktionieren. Innerhalb der regulären Projektlaufzeit, um Strategie und Betrieb zu verbinden, brauchen wir also Zeit, um mit den Leuten zu sprechen, wir müssen die globale Lernagenda mit der lokalen Lernagenda abgleichen und so oder so. Die restliche Zeit verbringen wir mit dem Unternehmen, um sicherzustellen, dass die Ergebnisse, die unsere MMMs liefern werden, mit anderen Studien übereinstimmen, die der Kunde durchgeführt hat, entweder mit AB-Tests oder mit anderen MMMs, und wir stellen diese Verbindung her und führen alle Erkenntnisse zusammen, es ist eher eine analytische und beratende Rolle, als dass wir eine Gruppe von data Wissenschaftlern hinzuziehen und die AI von Grund auf neu aufbauen.
Können Sie ein konkretes Beispiel für die Auswirkungen des MMM auf eine Organisation nennen? Welche Rolle spielt AI dabei?
Ich gebe Ihnen ein Beispiel für die Verbindung zwischen der operativen und der strategischen Abteilung und der Entscheidungsfindung im Unternehmen.
Wir hatten einen Kunden - keine Namen, tut mir leid! - und dieser Kunde war schon sehr weit in seinem Messungsprozess fortgeschritten. Er hatte eine Menge Studien, AB-Tests und Marketing-Mix-Modelle auf globaler und lokaler Ebene durchgeführt. Und eine andere Person innerhalb der Organisation lud Artefact ein, eine Studie mit einem etwas anderen Umfang durchzuführen. Als wir ankamen, entdeckten wir, dass es viele Studien gab, die in der Vergangenheit in fast demselben oder einem angrenzenden Bereich durchgeführt worden waren, und wir fanden es sehr wertvoll, all diese Erkenntnisse wiederzuverwenden, da einige von ihnen sehr strategisch waren und den Weg des Unternehmens aufzeigten, während eine von ihnen sehr operativ war und sich auf AB-Tests bezog, bei denen viele verschiedene Innovationen ausprobiert wurden. Wir wollten diese Erkenntnisse miteinander verknüpfen, um dem Unternehmen ein ganzheitliches Bild zu vermitteln, das es so noch nicht gegeben hatte.
Da unser Modell und unser MMM-Ansatz auf Bayes'schen Methoden basieren, die aus dem Geschäftskontext des Kunden lernen, waren wir in der Lage, erfolgreich zu sein, und der erste Mehrwert unseres Modells war "hier ist der ROI von diesem, hier ist der ROI von jenem", aber der zweite Mehrwert war wirklich die Vereinheitlichung der gesamten geschäftlichen Wertschöpfungskette, vom Betrieb bis zur Strategie, mit AI.
Mit Ihrem Modell haben Sie also nicht nur Geschäftseinblicke, sondern auch die Teams und die Menschen vereint?
Stimmt, aber manchmal kann es Probleme geben, weil es verschiedene Teams gibt, die die Messungen und AB-Tests durchführen und in das Unternehmen einbringen. Wir waren in der Lage, eine Geschichte zu erstellen, die von allen geteilt wurde, und das hat wirklich geholfen, das Geschäft zu beschleunigen, ohne sich hier und da mit kleinen Unstimmigkeiten herumschlagen zu müssen. Wenn man einen ganzheitlichen Überblick über alle Erkenntnisse hat, die man in den letzten Jahren gesammelt hat, ist das Problem der betrieblichen Kommunikation wirklich gelöst.
Haben Sie einen letzten Kommentar zur Zukunft der Marketing-Mix-Modellierung?
Ich kann Ihnen eines sagen: Die Modellierung des Marketing-Mix wird sich durchsetzen. Die Unternehmen wollen die Ergebnisse ihres Handelns sehen. Die Unternehmen unternehmen viele Initiativen und reorganisieren ihre data Seen und die Art und Weise, wie data darin genutzt wird. Die Unternehmen schenken der data Governance große Aufmerksamkeit. Meiner Meinung nach liegt die Zukunft in der Effizienz: Die Modellierung des Marketing-Mix muss schneller und rigoroser werden, den Geschäftsinteressenten einfacher zu erklären sein und den Geschäftsanalysten leichter zugänglich sein. Und GenAI ist wichtig, weil es den Kunden ermöglichen kann, MMM-Ergebnisse abzufragen und reports selbst zu erstellen, ohne dass sie über große technische Kenntnisse verfügen müssen. Die Marketing-Mix-Modellierung wird also definitiv nicht verschwinden: Sie wird bleiben und sich weiterentwickeln, um effizienter und leichter zugänglich zu werden.
