Autore
Il ponte - Caffè dati
Aleksandra Semenenko, Director of Data Science & Global lead on Marketing Measurement di Artefact, si è recentemente intrattenuta con Emmanuel Malherbe, Head of Research Center di Artefact, per discutere dei modelli MMM che l'azienda ha sviluppato e delle tendenze che emergono oggi presso i clienti.
Il marketing mix modeling è un argomento attuale. Che cosa ha fatto Artefact nel campo del MMM ultimamente?
Negli ultimi tre anni abbiamo costruito modelli per aiutare le aziende e i nostri clienti a capire il ROI dei loro media, della pubblicità e di altri tipi di cose che fanno crescere nuovi tipi di investimenti.
Abbiamo sviluppato diversi modelli, provando cose semplici come la regressione e sofisticate come le reti bayesiane. È un momento molto emozionante per noi.
Quali sono le diverse tendenze che vede con i suoi clienti in questi giorni?
Con i nostri clienti osserviamo tre tendenze principali a livello piuttosto globale.
La prima tendenza è quella di internalizzare i MMM nelle aziende, come li sostiene Artefact ?
Noi di Artefact affrontiamo questo problema attraverso il nostro approccio internalizzato, che può sembrare controintuitivo per una società di consulenza, ma è in linea con il modo in cui assistiamo i clienti nella costruzione di questa capacità all'interno delle loro organizzazioni.
Molti dei nostri clienti vogliono interiorizzare il MMM, ma hanno bisogno di aiuto per fare questo primo passo. La nostra soluzione consiste nel lavorare con i team aziendali per capire qual è il vero programma di apprendimento: cosa vogliono imparare i clienti sulle loro attività di marketing o di vendita? Questo sarebbe il primo passo. E come secondo passo, abbiamo sviluppato un nostro modello-as-a-service che metteremo su diverse piattaforme e renderemo disponibile ai nostri clienti.
I nostri team tecnici lavorano fianco a fianco con i clienti per implementare la nostra IP e portare i loro team a regime. Di solito lasciamo che i nostri clienti continuino il loro percorso di MM da soli, ma se desiderano un supporto supplementare, ovviamente lo forniamo, questa è la nostra filosofia.
La seconda tendenza è che i clienti vogliono risultati e approfondimenti più rapidi. In che modo Artefact aiuta le aziende a raggiungere questi obiettivi?
Ci sono due tipi principali di capacità che i clienti desiderano; la prima è pragmatica: ottenere risultati rapidi e iterare rapidamente con i dati disponibili. La seconda è un'estensione della prima e riguarda soluzioni innovative di intelligenza artificiale che abbiamo con la rete bayesiana o che possiamo incorporare con GenAI per aumentare l'efficienza del team.
Per arrivare rapidamente al primo ROI, abbiamo sviluppato un modo di lavorare con i clienti in cui iniziamo a implementare il primo approccio pragmatico all'inizio, in modo da mettere già i team in condizione di avere questi insight veloci e poi continuiamo a iterare e qui l'in-housing ci aiuta davvero perché in questo modo abbiamo un accesso davvero rapido a tutto lo stack tecnologico; abbiamo un accesso rapido ai dati e possiamo fare questo collegamento tra l'aggiornamento del modello, tra l'aggiornamento dei risultati e tra l'implementazione in azienda davvero veloce.
In questo modo i nostri clienti ottengono risultati rapidi, hanno ancora la loro capacità interna e noi abbiamo la capacità di tempo, il personale e il budget per implementare grandi cose innovative che sono disponibili ora con GenAI.
Come funziona l'approccio end-to-end di Artefact?
Cerchiamo di risparmiare tempo per capire quale sia il modello migliore da utilizzare, perché lo abbiamo provato così tante volte che sappiamo più o meno quali approcci funzionano, quindi all'interno della normale tempistica di progetto per collegare strategia e operazioni, abbiamo bisogno di tempo per parlare con le persone, dobbiamo allineare l'agenda di apprendimento globale con quella locale e in un modo o nell'altro. Il resto del tempo lo trascorriamo con l'azienda per assicurarci che i risultati che i nostri MMM forniranno siano in linea con altri studi condotti dal cliente, sia con test AB che con altri MMM, e che il collegamento e l'unione di tutte le intuizioni avvenga in modo analitico e consultivo, piuttosto che con un gruppo di scienziati dei dati che costruiscono l'IA da zero.
Può condividere un esempio concreto dell'impatto del MMM su un'organizzazione? Che ruolo svolge l'intelligenza artificiale?
Vi faccio un esempio di collegamento tra il reparto operativo e quello strategico e il processo decisionale dell'azienda.
Avevamo un cliente - niente nomi, mi spiace! - e questo cliente era molto avanti nel suo percorso di misurazione. Aveva realizzato molti studi, test AB, modelli di marketing mix a livello globale e locale. Un'altra persona all'interno dell'organizzazione ha invitato Artefact a realizzare uno studio di portata leggermente diversa. Quando arrivammo, scoprimmo che in passato erano stati condotti molti studi con un ambito quasi identico o adiacente e trovammo molto utile riutilizzare tutte queste intuizioni, perché alcune erano molto strategiche e tracciavano il percorso dell'azienda, mentre altre erano molto operative e derivavano da test AB, provando molte innovazioni diverse. Volevamo davvero unire questi dati per presentare all'azienda un quadro olistico che non era mai stato fatto prima.
E poiché il nostro modello e il nostro approccio MMM si basano su metodi bayesiani che imparano dal contesto aziendale del cliente, siamo stati in grado di avere successo e il primo valore aggiunto del nostro modello è stato "ecco il ROI di questo, ecco il ROI di quello", ma il secondo valore aggiunto è stato davvero unificare l'intera catena del valore aziendale, dalle operazioni alla strategia, utilizzando l'IA.
Quindi, con il vostro modello, avete unito gli insight aziendali ma anche i team e le persone?
È vero, ma a volte ci possono essere delle difficoltà perché ci sono diversi team che eseguono le misurazioni e i test AB e li portano in azienda. Siamo stati in grado di creare una storia condivisa da tutti e questo ha davvero aiutato a velocizzare l'attività senza dover affrontare piccole incongruenze qua e là. Quando si ha una visione olistica di tutte le informazioni raccolte negli ultimi anni, si risolve davvero il problema della comunicazione operativa.
Ha un ultimo commento sul futuro del marketing mix modeling?
Posso dire una cosa: la modellazione del marketing mix è destinata a rimanere. Le aziende vogliono vedere i risultati delle loro azioni. Le aziende stanno portando avanti molte iniziative e riorganizzando i loro data lake e il modo in cui i dati vengono consumati all'interno. Le organizzazioni prestano molta attenzione alla governance dei dati. Ritengo che il futuro sia nell'efficienza: la modellazione del marketing mix dovrà diventare più veloce, più rigorosa, più semplice da spiegare agli stakeholder aziendali e più facilmente accessibile agli analisti aziendali. E GenAI è importante perché può consentire ai clienti di interrogare i risultati del MMM e di creare report da soli senza necessariamente possedere molte competenze tecniche, quindi la modellazione del marketing mix non sta andando da nessuna parte: rimarrà ed evolverà per diventare più efficiente e più facilmente accessibile.
