Auteur
The Bridge - Data
Aleksandra Semenenko, directeur Data en wereldwijd hoofd Marketing Measurement bij Artefact, ging onlangs in gesprek met Emmanuel Malherbe, hoofd van Research Center Artefact, om te praten over de MMM-modellen die organisatie ontwikkeld en de trends die zich momenteel bij klanten aftekenen.
Marketingmixmodellering is een actueel onderwerp. Wat Artefact de laatste tijd op het gebied van MMM Artefact ?
De afgelopen drie jaar hebben we modellen ontwikkeld om bedrijven en onze klanten inzicht te geven in het rendement van hun media- en advertentie-uitgaven en andere activiteiten die nieuwe investeringen genereren.
We hebben verschillende modellen ontwikkeld, variërend van eenvoudige regressieanalyses tot geavanceerde Bayesiaanse netwerken. Het is een heel spannende tijd voor ons.
Welke trends zie je tegenwoordig bij je klanten?
We zien bij onze klanten op vrij algemeen niveau drie belangrijke trends.
De eerste trend is het integreren van MMM binnen bedrijven. Hoe Artefact hen daarbij?
Bij Artefact pakken we dit aan via onze interne aanpak, wat misschien contra-intuïtief lijkt voor een organisatie, maar wel aansluit bij de manier waarop we klanten helpen deze capaciteit binnen hun organisatie op te bouwen.
Veel van onze klanten willen MMM intern implementeren, maar hebben hulp nodig om die eerste stap te zetten. Onze oplossing is om samen met de bedrijfsteams in kaart te brengen wat de werkelijke leeragenda is: wat willen klanten leren over hun marketing- of verkoopactiviteiten? Dat zou een eerste stap zijn. En als tweede stap hebben we ons eigen ‘model-as-a-service’ ontwikkeld, dat we op verschillende platforms gaan aanbieden en beschikbaar gaan stellen aan onze klanten.
Onze technische teams werken nauw samen met onze klanten om onze technologie te implementeren en hun teams op de hoogte te brengen. Meestal laten we onze klanten daarna zelfstandig verdergaan op hun MM-traject, maar als ze extra ondersteuning willen, bieden we die natuurlijk aan; dat is onze filosofie.
De tweede trend is dat klanten snellere resultaten en inzichten willen. Hoe Artefact bedrijven Artefact deze doelen te bereiken?
Er zijn twee belangrijke soorten mogelijkheden waar klanten naar op zoek zijn; de eerste is pragmatisch: snel resultaten boeken en snel itereren met data beschikbare data. De tweede is een uitbreiding van de eerste en omvat innovatieve AI die we bieden met het Bayesiaanse netwerk of die we kunnen integreren met GenAI om de efficiëntie van het team te verhogen.
Om snel die eerste ROI te realiseren, hebben we een manier van werken met klanten ontwikkeld waarbij we in het begin eerst een pragmatische aanpak implementeren, zodat we de teams al snel van deze snelle inzichten kunnen voorzien. Vervolgens blijven we itereren, en hier helpt het feit dat we in-house werken echt, omdat we op deze manier heel snel toegang hebben tot de volledige tech stack; we hebben snelle toegang tot de data we kunnen deze koppeling tussen het bijwerken van modellen, het bijwerken van de resultaten en de implementatie ervan in het bedrijf heel snel leggen.
Op deze manier boeken onze klanten snel resultaat, behouden ze hun eigen interne capaciteit en beschikken wij over de tijd, het personeel en het budget om geweldige innovatieve toepassingen te implementeren die nu dankzij GenAI voor ons beschikbaar zijn.
Hoe werkt de end-to-end-aanpak Artefact?
We proberen tijd te besparen bij het uitzoeken welk model het beste is, omdat we dit al zo vaak hebben gedaan dat we min of meer weten welke aanpak werkt. Binnen de reguliere projectplanning om strategie en uitvoering op elkaar af te stemmen, hebben we dus tijd nodig om met mensen te praten en de wereldwijde leeragenda op de lokale leeragenda af te stemmen, op de een of andere manier. En de rest van de tijd besteden we aan het bedrijf om ervoor te zorgen dat de resultaten die onze MMM's opleveren, aansluiten bij andere onderzoeken die de klant heeft gedaan, hetzij met A/B-tests, hetzij met andere MMM's. We leggen die koppeling daadwerkelijk en brengen alle inzichten samen; het is meer een analytische en adviserende rol dan het inschakelen van een stel data en het AI nul opbouwen van de AI .
Kunt u een concreet voorbeeld geven van de impact die MMM op een organisatie heeft? Welke rol AI daarbij?
Ik zal een voorbeeld geven van hoe de operationele en de strategische afdeling met elkaar worden verbonden en hoe de besluitvorming binnen de organisatie verloopt.
We hadden een klant – geen namen, sorry! – en deze klant was al ver gevorderd in zijn meetproces. Ze hadden al heel wat onderzoeken, A/B-tests en marketingmixmodellen uitgevoerd, zowel op mondiaal als op lokaal niveau. En iemand anders binnen de organisatie nodigde Artefact uit Artefact een onderzoek te doen met een iets andere reikwijdte. Toen we aankwamen, ontdekten we dat er in het verleden al veel onderzoeken waren gedaan met vrijwel dezelfde of aanverwante reikwijdtes, en we zagen veel waarde in het hergebruiken van al deze inzichten, omdat sommige ervan zeer strategisch waren en de koers organisatieuitstippelden, en één ervan zeer operationeel was op basis van A/B-testen, waarbij veel verschillende innovaties werden uitgeprobeerd. We wilden deze inzichten echt met elkaar verbinden om een holistisch beeld te presenteren aan het bedrijf, iets wat nog niet eerder was gedaan.
En omdat ons model en onze MMM-aanpak gebaseerd zijn op Bayesiaanse methoden die leren van de zakelijke context van de klant, zijn we erin geslaagd. De eerste meerwaarde van ons model was: „Dit is de ROI van dit, dat is de ROI van dat“, maar de tweede meerwaarde was dat we met behulp van AI de hele bedrijfswaardeketen – van bedrijfsvoering tot strategie – echt hebben geïntegreerd.
Dus met uw model hebt u niet alleen zakelijke inzichten samengebracht, maar ook de teams en de mensen?
Dat klopt, maar soms kunnen er uitdagingen zijn omdat verschillende teams zich bezighouden met het uitvoeren van metingen en A/B-tests en het integreren daarvan in de bedrijfsvoering. We zijn erin geslaagd een gemeenschappelijk verhaal te creëren, en dat heeft echt geholpen om de bedrijfsvoering te versnellen zonder dat we hier en daar met kleine inconsistenties te maken hadden. Als je een totaalbeeld hebt van alle inzichten die je de afgelopen jaren hebt verzameld, lost dat het probleem van de interne communicatie echt op.
Heeft u nog een laatste opmerking over de toekomst van marketingmixmodellering?
Ik kan je één ding vertellen: marketingmixmodellering is een blijvertje. Bedrijven willen de resultaten van hun acties zien. Ze zetten tal van initiatieven op en reorganiseren hun data en de manier data intern data gebruikt. Organisaties besteden veel aandacht aan data . Ik denk dat de toekomst in efficiëntie ligt: marketingmixmodellering zal sneller, nauwkeuriger en eenvoudiger uit te leggen aan zakelijke belanghebbenden moeten worden, en toegankelijker voor bedrijfsanalisten. En GenAI is belangrijk omdat het klanten in staat stelt om reports MMM-resultaten op te vragen en reports op te stellen zonder dat ze daarvoor per se veel technische vaardigheden nodig hebben. Marketingmixmodellering verdwijnt dus zeker niet: het blijft bestaan en zal zich verder ontwikkelen om efficiënter en toegankelijker te worden.
