Auteur
The Bridge - Data Koffie
Aleksandra Semenenko, Director of Data Science & Global lead on Marketing Measurement bij Artefact, zat onlangs samen met Emmanuel Malherbe, Head of Research Center bij Artefact, om de MMM-modellen te bespreken die organisatie heeft ontwikkeld en de trends die vandaag de dag bij klanten opkomen.
Marketingmixmodellering is een actueel onderwerp. Wat heeft Artefact de laatste tijd gedaan op het gebied van MMM?
De afgelopen drie jaar hebben we modellen gebouwd om bedrijven en onze klanten te helpen inzicht te krijgen in de ROI van hun media, advertenties en andere zaken die nieuwe soorten investeringen doen groeien.
We hebben verschillende modellen ontwikkeld, waarbij we dingen hebben uitgeprobeerd die zo eenvoudig zijn als regressie en zo geavanceerd als Bayesiaanse netwerken. Het is een spannende tijd voor ons.
Wat zijn de verschillende trends die je tegenwoordig ziet bij je klanten?
We zien drie belangrijke trends bij onze klanten op een tamelijk mondiaal niveau.
De eerste trend is het internaliseren van MMM in bedrijven, hoe ondersteunt Artefact hen?
Bij Artefact pakken we dit aan door middel van onze geïnternaliseerde aanpak, wat tegenintuïtief kan lijken voor een adviesbureau organisatie, maar het komt overeen met de manier waarop we klanten helpen bij het opbouwen van dit vermogen binnen hun organisaties.
Veel van onze klanten willen MMM internaliseren, maar ze hebben hulp nodig om deze eerste stap te zetten. Onze oplossing is om samen met business teams uit te zoeken wat de echte 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 aan onze klanten.
Onze technische teams werken hand in hand met onze klanten om onze IP te implementeren en hun teams op snelheid te brengen. Normaal gesproken laten we onze klanten dan zelf verder gaan met hun MM-reis, maar als ze extra ondersteuning willen, dan bieden we die natuurlijk, dat is onze filosofie.
De tweede trend is dat klanten snellere resultaten en inzichten willen. Hoe helpt Artefact bedrijven deze doelen te bereiken?
Er zijn twee belangrijke soorten mogelijkheden die klanten willen. De eerste is pragmatisch: snel resultaten behalen en snel itereren met de beschikbare data. De tweede is een uitbreiding van de eerste en betreft innovatieve AI oplossingen die we hebben met het Bayesiaanse netwerk of die we kunnen integreren met GenAI om de efficiëntie van het team te verhogen.
Om snel tot die eerste ROI te komen, hebben we een manier van werken met klanten ontwikkeld waarbij we beginnen met het implementeren van de eerste pragmatische aanpak in het begin, zodat we de teams al in staat stellen met deze snelle inzichten en dan gaan we door met itereren en hier helpt de in-housing echt bij, want op deze manier hebben we echt snel toegang tot de hele tech stack; we hebben snel toegang tot de data en we kunnen deze koppeling tussen het updaten van het model, tussen het updaten van de resultaten en tussen het implementeren ervan in de business echt snel doen.
Op deze manier krijgen onze klanten snel resultaat, hebben ze nog steeds hun interne capaciteit en hebben wij de tijd, het personeel en het budget om geweldige innovatieve dingen te implementeren die nu voor ons beschikbaar zijn met GenAI.
Hoe werkt Artefact's end-to-end aanpak?
We proberen tijd te besparen door uit te zoeken wat het beste model is om te gebruiken, omdat we het al zo vaak geprobeerd hebben, we weten min of meer welke benaderingen werken, dus binnen je normale projecttijdlijn om strategie en operaties te verbinden, hebben we tijd nodig om met mensen te praten, moeten we de globale leeragenda afstemmen op de lokale leeragenda en op de een of andere manier. En dan besteden we de rest van de tijd met de business om ervoor te zorgen dat de resultaten die onze MMM's zullen opleveren, aansluiten bij andere onderzoeken die de klant heeft gedaan, hetzij met AB-tests of met andere MMM's, en we leggen daadwerkelijk die link en brengen alle inzichten samen, het is meer een analytische en adviserende rol in plaats van een stel data wetenschappers binnen te halen en de AI vanaf nul op te bouwen.
Kun je een concreet voorbeeld geven van de impact die de MMM heeft op een organisatie? Welke rol speelt AI daarin?
Ik zal je een voorbeeld geven van de verbinding tussen de operationele en de strategische afdeling en besluitvorming op organisatie.
We hadden een klant - geen namen, sorry! - en deze klant was erg ver in hun meetproces. Ze hadden veel onderzoeken gedaan, AB-tests, marketingmixmodellen op globaal en lokaal niveau. En een andere persoon binnen de organisatie nodigde Artefact uit om een onderzoek te doen met een iets andere scope. Toen we aankwamen, ontdekten we dat er in het verleden veel onderzoeken waren gedaan binnen bijna dezelfde of aangrenzende scopes, en we vonden het waardevol om al deze inzichten te hergebruiken, omdat sommige heel strategisch waren, waarbij het pad van organisatiein kaart werd gebracht, en een andere heel operationeel van AB-tests, waarbij veel verschillende innovaties werden uitgeprobeerd. We wilden deze inzichten echt met elkaar verbinden om een holistisch beeld aan de business te presenteren dat nog niet eerder was gedaan.
En omdat ons model en onze MMM-benadering gebaseerd is op Bayesiaanse methoden die leren van de bedrijfscontext van de klant, waren we in staat om te slagen, en de eerste toegevoegde waarde van ons model was "hier is de ROI van dit, hier is de ROI van dat," maar de tweede toegevoegde waarde was echt het verenigen van de hele bedrijfswaardeketen, van operaties tot strategie, met behulp van AI.
Dus met uw model verenigde u zakelijke inzichten, maar ook de teams en de mensen?
Dat is waar, maar soms kunnen er uitdagingen zijn omdat er verschillende teams zijn die de metingen en AB-tests uitvoeren en deze in de business brengen. We waren in staat om een verhaal te creëren dat door iedereen werd gedeeld, en dat heeft echt geholpen om de business te versnellen zonder dat we hier en daar te maken hadden met kleine inconsistenties. Als je een holistisch beeld hebt van alle inzichten die je de afgelopen jaren hebt verzameld, lost dat echt het probleem op van operationele communicatie.
Heb je 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. Bedrijven nemen veel initiatieven en reorganiseren hun data meren en de manier waarop data daarbinnen wordt gebruikt. Organisaties besteden veel aandacht aan data governance. Ik denk dat de toekomst ligt in efficiëntie: marketingmixmodellering moet sneller, rigoureuzer, eenvoudiger uit te leggen aan zakelijke belanghebbenden en gemakkelijker toegankelijk voor bedrijfsanalisten. En GenAI is belangrijk omdat het klanten in staat kan stellen om zelf MMM-resultaten op te vragen en reports te bouwen zonder dat ze over veel technische vaardigheden hoeven te beschikken, dus marketingmixmodellering gaat zeker niet weg: het zal blijven en evolueren om efficiënter en gemakkelijker toegankelijk te worden.
