Auteur
The Bridge - Data Koffie
Aleksandra Semenenko, directeur van Data Science & Global lead on Marketing Measurement bij Artefact, zat onlangs samen met Emmanuel Malherbe, hoofd van Research Center bij Artefact, om te praten over de MMM-modellen die het bedrijf heeft ontwikkeld en de trends die vandaag de dag opkomen bij klanten.
Marketingmixmodellering is een actueel onderwerp. Wat heeft Artefact de laatste tijd gedaan op het gebied van MMM?
De afgelopen drie jaar hebben we modellen ontwikkeld 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 u tegenwoordig bij uw klanten ziet?
We zien drie hoofdtrends bij onze klanten op een tamelijk wereldwijd 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 misschien contra-intuïtief lijkt voor een consultancybedrijf, 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 bedrijfsteams 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 zetten en aan onze klanten beschikbaar gaan stellen.
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 om deze doelen te bereiken?
Er zijn twee soorten mogelijkheden die klanten willen; de eerste is pragmatisch: snel resultaten behalen en snel itereren met 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 verder met iteratie en hier helpt de in-housing echt bij, want op deze manier hebben we echt snel toegang tot de hele technische stapel; we hebben snel toegang tot de data en we kunnen deze link tussen het updaten van het model, tussen het updaten van de resultaten en tussen het implementeren ervan in de business heel snel maken.
Op deze manier krijgen onze klanten snelle resultaten, hebben zij 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 de end-to-end aanpak van Artefact?
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 uw normale projecttijdlijn om strategie en operaties met elkaar 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 het bedrijf om ervoor te zorgen dat de resultaten die onze MMM's zullen opleveren, overeenkomen met 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.
Kunt u een concreet voorbeeld geven van de impact die de MMM heeft op een organisatie? Welke rol speelt AI daarin?
Ik zal u een voorbeeld geven van de verbinding tussen de operationele en de strategische afdeling en besluitvorming in het bedrijf.
We hadden een klant - geen namen, sorry! - en deze klant was erg ver in hun meetproces. Ze hadden een heleboel 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 gebieden, en we vonden het heel waardevol om al deze inzichten te hergebruiken, omdat sommige heel strategisch waren, om het pad van het bedrijf in kaart te brengen, en één heel operationeel van AB-testen, waarbij veel verschillende innovaties werden uitgeprobeerd. We wilden deze inzichten echt samenvoegen om het bedrijf een holistisch beeld te geven 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, konden we 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 gedeeld werd, en dat heeft echt geholpen om de business te versnellen zonder dat we hier en daar te maken hadden met kleine inconsistenties. Wanneer u een holistisch beeld hebt van alle inzichten die u de afgelopen jaren hebt verzameld, lost dat echt het probleem van operationele communicatie op.
Hebt u nog een laatste opmerking over de toekomst van marketingmixmodellering?
Ik kan u 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 geconsumeerd. Organisaties besteden veel aandacht aan data governance. Ik heb het gevoel dat de toekomst in efficiëntie ligt: marketingmixmodellering moet sneller worden, 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 veel technische vaardigheden hoeven te hebben, dus marketingmixmodellering gaat zeker niet weg: het zal blijven en evolueren om efficiënter en gemakkelijker toegankelijk te worden.
