Tjänster / Attribution och MMM
Attribution och marketing mix modeling
Marketing mix modeling skattar vad varje kanal bidrar med till försäljningen, utifrån aggregerad historik i stället för spårning på individnivå. Till skillnad från klickbaserad attribution klarar det kanaler utan mätbar klickväg och överlever bortfallet av tredjepartskakor. Jag bygger modellerna med osäkerhetsintervall och kopplar dem till budgetbeslut.
Vanliga utgångslägen
- Sista klicket får äran för allt, och därför får sökannonsering all budget.
- Ingen kan svara på vad som hade sålts även utan marknadsföring.
- Kanaler utan klickväg — utomhus, TV, radio, podd — utvärderas inte alls.
Så gör jag
Jag har arbetat med det här från den andra sidan. Innan konsultuppdragen drev jag ett bolag som optimerade Google Ads-annonsering via deras API, där återkopplingen är snabb nog att varje felaktigt antagande syns i kontoutdraget inom en vecka.
Det lärde mig framför allt en sak som är svår att se från rapportsidan: systemet som optimerar påverkar den data det sedan utvärderas på. Bjuder algoritmen lågt på ett segment slutar segmentet synas, och därmed generera data. Utvärderingen ser utmärkt ut eftersom allt som inte fungerade har försvunnit ur underlaget.
Samma mekanism gör sista-klicket-attribution självbekräftande. Sök får äran, budgeten flyttas till sök, och de kanaler som skapade efterfrågan att söka på tappar sin budget, varpå de presterar ännu sämre i mätningen. Modellen är inte fel om det den mäter. Den mäter fel sak.
Bayesiansk MMM
Regression på aggregerad försäljning mot mediainvestering per kanal, med priors som håller skattningarna rimliga när historiken är kort. Resultatet är bidrag per kanal med trovärdighetsintervall, inte en punktsiffra.
Mättnad och fördröjning
Effekten av media är varken linjär eller omedelbar. Mättnadskurvor fångar att den hundrade tusenlappen i en kanal gör mindre än den första, och fördröjningsstrukturer att effekten sträcker sig över veckor.
Geoexperiment
Historisk data kan sällan skilja orsak från samvariation, eftersom budgeten höjts när efterfrågan redan var stark. Kontrollerade regionala försök ger det underlag observationsdata inte kan ge, och kalibrerar modellen.
Baslinje och yttre faktorer
Säsong, pris, konkurrenters aktivitet och distribution förklarar ofta merparten av försäljningen. Utan dem i modellen tillskrivs deras effekt marknadsföringen. Det är den vanligaste orsaken till orimliga resultat.
Vad du får
- Bidrag per kanal med trovärdighetsintervall, uppdaterat i vald takt
- Mättnadskurvor som visar var nästa krona gör mest nytta
- Budgetallokering som simulering, inte som ett enda förslag
- Underlag för geoexperiment som validerar modellen mot verkligheten
Förstudie · 2–3 veckor
95 000 – 140 000 kr
Spannet styrs av antalet kanaler och marknader samt hur medieinvesteringarna finns dokumenterade.
Vanliga frågor
Vad är skillnaden mot attribution i vårt analysverktyg?
Klickbaserad attribution följer individer och kan bara se kanaler som lämnar spår. MMM arbetar på aggregerad nivå och ser även det som inte går att klicka på. De besvarar olika frågor och används bäst tillsammans.
Hur mycket historik krävs?
Helst två till tre års veckodata, med variation i investeringsnivåerna. Har budgeten legat stilla finns det lite för modellen att lära sig av, och då är geoexperiment en bättre startpunkt.
Vi är ett litet bolag. Är MMM inte till för storbolag?
Det var det historiskt, när modellerna byggdes för hand av byråer. Med bayesianska metoder och öppen kod fungerar det ned till betydligt mindre budgetar, förutsatt att det finns tillräcklig variation i historiken.
Kan modellen säga vad vi ska sluta med?
Den kan visa vilka kanaler vars bidrag inte går att skilja från noll. Det är ett ärligare besked än ett negativt bidrag. Att avsluta något är ett beslut som bör backas upp av ett experiment, inte bara av modellen.