De valkuilen bij traditionele Marketing Mix Modeling

marketing mix modelMarketing Mix Modeling (MMM) is een belangrijke methode voor het optimaliseren van de marketing mix en attributie in een wereld waarin cookies binnenkort niet meer bestaan. Inmiddels wordt Marketing Mix Modeling al met succes toegepast door bedrijven die een rol willen blijven spelen in deze cookieloze wereld. Door deze toename in MMM toepassingen zien we in de praktijk ook dat bedrijven vaak in dezelfde valkuilen stappen. Valkuilen die (nog) niet voorkomen worden door intelligentie binnen tooling. Met dit artikel hoop ik jou voor deze valkuilen te behoeden.

De 7 belangrijkste valkuilen bij MMM

1. MMM project niet valideren

Valkuil #1. Veel Marketing Mix Modeling projecten worden groots en met hooggespannen verwachtingen opgezet. Er wordt een extern bureau ingeschakeld en een intern project team opgetuigd. Vooraf worden dus al veel directe en indirecte kosten gemaakt zonder het MMM project ‘an sich’ te valideren (“Think big, start bigger”). Dit vooraf valideren is belangrijk om te onderzoeken of jouw organisatie in staat is om significante voordelen uit het MMM project te halen en om de verdere valkuilen die in dit artikel genoemd worden zoveel mogelijk te vermijden.

Dus, “think big, start small”. Zet eerst eens zelfstandig een kleinschalig MMM project op met behulp van eigen medewerkers of afstudeerders en eenvoudige (gratis) tooling. Voor het laatste kan je gebruik maken van bijvoorbeeld de Key Influencer (multivariate lineaire regressie) analyse binnen Power BI, of met R of Python. Valideer op bruikbaarheid en toepasbaarheid van de uitkomsten en de mogelijke acceptatie en integratie hiervan binnen jouw organisatie. Bijkomend voordeel van deze aanpak; je zou niet de eerste zijn die deze validatie uitbreidt naar een serieus inhouse MMM project.

2. Onvoldoende of onjuiste data gebruiken

Valkuil #2. Voor Marketing Mix Modeling is veel historische data op laag granulair niveau nodig. Een voorbeeld van dergelijke data is het aantal nieuwsbriefinschrijvingen per campagne, per ad group, per advertentie, per landingspagina en per dag van de afgelopen 3 jaren. Dit lijkt niet veel maar als je voor je nieuwsbriefinschrijvingen in deze 3 jaren 4 continue campagnes had lopen die ieder bestonden uit 5 ad groups met per ad group 10 advertenties die traffic leiden naar 2 verschillende landingspagina’s dan gaat het hier om een tabel met 4 x 5 x 10 x 2 x 3 x 365 = 438.000 unieke regels. En dat is dan alleen voor je nieuwsbrief lead campagnes. Nog niet voor je overige marketingdoelen, campagnedata, organische media, klantdata, klantcontactdata, transactie- en/of kassadata, productdata, pricing data, voorraad- en distributie data, etc.

Veel historische data wordt geaggregeerd naar high-level niveau zoals totalen of gemiddelden. Soms gebeurt dit automatisch en ongemerkt (bijvoorbeeld binnen standaard Google Analytics rapportages), vaak is deze keuze in het verleden gemaakt om data storage kosten te beheersen. Hoe dan ook, aan geaggregeerde data heb je weinig binnen Marketing Mix Modeling. De onbeschikbaarheid van de juiste historische data met de juiste granulariteit kan je MMM project dus al in de kiem smoren.

Natuurlijk kan het ook voorkomen dat de benodigde data helemaal niet beschikbaar en verkrijgbaar is. In dat geval moet je je afvragen of een MMM project überhaupt wel voor jouw organisatie is weggelegd.

3. Externe invloeden negeren

Valkuil #3. Ook externe invloeden beïnvloeden het gedrag van jouw klanten en daarmee je resultaten. Voor Marketing Mix Modeling is daarom naast eigen historische data ook externe data nodig. Denk hierbij aan relevante data van concurrenten (hun product, pricing en promotiedata), weer en verkeer, vakanties en feestdagen, macro-economische data (CBS) e.d. Veel van deze data is nagenoeg gratis verkrijgbaar.

4. Geen anomalie detectie toepassen

Valkuil #4. Grote niet-representatieve afwijkingen in de data, ook wel anomalies of outliers genoemd, kunnen de uitkomsten van je Marketing Mix Modeling project ernstig verstoren. Daarom is het raadzaam om al bij de validatie van je MMM project en de validatie van je data deze anomalies te detecteren en te repareren. Anomaly detection kan je eenvoudig doen in o.a. Power BI, R of Python.

Anomalies repareren doe je door afwijkende pieken en dalen te vervangen door bijvoorbeeld gemiddelden of null-waarden (data infusion), wat je ook doet bij ontbrekende data. De oorzaken van anomalies en ontbrekende waarden zijn vaak technisch van aard dus is het ook aan te raden om deze oorzaken te repareren om herhaling te voorkomen.

5. Het ‘killer deal effect’ negeren

Valkuil #5. Die ene grote promotie, die je normaliter niet zo vaak doet, heeft ook een stevige invloed op je Marketing Mix Modeling model. Bedenk dus vooraf of je die promotie(s), met de bijbehorende data, wel of geen onderdeel wilt laten uitmaken van je MMM project, of dat je deze juist wilt behandelen als één van de bovengenoemde anomalies.

6. Het verkeerde model selecteren

Valkuil #6. De basis van Marketing Mix Modeling is, je raadt het al, het Marketing Mix Model. Naast het eerdergenoemde multivariate lineaire regressie model kan dit bijvoorbeeld ook een SCAN*PRO model zijn.

7. De verkeerde input variabelen gebruiken

Valkuil #7. De twee belangrijkste input variabelen binnen je Marketing Mix Modeling project zijn je base line en ad stock. Gebruik je hier de verkeerde waarden dan zul je nooit de juiste resultaten behalen, of zal je die resultaten verkeerd interpreteren.

Het doel van je Marketing Mix Modeling project is om te achterhalen welke combinaties van variabelen en de waarden daarvan jouw resultaten verhogen. Het klinkt heel logisch maar daarvoor is het dus nodig om je ‘base line’ te definiëren; de resultaten die je behaalt (of zou behalen) zonder enige marketinginspanningen. De makkelijkste manier om dat te doen is door je organische en directe resultaten (dus zonder campagnes en promoties) als uitgangspunt te nemen.

De ‘ad stock’ is het langdurige of vertraagde effect van reclame op het koopgedrag van consumenten. Juist omdat je binnen Marketing Mix Modeling projecten uitgaat van time series data op laag granulair niveau is het belangrijk om het effect van je branding en generieke campagnes en promoties op het gedrag van je klanten over de langere termijn te volgen. In de artikelen waarnaar eerder in dit artikel is verwezen is de ad stock calculatie al meegenomen.

Conclusie

Marketing Mix Modeling (MMM) is een belangrijke methode voor het optimaliseren van de marketing mix en attributie in een wereld waarin cookies binnenkort niet meer bestaan. De weg naar MMM succes bevat valkuilen maar die zijn overkomelijk. Heb je hierover vragen, stel die dan in het reactieveld onderaan dit artikel of neem contact met mij op.

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd.

Deze site gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.