Passa dall'analisi delle prestazioni del tuo media mix al prendere decisioni per le prossime allocazioni del budget.
Che cos'è il Marketing Mix Modeling?
Il Marketing Mix Modeling è una tecnica di modellazione matematica che aiuta le aziende a quantificare l'impatto di vari componenti del loro marketing mix (ad esempio pubblicità, promozioni, prezzi, ecc.) sulle vendite o su altri indicatori chiave di prestazione.
L’obiettivo è identificare quali tattiche siano più efficaci e come riallocare i budget per massimizzare il ritorno sull’investimento.
In pratica, l'insieme di dati di un modello di Marketing Mix è costituito da una variabile dipendente (ad esempio le entrate) e diverse variabili indipendenti (i tuoi canali di marketing, fattori esogeni, ecc.).
Quali sono i vantaggi del Marketing Mix Modeling?
Il MMM è essenziale per diversi motivi:
Ottimizzazione del budget: aiuta le aziende a determinare dove investire le proprie risorse per ottenere il miglior rendimento.
Misurazione dell’efficacia: l’MMM valuta l’efficacia di ciascun elemento del marketing mix, consentendo alle aziende di capire quali tattiche funzionano meglio.
Previsione: utilizzando i dati storici, il MMM può essere utilizzato per prevedere in che modo i futuri cambiamenti nel marketing mix potrebbero influenzare le vendite.
Senza cookie: le metodologie di attribuzione tradizionali sono messe a dura prova dalle restrizioni tecnologiche e legali che influenzano l’uso dei dati personali. L'identificatore univoco associato agli individui (cookie, ID CRM, indirizzo email) è sempre stato fondamentale per conciliare il percorso del cliente e misurare la redditività di uno strumento di marketing. La modellazione del marketing mix non richiede dati personali per funzionare ed è quindi un'opzione più resiliente. Inoltre, i dati relativi alle campagne di marketing sono oggi molto più accessibili che in passato, sia in termini di velocità che di granularità. Questa nuova situazione consente ai modelli MMM di funzionare in dimensioni temporali molto più brevi rispetto al passato.
Quali sono le componenti principali del marketing mix analizzato nel MMM?
Quando si tratta di analizzare l'efficacia del marketing mix utilizzando il MMM, questi sono i componenti comunemente esaminati:
Entrate: misura complessiva delle vendite, spesso il principale indicatore di performance.
Lead: persone o aziende potenzialmente interessate al tuo prodotto o servizio, un indicatore precoce dell'andamento delle vendite.
Vendite: numero di transazioni o volume di prodotti/servizi venduti.
Canali di marketing a pagamento:
Online: come la pubblicità sui motori di ricerca (PPC), la pubblicità sui social media e il marketing display.
Offline: pubblicità televisiva, radiofonica, cartelloni pubblicitari e riviste.
Canali di marketing gratuiti: come SEO, email marketing e passaparola.
Catalogo prodotti: varietà e tipologie di prodotti disponibili, nonché aggiunta o rimozione di prodotti.
Variazione dei prezzi: come le variazioni dei prezzi influenzano la domanda e le vendite.
Nuove offerte: lancio di nuovi prodotti o servizi e il loro impatto sul mix globale.
Promozioni: offerte speciali, sconti o incentivi per stimolare le vendite.
Stagionalità: come le variazioni stagionali (come le festività o le stagioni meteorologiche) influenzano le vendite.
Consapevolezza del marchio: il riconoscimento del marchio e la percezione positiva possono influenzare le vendite.
Fattori esogeni: tutti gli altri elementi esterni che potrebbero influenzare le vendite, come tendenze economiche, azioni dei concorrenti o eventi mondiali.
Utilizzando l'MMM, le aziende possono scomporre l'impatto relativo di ciascuno di questi componenti sulla loro performance complessiva, consentendo loro di adattare e ottimizzare di conseguenza la loro strategia di marketing.
Come viene implementato il MMM?
L’attuazione del MMM avviene solitamente in più fasi:
Raccolta dati: raccogli dati su vendite, spese di marketing e altri fattori esterni che potrebbero influenzare le vendite (ad esempio stagionalità, concorrenza, economia).
Modellazione: utilizza tecniche statistiche per sviluppare un modello che descriva come i vari elementi del marketing mix influiscono sulle vendite o su altri indicatori chiave.
Convalida: testare il modello su un set di dati diverso per verificarne l'accuratezza.
Interpretazione: analizzare i risultati per determinare quali elementi del marketing mix hanno il maggiore impatto sulle vendite.
Ottimizzazione: in base ai risultati, modifica la tua strategia di marketing per massimizzare il ritorno sull'investimento.
Quali sono le sfide del MMM?
Per garantire l'affidabilità e la precisione del Marketing Mix Modeling, si consiglia di rispettare un rapporto di 1 variabile indipendente (o predittore) per ogni 10 osservazioni (o punti dati) nel set di dati.
Ciò ha importanti implicazioni pratiche per la progettazione e l’analisi dei modelli statistici:
Implicazioni pratiche
Dimensione del campione: se prevedi di analizzare l'impatto di più canali di marketing (ad esempio 10) sulle vendite, avrai bisogno di almeno 100 punti dati (10 canali * 10 osservazioni per canale) per creare un modello robusto. Questo requisito aiuta a garantire che il modello disponga di dati sufficienti per apprendere le relazioni tra le variabili indipendenti e la variabile dipendente senza adattamento eccessivo.
Selezione delle variabili: quando pianifichi il tuo modello, dovresti valutare il numero di osservazioni disponibili e determinare quante variabili indipendenti puoi ragionevolmente includere. Se disponi di un set di dati relativamente piccolo, potrebbe essere necessario limitare il numero di variabili per rispettare il rapporto consigliato.
Qualità e robustezza delle stime: rispettare questa proporzione aiuta a garantire che le stime dei coefficienti del proprio modello siano affidabili e robuste. Ciò significa che è più probabile che le previsioni effettuate dal modello riflettano relazioni reali piuttosto che artefatti dei dati utilizzati per l'addestramento.
Gestione di dati ad alta dimensionalità: negli scenari in cui sono disponibili o desiderate molte variabili indipendenti, questo principio incoraggia a utilizzare metodi di riduzione della dimensionalità (ad esempio clustering) o di selezione delle variabili per concentrare il modello sui predittori più significativi, mantenendo una proporzione sana e evitando eccessive complessità.
Perché questa raccomandazione è importante:
Ridurre il rischio di overfitting: l'overfitting si verifica quando il modello si adatta troppo fedelmente ai dati di addestramento, catturando il rumore statistico anziché le effettive relazioni sottostanti. Avere abbastanza osservazioni relative al numero di variabili indipendenti aiuta a minimizzare questo rischio, poiché il modello può generalizzare meglio dai dati osservati.
Migliorare la stabilità delle stime: maggiore è il numero di osservazioni per variabile, più stabili sono le stime dei coefficienti del modello. Ciò significa che le previsioni del modello sono meno suscettibili alle variazioni casuali dei dati, garantendo una migliore affidabilità e precisione.
Aumento del potere statistico: il potere statistico è la capacità di un test statistico di rilevare un effetto reale quando esiste. Un'elevata percentuale di osservazioni per variabile aumenta la potenza statistica del modello, consentendo di rilevare relazioni significative tra le variabili indipendenti e la variabile dipendente.
Convalida e verifica incrociata: un numero sufficiente di osservazioni consente l'implementazione di tecniche di convalida come la convalida incrociata, che è cruciale per valutare le prestazioni del modello su dati invisibili. Ciò aiuta a garantire che il modello funzioni bene nella pratica, non solo in teoria.
Incertezza di previsione ridotta: con più dati per variabile, l'incertezza o l'intervallo di confidenza attorno alle stime e alle previsioni dei parametri viene ridotto, portando a decisioni più informate e accurate basate sui risultati del modello.
Come si confronta MMM con altre tecniche di analisi di marketing?
Esistono altre tecniche come l'attribuzione multi-touch, che analizza punti di contatto specifici nel percorso del cliente.
Mentre MMM si concentra sull’impatto complessivo dei diversi elementi del marketing mix, l’attribuzione multi-touch si concentra sulle singole interazioni. Le due tecniche possono essere complementari a seconda delle esigenze dell’azienda.
Comprendere la differenza tra correlazione e causalità:
Correlazione: una correlazione tra due variabili significa che tendono a cambiare insieme, ma ciò non significa necessariamente che una causi l'altra. Se A e B sono correlati, quando A aumenta, anche B può aumentare (correlazione positiva) o diminuire (correlazione negativa). Ma questo non prova che A causi questo cambiamento in B.
Causalità: la causalità implica una relazione di causa ed effetto tra due variabili. Se A causa B, allora un cambiamento in A produrrà un cambiamento specifico in B.
Esempio: prendiamo il consumo di gelato e la vendita di creme solari.
Osservazione: durante i mesi estivi aumenta il consumo di gelato e aumentano anche le vendite di creme solari.
Correlazione: esiste una correlazione positiva tra il consumo di gelato e la vendita di creme solari durante l'estate.
Causalità: Tuttavia, l’acquisto del gelato non comporta l’acquisto della protezione solare. Non sono direttamente correlati in termini di causa ed effetto.
Spiegazione: La vera causa di questa correlazione è una variabile nascosta: la temperatura.
Durante l'estate fa caldo. Le persone vogliono rinfrescarsi mangiando un gelato e, a causa della maggiore esposizione al sole, acquistano anche creme solari per proteggersi.
La temperatura è quindi la causa alla base dei due aumenti osservati.
Questo esempio mostra quanto sia essenziale distinguere tra correlazione e causalità, poiché la semplice coesistenza di due fenomeni non significa che l'uno sia causa dell'altro.