Wprowadzenie do Multi-Touch Attribution (MTA) i Marketing Mix Modeling (MMM) #26

Czym jest atrybucja w marketingu?

Atrybucja to proces przypisywania wartości różnym touchpointom (punktom styku) w ścieżce zakupowej klienta. Dzięki niej marketerzy mogą zrozumieć, które działania marketingowe miały największy wpływ na konwersję.

Multi-Touch Attribution (MTA)

• Co to jest?:
  • MTA to model, który analizuje wszystkie touchpointy w ścieżce klienta i przypisuje im wartość w oparciu o ich wpływ na konwersję.
  • Przykład: Klient widzi reklamę na Facebooku, kliknie w e-mail, a następnie dokonuje zakupu. MTA pokazuje, jak każdy z tych touchpointów przyczynił się do konwersji.
• Kiedy stosować?:
  • Gdy masz dostęp do szczegółowych danych o zachowaniach klientów (np. dane z Google Analytics, CRM, śledzenie kampanii).
  • Idealne dla krótkich cykli zakupowych (np. e-commerce, sprzedaż online).

Marketing Mix Modeling (MMM)

• Co to jest?:
  • MMM to model, który analizuje zagregowane dane (np. sprzedaż, wydatki marketingowe) w celu zrozumienia, jak różne czynniki (np. reklama TV, promocje, ceny) wpływają na wyniki biznesowe.
  • Przykład: MMM może pokazać, że zwiększenie wydatków na reklamę TV o 10% prowadzi do wzrostu sprzedaży o 5%.
• Kiedy stosować?:
  • Gdy masz do czynienia z długimi cyklami zakupowymi (np. branża motoryzacyjna, nieruchomości).
  • Gdy brakuje szczegółowych danych o zachowaniach klientów (np. w przypadku kampanii offline).

Kiedy stosować MTA, a kiedy MMM?

MTA – Krótkie cykle, szczegółowe dane

• Zalety:
  • Precyzyjne przypisanie wartości do każdego touchpointu.
  • Idealne do optymalizacji kampanii digitalowych.
• Ograniczenia:
  • Wymaga dostępu do szczegółowych danych (np. śledzenie cookies, co staje się trudniejsze w erze prywatności).
  • Nie uwzględnia efektów offline (np. reklama TV, billboardy).

MMM – Długie cykle, zagregowane dane

• Zalety:
  • Uwzględnia wszystkie czynniki wpływające na sprzedaż (np. reklama, ceny, sezonowość).
  • Niezależne od danych o poszczególnych klientach, więc nie wymaga śledzenia cookies.
• Ograniczenia:
  • Mniej precyzyjne niż MTA – nie pokazuje wpływu poszczególnych touchpointów.
  • Wymaga dużych zbiorów danych historycznych.

Kiedy wybrać MTA, a kiedy MMM?

• MTA:
  • Gdy masz krótkie cykle zakupowe (np. e-commerce).
  • Gdy chcesz zrozumieć, które kanały digitalowe są najskuteczniejsze.
  • Gdy masz dostęp do szczegółowych danych o zachowaniach klientów.
• MMM:
  • Gdy masz długie cykle zakupowe (np. branża motoryzacyjna).
  • Gdy chcesz zrozumieć wpływ czynników offline (np. reklama TV, promocje w sklepach).
  • Gdy brakuje szczegółowych danych o klientach.

Jak łączyć MTA i MMM, aby uzyskać pełny obraz skuteczności kampanii?

Dlaczego warto łączyć MTA i MMM?

• MTA dostarcza szczegółowych informacji o touchpointach digitalowych, ale nie uwzględnia efektów offline.
• MMM pokazuje ogólny wpływ działań marketingowych, ale nie jest precyzyjny w przypisywaniu wartości poszczególnym kanałom.
• Połączenie obu modeli pozwala na pełny obraz skuteczności kampanii – zarówno na poziomie mikro (poszczególne touchpointy), jak i makro (całościowy wpływ na sprzedaż).

Jak to zrobić? Krok po kroku

1. Zbierz dane z obu modeli:
   • Użyj MTA do analizy touchpointów digitalowych.
   • Użyj MMM do analizy zagregowanych danych, w tym efektów offline.
2. Porównaj wyniki:
   • Sprawdź, czy wyniki MTA i MMM są spójne. Na przykład, czy MTA pokazuje, że reklama na Facebooku jest skuteczna, a MMM potwierdza, że zwiększenie wydatków na reklamę digitalową przynosi wzrost sprzedaży.
3. Uzupełnij luki:
   • Jeśli MTA nie uwzględnia efektów offline, użyj MMM, aby je oszacować.
   • Jeśli MMM nie pokazuje wpływu poszczególnych kanałów, użyj MTA, aby je zidentyfikować.
4. Stwórz hybrydowy model atrybucji:
   • Połącz dane z MTA i MMM, aby stworzyć kompleksowy model, który uwzględnia zarówno touchpointy digitalowe, jak i czynniki offline.
   • Przykład: Użyj MTA do przypisania wartości touchpointom digitalowym, a MMM do oszacowania wpływu reklamy TV i promocji w sklepach.

Narzędzia do łączenia MTA i MMM

1. Google Attribution 360:
   • Narzędzie do zaawansowanej atrybucji, które łączy dane z różnych kanałów.
2. Neustar MarketShare:
   • Platforma do modelowania MMM, która integruje dane z różnych źródeł.
3. Adobe Analytics:
   • Pozwala na analizę danych z różnych touchpointów i tworzenie hybrydowych modeli atrybucji.

Nietypowa analogia: MTA i MMM jak puzzle i mapa

Aby Cię zaskoczyć, posłużę się nietypową analogią:

• MTA to jak układanie puzzli – widzisz każdy element (touchpoint) i wiesz, jak wpływa na całość (konwersję).
• MMM to jak mapa – widzisz ogólny obraz (wpływ na sprzedaż), ale nie widzisz szczegółów (poszczególnych touchpointów).
• Połączenie MTA i MMM to jak ułożenie puzzli na mapie – masz zarówno szczegóły, jak i ogólny obraz, co pozwala na pełne zrozumienie skuteczności kampanii.

Podsumowanie

Multi-Touch Attribution (MTA) i Marketing Mix Modeling (MMM) to dwa uzupełniające się modele atrybucji, które pozwalają na zrozumienie skuteczności kampanii na różnych poziomach. MTA jest idealne do analizy touchpointów digitalowych, podczas gdy MMM sprawdza się w analizie efektów offline i długoterminowych trendów. Połączenie obu modeli pozwala na stworzenie kompleksowego obrazu skuteczności kampanii, co jest kluczowe w erze wielokanałowego marketingu.

Techniczne aspekty implementacji Multi-Touch Attribution (MTA) i Marketing Mix Modeling (MMM) to fascynujący temat, który wymaga zrozumienia zarówno narzędzi analitycznych, jak i procesów integracji danych. Omówmy to krok po kroku, abyś mógł zobaczyć, jak te modele można wdrożyć w praktyce.

 Implementacja Multi-Touch Attribution (MTA)

Krok 1: Zbieranie danych

Aby wdrożyć MTA, musisz zebrać dane z wszystkich touchpointów, z którymi klient ma kontakt.

• Źródła danych:
  • Strona internetowa: Narzędzia takie jak Google Analytics, Adobe Analytics.
  • E-maile: Systemy marketingowe jak Mailchimp, HubSpot.
  • Media społecznościowe: Facebook Ads, LinkedIn Ads.
  • Reklamy displayowe: Google Display Network, programmatic advertising.
  • Call center: Dane z rozmów telefonicznych.
  • Aplikacje mobilne: SDK do śledzenia zachowań użytkowników.
• Narzędzia do zbierania danych:
  • Google Tag Manager: Do zarządzania tagami śledzącymi na stronie internetowej.
  • Segment: Platforma do integracji danych z różnych źródeł.

Krok 2: Integracja danych

Dane z różnych źródeł muszą być zintegrowane w jednym systemie, aby można było je analizować.

• Narzędzia do integracji:
  • Customer Data Platform (CDP): Salesforce CDP, Adobe Experience Platform.
  • ETL (Extract, Transform, Load): Narzędzia jak Talend, Informatica.
• Proces integracji:
  1. Extract: Pobierz dane z różnych źródeł.
  2. Transform: Przekształć dane do wspólnego formatu.
  3. Load: Załaduj dane do systemu analitycznego.

Krok 3: Wybór modelu atrybucji

Istnieje kilka modeli atrybucji, które można zastosować w MTA:

• Last Click: Cała wartość przypisywana jest ostatniemu touchpointowi.
• First Click: Cała wartość przypisywana jest pierwszemu touchpointowi.
• Linear: Wartość równo rozdzielana między wszystkie touchpointy.
• Time Decay: Większa wartość przypisywana touchpointom bliższym konwersji.
• Position-Based (U-Shaped): 40% wartości przypisywane pierwszymu i ostatniemu touchpointowi, 20% rozdzielane między pozostałe.
• Narzędzia do atrybucji:
  • Google Attribution 360: Zaawansowane narzędzie do atrybucji wielodotykowej.
  • Adobe Analytics: Oferuje różne modele atrybucji.

Krok 4: Analiza i optymalizacja

Po wdrożeniu MTA, regularnie analizuj wyniki i optymalizuj kampanie.

• Narzędzia do analizy:
  • Tableau, Power BI: Do wizualizacji danych.
  • Google Data Studio: Do tworzenia raportów.

Implementacja Marketing Mix Modeling (MMM)

Krok 1: Zbieranie danych

MMM wymaga zagregowanych danych historycznych.

• Źródła danych:
  • Sprzedaż: Dane o sprzedaży z różnych kanałów.
  • Wydatki marketingowe: Budżety na reklamę TV, digital, outdoor.
  • Czynniki zewnętrzne: Sezonowość, zmiany cen, działania konkurencji.
• Narzędzia do zbierania danych:
  • ERP systemy: SAP, Oracle.
  • Systemy finansowe: QuickBooks, Xero.

Krok 2: Przygotowanie danych

Dane muszą być przygotowane do analizy statystycznej.

• Proces przygotowania danych:
  1. Czyszczenie danych: Usuń błędy i niekompletne rekordy.
  2. Agregacja danych: Połącz dane w odpowiednie kategorie (np. miesięczne wydatki na reklamę).
  3. Normalizacja danych: Dostosuj dane do wspólnej skali.
• Narzędzia do przygotowania danych:
  • Python, R: Do czyszczenia i przetwarzania danych.
  • Excel: Do prostszych analiz.

Krok 3: Budowa modelu

MMM opiera się na analizie regresji, która pozwala zrozumieć, jak różne czynniki wpływają na sprzedaż.

• Metody analizy:
  • Regresja liniowa: Prosta metoda do analizy wpływu różnych czynników.
  • Regresja wielokrotna: Uwzględnia wiele zmiennych jednocześnie.
  • Machine learning: Zaawansowane metody, takie jak random forest, gradient boosting.
• Narzędzia do budowy modelu:
  • Python: Biblioteki jak scikit-learn, statsmodels.
  • R: Pakiet lm do regresji liniowej.
  • SAS, SPSS: Profesjonalne narzędzia do analizy statystycznej.

Krok 4: Walidacja modelu

Po zbudowaniu modelu, należy go przetestować, aby upewnić się, że jest dokładny.

• Metody walidacji:
  • Podział na zbiór treningowy i testowy: 70% danych do treningu, 30% do testów.
  • Cross-validation: Wielokrotne testowanie modelu na różnych podzbiorach danych.
• Narzędzia do walidacji:
  • Python: Biblioteka scikit-learn oferuje funkcje do cross-validation.
  • R: Pakiet caret do walidacji modeli.

Krok 5: Interpretacja wyników

Po walidacji modelu, należy zinterpretować wyniki i podjąć decyzje biznesowe.

• Co analizować?:
  • Wpływ poszczególnych kanałów marketingowych na sprzedaż.
  • Optymalny mix marketingowy (np. ile wydać na reklamę TV, a ile na digital).
• Narzędzia do interpretacji:
  • Tableau, Power BI: Do wizualizacji wyników.
  • Excel: Do prostszych analiz.

Łączenie MTA i MMM – Techniczne aspekty

Krok 1: Integracja danych z MTA i MMM

Aby połączyć oba modele, musisz zintegrować dane z MTA i MMM w jednym systemie.

• Narzędzia do integracji:
  • Customer Data Platform (CDP): Salesforce CDP, Adobe Experience Platform.
  • ETL (Extract, Transform, Load): Talend, Informatica.
• Proces integracji:
  1. Extract: Pobierz dane z MTA i MMM.
  2. Transform: Przekształć dane do wspólnego formatu.
  3. Load: Załaduj dane do systemu analitycznego.

Krok 2: Tworzenie hybrydowego modelu atrybucji

Po integracji danych, możesz stworzyć hybrydowy model, który łączy zalety MTA i MMM.

• Metody łączenia:
  • Weighted Average: Połącz wyniki MTA i MMM, przypisując im odpowiednie wagi.
  • Machine Learning: Użyj algorytmów ML, aby połączyć dane z obu modeli.
• Narzędzia do tworzenia hybrydowego modelu:
  • Python: Biblioteki jak scikit-learn, TensorFlow.
  • R: Pakiet caret do zaawansowanej analizy.

Krok 3: Analiza i optymalizacja

Po stworzeniu hybrydowego modelu, regularnie analizuj wyniki i optymalizuj kampanie.

• Narzędzia do analizy:
  • Tableau, Power BI: Do wizualizacji danych.
  • Google Data Studio: Do tworzenia raportów.

Podsumowanie

Implementacja Multi-Touch Attribution (MTA) i Marketing Mix Modeling (MMM) wymaga zrozumienia technicznych aspektów zbierania, integracji i analizy danych. MTA jest idealne do analizy touchpointów digitalowych, podczas gdy MMM sprawdza się w analizie efektów offline i długoterminowych trendów. Połączenie obu modeli pozwala na stworzenie kompleksowego obrazu skuteczności kampanii, co jest kluczowe w erze wielokanałowego marketingu.