מה זה Marketing Mix Modeling? המדריך של מי שבאמת בונה מודלים

גילוי נאות: נכתב בעזרת AI, על בסיס הידע והניסיון שלי, ונערך על ידי.

בסקר של גוגל והרווארד, 87% מהמשיבים אמרו ש-MMM חשוב לארגון שלהם. רק 28% אמרו שהם באמת מקבלים איתו החלטות.

הפער הזה מספר את כל הסיפור. כולם שמעו על MMM. מעטים מבינים מה זה בפועל, מה זה נותן, ומה זה לא נותן. המדריך הזה בא לסגור את הפער. מנקודת מבט של מי שבונה מודלים כאלה למותגים ישראליים, לא של מי שמוכר מצגות.

מה MMM בעצם מודד

נתחיל מהשאלה שהמודל בא לענות עליה: מאיפה מגיעות המכירות שלכם?

לא באיזה ערוץ המשתמש לחץ לפני הרכישה. לא איזו קמפיין קיבל את הקרדיט ב-GA. אלא שאלה יותר יסודית: אם מחר הייתם מכבים את הטלוויזיה, או מכפילים את התקציב בפייסבוק, או מעלים מחיר ב-5%: מה היה קורה למכירות?

MMM עונה על זה בשיטה ותיקה וישירה: לוקחים את היסטוריית המכירות השבועית שלכם לאורך שנתיים-שלוש, מצמידים לה את ההוצאה השבועית בכל ערוץ מדיה ואת המשתנים העסקיים (מחיר, מבצעים, עונתיות), ונותנים למודל סטטיסטי למצוא את הקשרים. בשבועות שהוצאתם יותר על ערוץ מסוים, המכירות עלו? בכמה? אחרי כמה זמן? ומה קרה כשהפסקתם?

התוצאה היא פירוק (decomposition) של המכירות: כל שבוע של מכירות מוסבר כסכום של בסיס, תרומות מדיה, ואפקטים של מחיר ומבצעים.

נקודה חשובה: המודל עובד על דאטה מצרפי. סך מכירות שבועי, סך הוצאה שבועית. אין בו משתמש בודד, אין עוגיות, אין בעיית פרטיות. זו גם הסיבה שהוא היחיד שרואה את כל הערוצים: טלוויזיה, רדיו, שלטי חוצות ופודקאסטים נמדדים בדיוק באותה שיטה כמו גוגל ומטא.

ועוד נקודה, אולי הכי חשובה: המודל שואל שאלה סיבתית, לא שאלה של קרדיט. לא "מי נגע בהמרה" אלא "מה היה קורה בלי". ההבדל בין שתי השאלות האלה הוא ההבדל בין מדידת אינקרמנטליות לבין ספירת קליקים. רוב הפערים בין המודל לדשבורדים מתחילים בדיוק שם.

למה כולם מדברים על זה דווקא עכשיו

MMM הוא לא המצאה חדשה. חברות מוצרי צריכה גדולות משתמשות במודלים אקונומטריים כאלה עשרות שנים. מה שהשתנה זה שלושה דברים:

1. המדידה הדיגיטלית נסדקה. חסימות עוגיות, מגבלות פרטיות, iOS. השיטה שלא צריכה דאטה ברמת משתמש הפכה פתאום מ"מיושנת" ל"עמידה".
2. הפלטפורמות עצמן אימצו אותה. גוגל שחררה את Meridian, פריימוורק MMM בקוד פתוח, בחינם. לפי דיווח של AdExchanger, אנשי המכירות שלה כבר נושאים יעדים על אימוץ שלו אצל מפרסמים. מטא שחררה את Robyn. כשהפלטפורמות שחיות ממכירת מדידה עצמית דוחפות מודל חיצוני, כדאי לשים לב.
3. העלות צנחה. מה שהיה פרויקט של חצי שנה ושש ספרות הפך לפרויקט של שבועות. לא כי המתודולוגיה קוצרה, אלא כי העבודה הידנית עברה אוטומציה. הרחבתי על השינוי הזה כאן.

התוצאה: מה שהיה נחלת התאגידים הגלובליים נגיש היום גם למפרסם ישראלי בינוני. וזה משנה את שאלת המדידה מ"מה אפשר" ל"מה נכון".

איך זה עובד: הסבר למנהלי שיווק, לא לסטטיסטיקאים

לא צריך תואר בסטטיסטיקה כדי להבין מודל MMM. צריך להבין ארבעה רעיונות.

1. דאטה מצרפי, לא ברמת משתמש

שורה אחת לכל שבוע. בעמודות: מכירות, הוצאה פר ערוץ, מחיר, מבצעים, סמני עונתיות. אצלי זה קובץ CSV אחד עם בערך 12 עמודות. זה כל מה שהמודל צריך. היעדר דאטה אישי הוא פיצ'ר, לא באג.

2. Adstock: פרסום לא נגמר ביום שהוא רץ

קמפיין טלוויזיה שרץ השבוע ממשיך למכור גם בעוד שבועיים ושלושה, בעוצמה דועכת. המודל מעריך את קצב הדעיכה הזה לכל ערוץ בנפרד. בלי Adstock הייתם מייחסים את המכירות של השבוע הבא ל"שום דבר". או גרוע מזה, לערוץ הלא נכון. הרחבתי על Adstock במאמר נפרד.

3. Saturation: השקל הראשון לא שווה כמו השקל המיליון

לכל ערוץ יש עקומת רוויה. בהוצאה נמוכה כל שקל נוסף עובד יפה; ככל שמעלים תקציב, התרומה השולית יורדת. המודל מעריך את צורת העקומה לכל ערוץ. זה בדיוק המידע שצריך כדי לדעת איפה אתם כבר רוויים ואיפה יש עוד מקום. על עקומות רוויה כתבתי כאן.

4. Controls: לנקות את מה שאינו מדיה

מכירות עולות גם בגלל דברים שאינם פרסום: חג, מבצע, ירידת מחיר, גאות בקטגוריה. אם לא מכניסים את המשתנים האלה למודל, המדיה "גונבת" קרדיט שלא מגיע לה. בחירת ה-Controls היא אחד המקומות שבהם שיקול דעת אנושי משנה את התוצאה. לכן אני מדווח טווחים, לא מספר אחד.

חמש השאלות ש-MMM עונה עליהן

1. בסיס מול תוספתי (Base vs Incremental). כמה מהמכירות היו קורות גם בלי שקל אחד של פרסום? הבסיס (מותג, הרגל, הפצה, עונתיות) הוא ברוב המודלים שבניתי החלק הגדול של המכירות. גודל הבסיס הוא בעצמו מדד לחוזק המותג, ושווה לעקוב אחריו לאורך זמן.
2. תרומת ערוצים. כמה מכירות ייצר כל ערוץ בפועל, ומה ה-ROI שלו. לא לפי ה-Attribution של הפלטפורמה, אלא לפי הקשר הנמדד למכירות.
3. תשואה פוחתת. איפה כל ערוץ נמצא על עקומת הרוויה שלו: איפה השקל הבא עוד עובד, ואיפה הוא כבר מבוזבז.
4. הקצאה אופטימלית. בהינתן התקציב הקיים, איך לחלק אותו אחרת כדי לייצר יותר. זו השאלה עם הכסף הגדול: הזזת תקציב בין קווי מוצר, בלי שקל נוסף, יכולה להיות שווה יותר מכל שאלת מדיה אחרת.
5. אפקט מחיר ומבצעים. כמה רגישים הלקוחות שלכם למחיר, וכמה מהמבצעים באמת מייצרים מכירה חדשה. לפעמים התשובה כאן שווה יותר מכל שאלות המדיה יחד.

איך נראה פרויקט MMM אמיתי בישראל

אצלי התהליך בנוי מארבעה שערים. כל שער נסגר לפני שממשיכים הלאה.

1. שער הדאטה והטקסונומיה. מגדירים יחד מה ה-KPI (מכירות, לידים, פוליסות), אילו ערוצים נכנסים, ואיך מקבצים אותם. אתם מספקים קובץ שבועי אחד. עדיף שנתיים ומעלה של היסטוריה.
2. שיחת Priors. לפני שהמודל רץ, אנחנו מדברים על מה שאתם כבר יודעים או מאמינים: טווחי ROI סבירים, קמפיינים שעבדו, שינויים עסקיים. במידול בייסיאני הידע הזה נכנס למודל בצורה מסודרת ושקופה, במקום להישאר בגדר "תחושת בטן" שמתנגשת עם התוצאות אחר כך.
3. אישור מודל וולידציה. המודל נבחן על תחזית Out-of-sample: מסתירים ממנו תקופה, נותנים לו לנחש, ומשווים למציאות ולבנצ'מרק נאיבי. במודלים האחרונים שבניתי טעות התחזית (MAPE) הייתה בין 5% ל-13%. מודל שלא עובר את השער הזה לא ממשיך הלאה. איך יודעים שמודל אמין, מאמר נפרד.
4. הצגת ממצאים. לא דוח של 80 עמודים אלא תשובות לחמש השאלות שלמעלה, עם המלצות הקצאה. כל מספר מוצג עם רווח סמך של 90%. מערכת הדוחות שלי לא מסוגלת טכנית להציג Lift בלי הרווח שלו. ולכל מצגת מצורף בלוק "יושרה" שנוצר אוטומטית: אילו ערוצים מוזגו, איזו הוצאה לא מודלה, אילו מסקנות נשענות על Priors.

מרגע קבלת הדאטה: שבועיים עד מצגת. מה בדיוק צריך להכין: צ'קליסט הדאטה המלא.

ומה עושים עם זה? מהמודל להחלטה

מודל הוא לא המטרה. ההחלטות הן. שלוש החלטות שמודל טוב מזין ישירות:

1. תוכנית התקציב השנתית. במקום לגזור את השנה הבאה מהשנה שעברה פלוס-מינוס, גוזרים אותה מעקומות הרוויה: מזיזים תקציב מערוצים רוויים לערוצים עם מרווח, ומקבלים תרחישים כמותיים, כולל רווחי סמך, למה שכל הזזה שווה.
2. שיחת התקציב מול ההנהלה. נתון כמו "הבסיס גדל משנה לשנה" או "רגישות המחיר חלשה" משנה שיחה עם סמנכ"ל כספים באופן שאף דוח קליקים לא משנה. פתאום השיווק מדבר בשפה של המאזן.
3. סדר היום של הניסויים. המודל מסמן איפה אי-הוודאות הכי גדולה והכי יקרה. שם שווה להריץ את מבחן האינקרמנטליות הבא. המודל והניסויים מזינים זה את זה.

ועוד עיקרון אחד מהניסיון: התובנות הגדולות הן כמעט תמיד ברמת ההקצאה, לא ברמת התזמון. מניסיוני, שאלות ה-Burst מול Always-on שוות סדר גודל אחד פחות משאלות ההקצאה. תתמקדו בשאלות הגדולות.

מה MMM לא יודע לעשות, בכנות

מי שמוכר לכם MMM בלי לדבר על מגבלות מוכר לכם מצגת. אז הנה הן:

1. הוא צריך היסטוריה. שנתיים ומעלה של דאטה שבועי זה המצב הטוב. עסק בן חצי שנה, או עסק שלא שמר דאטה: אין ממה לבנות מודל. מה עושים עם תקציבים והיסטוריה קטנים, כאן.
2. הוא כלי אסטרטגי, לא טקטי. עם דיוק תחזית של 5-13% MAPE, המודל אמין למסקנות אסטרטגיות: כמה לטלוויזיה, כמה לדיגיטל, האם להעלות מחיר. הוא לא אמין להחלטות שבועיות ברמת הקמפיין הבודד. מי שמבטיח לכם אופטימיזציה יומית מ-MMM, תבקשו לראות את רווחי הסמך.
3. הוא מייצר אומדנים, לא אמת. כל מספר במודל הוא אומדן עם אי-ודאות. לכן כל מספר אצלי יוצא עם רווח סמך של 90%, ולכן חלק המדיה במכירות מדווח כטווח. מודל שמציג לכם ROI של 3.47 בלי רווח סמך הוא לא מדויק יותר. הוא רק כן פחות.
4. הוא תלוי בדאטה שנכנס. הוצאה שלא נרשמה, מבצע שלא תועד, שינוי מחיר שלא נכנס: המודל לא ינחש אותם. איכות הדאטה קובעת את תקרת האיכות של המודל.

ועדיין: בשוק שבו ה-Attribution רואה רק קליקים והסקרים לא מתחברים למכירות, MMM הוא הכלי היחיד שמסתכל על כל התמונה במספרים. איך הוא משתלב עם שאר שיטות המדידה כתבתי במאמר הזה, ועל ההבדל ממודלי Attribution כאן.