Bagaimana menghindari kesalahan pemodelan bauran pemasaran yang menggagalkan hasil

Pemodelan bauran pemasaran (MMM) mempunyai momen dalam pengukuran pemasaran.

Karena peraturan privasi membatasi pelacakan tingkat pengguna, pemasar beralih ke peraturan tersebut untuk pengukuran lintas saluran yang andal. (Kami menyukainya di agensi saya – analisis MMM sering kali menghasilkan alokasi anggaran yang lebih cerdas dengan dampak hilir yang signifikan.)

Namun seiring dengan berkembangnya adopsi, kesalahan eksekusi dan kesalahpahaman tentang apa yang bisa dan tidak bisa dilakukan MMM juga meningkat.

Meskipun mempunyai potensi strategis, hal ini sering disalahgunakan, disalahtafsirkan, atau dijual secara berlebihan – yang menyebabkan kesalahan yang merugikan dan hilangnya kredibilitas karena ekspektasi yang tidak realistis.

MMM bukanlah kotak hitam. Untuk menghasilkan wawasan yang bermakna, diperlukan konteks, strategi, iterasi, dan data yang kuat.

Konteks sangatlah penting. Tanpanya, MMM menjadi apa yang saya sebut sebagai ruang gema matematis – tidak ada masukan eksternal dan sedikit koneksi dengan kenyataan.

Artikel ini menguraikan cara mendekati MMM dengan benar, menghindari kesalahan umum, dan mengubah analisis Anda menjadi nilai bisnis nyata.

Kesalahan eksekusi

Seringkali, tim terpaku pada teknik pemodelan dan mengabaikan sistem yang lebih luas – kualitas data, asumsi, dan konteks pemangku kepentingan.

Ada banyak kemungkinan kesalahan, namun yang paling sering saya lihat adalah:

• Menggunakan data pembelanjaan dan kinerja yang tidak konsisten, tidak lengkap, atau tidak divalidasi.
• Mengasumsikan respons langsung atau linier terhadap belanja media, yang terlalu menyederhanakan kenyataan.
• Menafsirkan hubungan statistik sebagai bukti dampak tanpa eksperimen.
• Menggunakan MMM untuk pengambilan keputusan kampanye harian meskipun desainnya strategis dan granularitasnya lambat.
• Membangun model yang terlalu dioptimalkan dalam sampel tetapi gagal di dunia nyata.

Jika Anda melakukan salah satu dari hal ini, upaya MMM Anda akan kacau dan tidak efektif, dan Anda tidak akan mendapatkan banyak dukungan untuk inisiatif ini di masa mendatang.

Harapan yang salah vs. kenyataan

Ketika dijalankan dengan benar, MMM dapat menawarkan wawasan yang sangat berharga, namun hanya dalam kasus penggunaan yang sesuai.

Dengan pemodelan dan masukan yang baik, Anda dapat:

• Alokasi ulang anggaran berdasarkan ROI marjinal dan saturasi.
• Perkiraan dampak penjualan dari berbagai skenario anggaran.
• Tetapkan batas pengeluaran untuk menghindari berkurangnya keuntungan.
• Tunjukkan kontribusi jangka panjang dari saluran merek versus kinerja.
• Lacak efektivitas media dari waktu ke waktu dan dukung penyelarasan lintas fungsi.

Apa yang tidak dapat Anda harapkan dari MMM:

• Optimalkan keputusan pembelian media harian.
• Atribut di tingkat pengguna atau materi iklan.
• Gantikan tes angkat atau eksperimen (yang merupakan pelengkap penting untuk MMM).

Dengan kata lain, perlakukan MMM sebagai GPS strategis yang memerlukan masukan lain agar dapat berfungsi dengan baik, bukan sebagai alat navigasi taktis belokan demi belokan.

Kesalahan membaca keluaran

Anda dapat memberikan keluaran MMM yang sama kepada tiga pemasar, dan mereka mungkin memiliki tiga interpretasi yang sangat berbeda tentang apa artinya dan apa yang harus dilakukan selanjutnya.

Kami memiliki diagram praktis tentang cara orang salah membaca data (dan cara memperbaiki kesalahan tersebut):

Salah tafsir yang ingin saya bahas sedikit di sini adalah dinamika korelasi/sebab akibat.

Pemasar perlu memahami bahwa MMM pada dasarnya adalah analisis korelasi mewah yang perlu dilengkapi dengan pengujian inkrementalitas, seperti pengujian geolift, untuk menentukan sebab akibat.

Gali lebih dalam: Mengapa inkrementalitas adalah satu-satunya metrik yang membuktikan dampak pemasaran yang nyata

---

Apa yang Anda perlukan untuk analisis MMM yang efektif

MMM memang melibatkan coding, tapi lebih dari itu.

Ini adalah disiplin lintas fungsi yang melibatkan ilmu data, pemasaran, keuangan, dan strategi.

Untuk melakukannya dengan benar, Anda perlu:

1. Data yang bersih dan memanjang

Satu catatan sebelum saya mendalami elemen data yang Anda perlukan untuk menjalankan MMM: kepadatan data sangat penting.

Untuk bisnis yang tidak memiliki banyak peristiwa yang menghasilkan pendapatan (bayangkan platform SaaS besar atau dealer mobil yang beriklan secara online), gunakan metrik proksi strategis yang terjadi di awal perjalanan pembelian dan berikan prediktor kuat terhadap perolehan pendapatan.

Oleh karena itu, berikut data yang dibutuhkan (atau direkomendasikan) untuk model Anda:

• Data mingguan selama 2–3 tahun.
• Pembelanjaan media berdasarkan saluran dan kampanye. (Wilayah direkomendasikan.)
• Variabel kontrol (semua direkomendasikan): Promo, harga, dan pesaing.
  • Catatan: musiman dimasukkan ke dalam model Meta’s Robyn, salah satu opsi MMM favorit saya.

2. Teknik pemodelan tingkat lanjut

• Adstock/lag berfungsi untuk mencerminkan dampak tertunda.
• Model saturasi (misalnya kurva Hill) untuk hasil yang semakin berkurang.
• Regularisasi atau Bayesian prior untuk menstabilkan perkiraan.

3. Validasi dan iterasi

Menjalankan analisis MMM sekali dan mengambil hasilnya begitu saja tidak akan pernah memberi Anda wawasan terbaik.

Jika Anda serius untuk mengadopsi MMM, bersiaplah untuk menyertakan hal berikut dalam proses Anda:

• Validasi silang, uji ketidaksepakatan, eksperimen geo-lift.
• Penjadwalan ulang secara berkala (triwulanan atau dua kali setahun) agar tetap selaras dengan pasar.
• Penggabungan alat lain (misalnya, MTA, pengujian A/B) untuk mendapatkan gambaran lengkap.

Gali lebih dalam: MTA vs. MMM: Model atribusi pemasaran mana yang tepat untuk Anda?

Saya sangat merekomendasikan menjalankan analisis lebih dari sekali dan menggunakan metode/platform yang berbeda untuk mengidentifikasi persamaan dan perbedaan.

Dalam perbandingan visual keluaran Robyn dan Meridian dari analisis klien baru-baru ini, kedua model mengaitkan pengaruh serupa di sebagian besar saluran – sebuah pertanda baik yang membantu memvalidasi model tersebut.

Namun ada kekurangannya: untuk saluran 0, Meridian menunjukkan pengaruh organik yang jauh lebih tinggi dan sedikit peningkatan dalam pembayaran.

Hal ini menunjukkan bahwa kita memerlukan pengujian tambahan sebelum beralih ke item tindakan.

4. Keterlibatan pemangku kepentingan

Bahkan dengan analisis MMM tingkat atas, cara Anda mengomunikasikan temuan – dan apa yang dimungkinkan oleh temuan tersebut – sangat penting untuk mendapatkan dukungan dari klien atau manajemen.

Sebelum memulai, selaraskan dengan pemangku kepentingan mengenai KPI, definisi ROI, dan asumsi model untuk mencegah kejutan atau kesalahpahaman di kemudian hari.

Saat Anda membagikan hasil, sertakan rentang ketidakpastian dan item tindakan yang jelas yang mengalir langsung dari data Anda.

Jika Anda tidak dapat menjawab pertanyaan “Terus kenapa?” pertanyaan, Anda belum siap untuk mempresentasikan temuan Anda.

MMM yang lebih baik menjadi keunggulan kompetitif

Secara keseluruhan, peralihan dari pelacakan berbasis pengguna merupakan hal yang sehat bagi industri pemasaran.

Inisiatif seperti pengujian inkrementalitas dan MMM akhirnya menjadi bagian inti dari analisis kampanye.

Ketika platform-platform besar menyeimbangkan persaingan pengoptimalan dengan otomatisasi, menjalankan analisis ini dengan lebih efektif dibandingkan pesaing Anda adalah salah satu cara untuk mendorong pertumbuhan yang berbeda.

Gali lebih dalam: Cara mengembangkan strategi pengukuran PPC Anda untuk masa depan yang mengutamakan privasi