Marketing Mix Modeling nieuwe stijl: effectiever door meer data en ‘machine learning’

Het naderende einde van third-party cookies betekent minder persoonsgerelateerde data en versnipperde klantreizen. We zien een steeds kleiner deel van de werkelijkheid en dat maakt attributie-analyse ingewikkeld. De oplossing ligt in Marketing Mix Modeling nieuwe stijl: meer data en ‘machine learning’ inzetten.

Een veelgemaakte denkfout is: als mijn privacy als online consument beter is beschermd, dan krijg ik ook minder advertenties te zien. Het effect van meer privacy is echter meer ongerichte advertenties, niet minder advertenties. Persoonlijk zie ik liever advertenties die raken aan iets wat ik interessant vind. Als wielrenner zie ik liever een advertentie die een link met wielrennen heeft dan met voetbal. De afwezigheid van third-party cookies betekent niet dat niet meer te meten valt hoeveel de investering in marketing oplevert. Maar het is wel nodig het effect anders te meten.

Marketing Mix Modeling

De marketinghamvraag is dan ook: hoe verdeel je het marketingbudget over de verschillende kanalen, uitingen, doelgroepen en regio’s en hoe kom je erachter wat en in welke verhouding het beste werkt? De al tientallen jaren bestaande benadering van Marketing Mix Modeling (MMM) brengt alle beschikbare data samen en geeft inzicht in de invloed van marketing op sales, winkelbezoek of andere KPI’s. Het is een krachtige en bewezen methode die niet alleen zorgt voor inzichten achteraf, maar ook voorspellingen kan doen over het effect van toekomstige keuzes. Het nadeel van de methode was voorheen dat het om een traag, duur en gecompliceerd proces ging, dat de inzet van specialisten vroeg. Driemaandelijkse analyses van je marketingmix zijn immers niet handig als je op weekbasis bij wilt sturen.

MMM biedt op basis van statistische regressie een eenduidig inzicht in wat alle kanalen hebben gedaan, afgezet tegen het bestede budget en de gerealiseerde verkopen. Het maakt op die manier de effectiviteit van media-inzet inzichtelijk. MMM is recentelijk in een stroomversnelling geraakt door de kracht van machine learning in combinatie met rekenkracht en de beschikbaarheid van data. Dat maakt dat analyses sneller gemaakt kunnen worden en campagnes op een hoog detailniveau automatisch geanalyseerd kunnen worden. Dat maakt MMM een moderne en toekomstbestendige tool voor marketeers om de media- en marketingplanning te verbeteren, in een tijd dat er steeds minder persoonsgebonden data beschikbaar is.

Geen ‘plug & play’

Met de huidige kennis en informatie zijn MMM-modellen te bouwen die snel uitgevoerd kunnen worden op basis van de complete historische marketingdata, verkoopresultaten en informatie over externe factoren (als weersomstandigheden en seizoensinvloeden, marktomstandigheden en de concurrentiesituatie). Bij ons model wordt een deel van de analyses automatisch uitgevoerd met gebruik van data die direct van Google of Facebook afkomstig zijn en geen handmatige bewerking vragen.

Er bestaan echter geen goede plug-&-play-oplossingen: het is noodzakelijk dat een analist een model bouwt en verifieert, specifiek op maat voor iedere adverteerder. Dat valt een computer bijna niet aan te leren. Als een model niet correct of niet compleet is zou een analyse bijvoorbeeld tot de conclusie kunnen leiden dat TV-reclame een negatief effect op de verkoop heeft. Daar blijft een specialist voor nodig.

Het model kijkt niet naar data op persoonsniveau of naar de paden die individuele personen hebben afgelegd. MMM gebruikt historische data op dag- of weekniveau en registreert hoeveel media-inzet er in alle kanalen is geweest, kijkt naar de externe factoren die speelden en naar welke resultaten die dag of week zijn geboekt, in verkopen of anderszins. De supermarktketen Coop in Scandinavië verdiende de investering die ze in het MMM-model deden binnen twee jaar tijd 17 keer terug. We gaan er gemiddeld van uit dat een adverteerder minimaal 5% meer rendement op de marketingeuro’s kan realiseren. Meestal is het hoger, maar 5% lijkt uit ervaring het minimum te zijn.

TV-reclame

Over de gehele linie zien we dat er heel veel geld naar TV-reclame gaat, soms wel 70% van het beschikbare budget. De rest wordt over de resterende kanalen verdeeld. Vaak komt er dan uit de analyse naar voren: ‘Je geeft te veel geld uit aan TV’. De aanwijzing is dan dat je dat beter moet verdelen, omdat je anders op TV continu dezelfde mensen bereikt. Via andere kanalen kun je een diverser publiek bereiken en je verkoop vergroten.

Het model levert op allerlei niveaus inzichten op. Je ziet hoeveel Facebook heeft bijgedragen aan de sales, maar ook wat een specifieke campagne heeft gedaan. Die informatie kun je gebruiken voor toekomstige campagnes en keuzes. Vraag je je af of in het komende kwartaal meer televisiebudget naar SEA moet? Of wil je zwaarder inzetten op radiospotjes? Het model laat vooraf zien wat de effecten van deze beslissingen zouden zijn.

In plaats van je onderbuikgevoel heb je een datagedreven aanpak voor je media- en marketingplanning. Behalve betere marketingresultaten levert het systeem ook een uniforme werkwijze op voor iedereen in het marketingdomein en dat biedt voordelen. Grote klanten in meerdere landen kunnen op dezelfde manier hun mediaplanning doen, lessen en successen in het ene land kunnen immers ook in andere landen werken.

Rommel erin = rommel eruit

De crux zit hem in de kwaliteit van de data, want ook hier geldt: garbage in is garbage out. De data van de afgelopen twee jaar gebruiken we als basis voor de analyses en die moet op orde zijn. Bij sommige adverteerders zit daar de grote uitdaging. We gebruiken het liefst data op dagniveau, zo granulair of specifiek als maar mogelijk is. Wat is er per dag aan Facebook uitgegeven en hoeveel interesse is er geweest, uitgesplitst per campagne, ad group of placement? Binnen Google is dat op keyword-niveau. Het model is een middel om het maximale uit de markt te halen qua sales, zonder dat je er meer geld instopt dan je ervoor terugkrijgt. Dat is het spel. Het gaat om het realiseren van de optimale mix, de samenstelling van je pakket van uitingen en gekozen kanalen in combinatie met de uitgaves.

Over de auteur: Marijke Wiersma is Head of analytics bij Annalect Nederland.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social: LinkedIn, Twitter en Facebook.