Marketing-Mix-Modellierung für die Verteilung des Werbebudgets und Bedarfsplanung
Drei Cases, die die Funktionierung der Marketing-Mix-Modellierung nachweisen werden.
Einem Marketer stehen viele Instrumente zur Verfügung, die das Werbebudget über die Medienkanäle zu verteilen helfen. Im Jahr 2020 betrug der Werbemarkt 508 Milliarden Dollar. Nach der Erfahrung von vielen Unternehmen wird ein Teil des Budgets auf der Grundlage der Erfahrung verteilt, was nicht sehr effektiv sein kann. Um dies zu verhindern, wird die Marketing-Mix- Modellierung eingesetzt. Aber noch im Jahr 2016 wurde im Internet über den Tod dieses Instrumentes geschrieben.
Zusammen mit Alexandra Gontscharowa, Data Science-Expertin von der IBA Group, analysieren wir, woran die Marketing-Mix-Modellierung beschuldigt wird und ob sie existenzberechtigt ist.
Inhaltsverzeichnis
Was bedeutet die Marketing-Mix-Modellierung?
Die Marketing-Mix-Modellierung (Mediamix Modellierung, Modellierung des Marketingkomplexes, oder МММ) ist mathematische Modelle, die helfen, die Auswirkungen vergangener Marketingaktivitäten auf Umsatz und Gewinn zu messen und die Auswirkungen künftiger Marketingaktivitäten auf Umsatz und Gewinn vorherzusagen.
Die Marketing-Mix-Modellierung verwendet summarische Daten, wie z. B. Verkaufsdaten oder Marketingbudgets innerhalb von mehreren Jahren, um die Effektivität traditioneller und digitaler Promotionskanäle zu beurteilen. Außerdem können die Marketer mittels der Marketing-Mix-Modellierung auch die Außenfaktoren der Einwirkung: Saisonalität, Trends, Aktivitäten von Wettbewerbern usw. zu berücksichtigen.
Die Marketing-Mix-Modellierung wurde bereits in den 1960er und 70er Jahren populär, als der Markt noch ziemlich einfach war: es gab nur einige Werbekanäle, es fehlte an gesammelten Informationen, die Technologien begannen sich gerade zu entwickeln. Zum Beispiel, als das Unternehmen Kraft die Gelatine-Desserts Jell-O auf den Markt brachte, so wählten seine Mitarbeiter für deren Promotion nur zwischen drei oder vier Fernsehkanälen und Zeitschriftenwerbung. Heutzutage betrachten die Unternehmen für die Bewerbung ihrer Produktion Dutzende von Fernsehkanälen, Rundfunkstationen, Print- und Außenwerbung, Internetwerbung, Blogs, PR-Aktionen, Sponsoring usw.
Wofür wird die Marketing-Mix-Modellierung kritisiert?
Heutzutage ist der Markt wettbewerbsintensiv geworden, es gibt viele Informationen und die Kunden reagieren fast nicht mehr auf die Werbung „Für alle“. Um einen Kunden zu gewinnen, wird eine detaillierte und vielseitige Analytik benötigt. Aus diesem Grund glauben viele, dass das МММ ihrer Aufgabe nicht nachkommt.
Drei Hauptvorwürfe dem МММ gegenüber:
- Die Marketing-Mix-Modellierung berücksichtigt nur eine kurzfristige Wirkung der Werbung.
- Die Marketing-Mix-Modellierung wertet die Bedeutung der Werbemitteilung oder ihrer Kreationen nicht aus.
- Die Marketing-Mix-Modellierung kann oft die Auswirkung vom gleichzeitigen Start von mehreren Medienkanälen nicht messen.
Warum funktioniert noch immer die Marketing-Mix-Modellierung?
Trotz der Kritik funktioniert die МММ. Auf dem Markt existieren mehrere Lösungen der Marketing-Mix Modellierung, zum Beispiel, vom Unternehmen Nielsen oder Coffee-analytics.
Zur richtigen Antwort der Marketing-Mix-Modellierung auf gestellte Fragen werden zwei Sachen gebraucht:
- Historische Angaben. Je mehr Informationen gibt es für eine Analyse, desto genaueres Ergebnis kann die MMM bilden, wo sowohl die Außenfaktoren als auch eine langfristige Wirkung von Aktivitäten berücksichtigt wird. Zum Beispiel, wenn die МММ-Modelle keine Informationen über die Außenwerbung hatten, kann sie den Zustrom von Kunden beim steigenden Kosten für die Außenwerbung nicht vorhersagen.
- Richtig ausgewählte Modelle. Data Science bietet viele mathematische Modelle an, zum Beispiel, neuronale Netze, Busting Algorithmen oder baumbasierte Algorithmen usw. Zum Beispiel, für optimale Budgetverteilung durch Medienkanäle, Feststellung derer Faktoren und des Überlagerungseffekts passt das Modell, das schnell in die Instrumente zu integrieren ist, auch bei nicht vielen Daten funktioniert und die Ergebnisse leicht verständlich sind.
baselinet – Bewertung des KPI Bezugswertes unter Bedingungen leichter Schwankungen der Massenmedienaktivität;
Меdiai,t – Medienaktivität (Zielgruppe, Budget);
ßi, Υi– Parameter der Antwortfunktion;
есоnj,t – wirtschaftliche Faktoren;
аj – Parameter wirtschaftlicher Faktoren;
Ɛt – freier Modellkoeffizient;
АdStock (хt, ʎi) – adStock Funktion, die autoregressive Prozesse modelliert (Prozesse, die den „Zerfall“-Effekt beinhalten), wo ʎi, ist ein Zerfallsparameter
Modell mit Rücksicht auf verschiedene Medienkanäle und zusätzliche Faktoren
Die kreative Werbekomponente wird auf andere Weise beurteilt, zum Beispiel, mittels A/B Testing.
Alexandra Gontscharowa teilte einige Projekte über die МММ mit, die sie zusammen mit ihrem Team in den letzten paar Jahren durchgeführt hat.
Beispiel der Marketing-Mix-Modellierung für ein Marketingunternehmen: „Halo-Effekt“ und Rechner für optimale Budgetzuordnung
Das Unternehmen wollte verstehen, ob das Werbebudget für Medikamente richtig ausgegeben wird, und eine effektive Werbestrategie entwickeln.
Das Data Science-Team von Alexandra zusammen mit den Experten des Auftraggebers hat die Werbeausgaben in verschiedenen Kanälen analysiert: Massenmedien, TV und Rundfunk, Außenbewerbung und Internetkampagnen. Sie hatten Angaben für letzte fünf Jahre. Dies half den Einfluss der Wirtschaftsfaktoren und Saisonalität im Prognosemodell zu berücksichtigen
Das Modell zeigte, dass die Außenbewerbung das erwünschte Ergebnis nicht bringt und es muss vorsichtiger behandelt werden.
Eine interessante Tatsache: Die Werbung für ein Medikament steigert nicht den Absatz anderer Medikamente dieses Herstellers. Das Fehlen eines solchen Effekts, der auch als “Halo-Effekt” bezeichnet wird, ist in dieser Situation verständlich – wir erinnern uns oft an den Namen der Medikamente und nicht an den Hersteller.
Die Marketer erhielten auch ein Info-Panel, das hilft den Umsatz und die Werbung in verschiedenen Kanälen zu vergleichen, sowie einen Rechner für die optimale Verteilung des Budgets für den gewünschten Zeitraum. Dies half die Beträge zu bestimmen, über die hinaus es keinen Sinn hat, in Werbung zu investieren: neue Kunden werden keinen Gewinn bringen.
Die Marketing-Mix-Modellierung für die Bierbrauerei „Lidskoe pivo“: Vertriebsvolumen und optimale Rabatte
Die Bierbrauerei „Lidskoe pivo” wollte die Qualität des maschinellen Lernens im Bereich „Vertriebsprognose“ analysieren. Dazu wurden die Angaben ausgewählt, die Informationen über Dauer- und Aktionsrabatte ohne Berücksichtigung von Marketingaktivitäten enthalten. Aus allen bereitgestellten Informationen wurden Angaben für eine Warengruppe ausgewählt, um den Effekt der Kannibalisierung zu beurteilen. Die IBA Group realisierte ein Pilotprojekt mit Einsatz der Marketing-Mix-Modellierung und der Data Science Technologien. Das Projekt wurde in mehreren Stufen umgesetzt.
- Datenvorbereitung. Der Kunde stellte die Daten mit Angabe der Tiefe des Dauer- und Aktionrabatts (d.h. die Höhe der Preissenkung bei jedem Preispunkt) bereit, die nach Partnern und SKUs, Dauer- und Aktionsverkäufen strukturiert waren. Aus den bereitgestellten Daten ergab sich ein bearbeitungsfähiges Format. Zusätzliche Faktoren wurden gesammelt und analysiert.
- Aufbau eines ökonometrischen Modells. Es wurde eine Zerlegung von Indikatoren durch die Bestimmung der Saisonalität und des Einflusses von zusätzlichen Faktoren die Auswirkungen der Verzögerungen und Abschwächungen bei Rabatten sowie die Auswirkung der Kannibalisierung innerhalb einer Warengruppe bewertet.
- Aufbau des Prognosemodells, das den Vertriebsvolumen basierend auf dem bereitgestellten Datenvolumen bewertet.
Im Ergebnis wurden die Faktoren beschrieben, die das Vertriebsvolumen beeinflussen, einschließlich des Verkaufs ähnlicher Waren in einer anderen Menge und Verpackung; ein Modell wurde erstellt, das die Auswirkungen jedes dieser Faktoren zeigt; die Prognosewerte des Vertriebsvolumens für das Vierteljahr für einzelne Produkte und für die Kategorie insgesamt geschätzt. Die Abweichung von der Tatsache der Prognosewerte des Modells für Vertriebsvolumen hat +/-3% nicht überschritten. Und für einzelne Produkte war der erhaltene Wert doppelt so hoch wie der vom Kunden erwartete Wert.
Beispiel der Marketing-Mix-Modellierung für den Telecom-Anbieter: optimale Budgetverteilung und Faktoren der Medienkanäle
Die Marketer des Telecom-Anbieters mussten möglichst viele Menschen an die Verkaufsstellen locken. Das Budget für die Promotion ist vorgegeben und muss richtig auf die Kanäle verteilt werden. Das Unternehmen verfügt über die Daten für die letzten drei Jahre: Werbebudget pro Wochen, Zusammenfassungen nach den Kanälen und die Anzahl der gewonnenen Kunden.
Für die Aufgabenlösung wurde das Modell entwickelt, das KPI Bezugswert, Medienaktivität und wirtschaftliche Faktoren, falls vorhanden, berücksichtigt. Der Einflusskoeffizient jedes Medienkanals, der Wert des konstanten Faktors, die Verzögerungs- und Schwächungskoeffizienten wurden bestimmt und der Einfluss der Medienkanäle wurde bewertet.
In Ergebnis wurden durch die neue Methodik dreimal so viele Kunden angelockt.
Sie half bei der Bestimmung der Faktoren jedes Medienkanals und seiner Effektivität. Die Internet-Werbung ist beispielsweise effektiv, funktioniert ohne Verzögerung und ohne Schwächung. Gleichzeitig ist die TV-Werbung mit einer langen Schwächungszeit und einer anfänglichen Wirkungsverzögerung wirksam.
Der Rechner für ein optimales Budget wurde entwickelt. Man muss nur die erforderliche Summe eingeben und der Rechner schlagt vor, wie viel es in die Internet-Werbung oder Fernsehwerbung zu investieren ist. Jetzt kann man auch ROAS (return on ad spend) auswerten: wie viel Einkommen jeder investierte Dollar bringt.