Als je als online marketeer wilt weten hoe effectief je online campagnes zijn, kun je verschillende analyse technieken inzetten om op die vraag een antwoord te krijgen. In een eerdere blog heb ik beschreven waarom je als online marketeer zou willen weten wat het effect van je online campagnes is en dat je attributie, media mix modeling en experimenten kan gebruiken om daar inzicht in te krijgen. In deze blog bespreek ik in meer detail wat media mix modeling precies is, wanneer je het kan inzetten en wat de voor- en nadelen zijn.
Wat is media mix modeling eigenlijk?
Anders dan bij attributie kijken we bij media mix modeling (ook wel marketing mix modeling genoemd) niet naar welke kanalen mensen gebruiken om op je website te komen maar naar hoeveel geld we in een kanaal stoppen en hoeveel omzet dit uiteindelijk oplevert. Hierbij attribueren we dus niet elke losse aankoop, maar kijken we of er een trend is tussen uitgaven per media kanaal en het aantal verkopen. Het voordeel hiervan is dat je niet hoeft te meten welke kanalen iemand heeft bezocht voor hij/zij een aankoop doet, wat technisch soms een uitdaging kan zijn.
Maar hoe kun je dan een trend vinden tussen de media uitgaven en het aantal verkopen? Daarvoor kijk je of er in de afgelopen 1-3 jaar een relatie te vinden is in hoeveel campagne uitgaven er zijn gedaan voor een kanaal en hoeveel omzet er is gemaakt. Voor deze analyse kijken we dus naar historische data van sales en uitgaven maar ook naar andere factoren zoals bijvoorbeeld kortingsacties die hebben plaatsgevonden.
Aan de hand van de data van de afgelopen jaren kan het algoritme de relatie tussen de uitgaven van een bepaald kanaal en de sales vinden. Zie je bijvoorbeeld op momenten dat je campagnes draait ook de omzet stijgen, en als je de campagnes uitzet, daalt dan het aantal verkopen? Dan is er waarschijnlijk een relatie tussen je campagnes en de hoeveelheid sales. Hoe sterker deze relatie is hoe effectiever een kanaal is in het genereren van omzet.
Bij Merkle Amsterdam hebben we een media mix model gemaakt welke eenvoudig te implementeren is. Dit model zoekt naar het effect van ieder kanaal en houdt daarbij rekening met allerlei factoren zoals hoeveel geld er is uitgegeven aan andere kanalen, of er een seizoenseffect is (kopen mensen juist meer in de zomer of in de winter?) en of kortingsacties nog van invloed zijn.
Als het model de relaties tussen de kanaal uitgaven en de sales heeft gevonden kunnen we niet alleen het effect van ieder kanaal in kaart brengen maar ook kan het model een voorspelling maken over hoeveel verkoop we denken te generen bij een bepaalde media uitgaven mix. Stel je verschuift een deel van het budget van je social campagnes naar display, levert dat dan meer omzet op? Door verschillende mixes in het model te stoppen kun je spelen met je budget en de meest optimale verdeling zoeken.
Adstock
Als je vandaag 1000 euro uitgeeft aan advertisement, dan betekent dat niet dat je ook vandaag meteen meer gaat verkopen. Er zit dus een vertraagd effect in. Dit effect noemen we adstock en wordt door het model gebruikt om een betere schatting te maken van het effect van een een kanaal op de verkoop.
Kanaal effect
Naast het model een voorspelling voor de toekomst te laten maken kun je ook zelf kijken hoe groot het effect van ieder kanaal is op de sales. Het model geeft namelijk per kanaal terug wat diens invloed was. Zo krijg je een mooi overzicht en gevoel voor het effect van je marketing. Heb je kanalen waarbij campagnes verschillende fases hebben, zoals een ‘See’, ‘Tell’ of ‘Do’ fase, dan kun je ook het effect daarvan in kaart brengen.
Online en offline sales
Omdat alle kanalen hierin meegenomen kunnen worden (ook offline kanalen zoals TV en Radio) kun je dus een goed beeld krijgen van de totale media mix, en welke invloed dit heeft, niet alleen alleen op online sales maar ook op offline sales in de winkel. Het voordeel daarvan is dat we dit model kunnen gebruiken om een voorspelling te doen over hoeveel online en offline verkoop we denken te generen bij een bepaalde media uitgaven mix.
Data gedreven je budget bepalen
Met media mix modeling kun je dus gaan spelen met je budget verdeling en de meest optimale verdeling zoeken. Hiermee ben je dus echt data gedreven aan het werk en niet afhankelijk van persoonlijke opinies! Het voordeel voor onze klanten is ook dat veel van de data (die van de online campagne uitgaven) vaak bij ons al bekend is en je daar als klant dus niets meer voor hoeft te doen. Wanneer de overige data beschikbaar is kunnen wij automatisch en geregeld een voorspelling van de te verwachte verkoop aantallen maken.
Voor- en nadelen
Media mix modeling heeft een aantal voor- en nadelen. Hier geven we een kort overzicht van de belangrijkste.
Wanneer zet je media mix modeling in?
Je kunt media mix modeling inzetten als je het effect van online en offline reclame in kaart wilt brengen en als je een data gedreven voorspelling wilt maken van de meest ideale mediabudget verdeling.
Meer vragen?
Heb je nog meer vragen? Neem dan contact op met Kevin Laan (Lead Data, Technology and Optimization) of schrijf je in voor de Merkle Data Update nieuwsbrief:
Geschreven door:
