Co v článku najdete
Analytická metoda MMM už není jen akademickou disciplínou zavřenou v notebooku datového experta. Díky open-source nástrojům se z ní stává běžná součást plánování rozpočtů ve středních firmách a e-shopech. Spolehlivé výsledky se však dál neobejdou bez čistých dat, promyšleného postupu a hlavně lidských zkušeností z praxe. Jak tedy modelovat marketingový mix v době, kdy otěže přebírá umělá inteligence?
Volně dostupné nástroje přepsaly pravidla MMM
Open-source revoluce v oblasti MMM je realitou a zavádění modelování marketingového mixu ve firmách nabírá na obrátkách. Téměř polovina (46,9 %) amerických marketérů plánuje v příštím roce investovat do MMM více prostředků a označuje ho za vůbec nejspolehlivější metodiku měření (27,6 %).
Celou škálu analytických přístupů dnes pokrývají tři volně dostupné knihovny na špičkové úrovni:
- Robyn (Meta, R): Automatizované hledání hyperparametrů pomocí algoritmu Nevergrad, výběr modelu na základě Paretova optima a vestavěné grafy pro dekompozici i křivku odezvy. Jde o nejdostupnější vstupní bránu nabízející ohromnou míru přizpůsobení.
- Meridian (Google, Python/TensorFlow): Bayesovská statistika s historicky podloženými daty na úrovni regionů a přesným vyčíslením míry nejistoty. Jedná se o přesnější řešení vyžadující ovšem delší čas na zácvik.
- PyMC-Marketing (PyMC Labs, Python): Nejpružnější varianta nabízející plně pravděpodobnostní model, který se nejvíce blíží akademickému Bayesovskému MMM. Zároveň si ale žádá největší statistickou zdatnost.
Tato generace nástrojů smetla ze stolu astronomické částky za konzultace (dříve běžně v řádu jednotek až desítek milionů korun), které dřív představovaly jedinou cestu k MMM. Vlastní model si dnes dokáže sám spustit jakýkoliv marketingový tým, když ovládá programovací jazyk Python nebo R a má k dispozici relativně čistá historická data.
Při každé debatě o MMM je ale potřeba důrazně vysvětlit jednu zásadní věc: Nástroj zdarma neznamená model zdarma. Software vás sice nic nestojí, ale odborné znalosti z oboru potřebné k jeho správnému nastavení, tedy naprosto klíčová část celého procesu, ty už zdarma nejsou.
Přecpaný trh s nástroji a jeho mocenská dynamika
SaaS vrstva postavená na open-source MMM se rychle rozrostla, proto je potřeba rozlišovat několik úrovní.
Dodavatelé zaměření na datovou vrstvu
Platformy jako Rockerbox a Northbeam začínaly jako nástroje pro atribuci a sběr dat, ke kterým až později přidaly MMM. Jejich výhodou jsou datové integrace a rychlost nasazení, méně už hloubka modelování nebo míra přizpůsobení.
Dodavatelé zaměření na měření
Platformy jako Measured, Analytic Partners, Ekimetrics a Nielsen Gracenote nabízejí přesnější modely za vyšší cenu, disponující funkcemi pro velké korporace.
Open-source od Google (Meridian)
To, že Google volně zpřístupnil Meridian, byl od něj sice štědrý, ale zároveň velmi chytrý strategický krok. Jakmile uzavřený reklamní ekosystém sám financuje a ladí metodiku měření, podle které se hodnotí výkonnost jeho vlastních kanálů, měli byste si zachovat zdravou míru skepse ohledně výchozích předpokladů a nastavených parametrů, a to i při zcela transparentním kódu.
Praktická otázka při výběru dodavatele zní: Kdo skutečně vlastní naši datovou vrstvu a nevzniká tím konflikt přímo v samotném modelu?
MMM tiše likviduje nedostatečný přístup k datům
Toto je nejvíce nedoceněná brzda celého modelování marketingového mixu a málokdy se jí dostává pozornosti, kterou si zaslouží.
Správně nastavený proces MMM potřebuje:
- Dva až tři roky týdenních dat jako základ, to znamená dostatečné množství k zachycení alespoň dvou celých sezónních cyklů a smysluplného rozsahu pravidelného kolísání výdajů.
- Konzistentní a detailní rozklad výdajů podle kanálů. Nestačí všechno shrnout pod online. Vyhledávání, sociální sítě, displej (bannery) a video musí být rozdělené.
- Offline kanály (TV, venkovní reklama, rádio, akce, tištěné rozesílky), které obvykle fungují v různých systémech, vlastní je různé týmy a často používají nesourodé časové úseky.
- Vnější vlivy a proměnné, tedy makroekonomické ukazatele, aktivitu konkurence, cenové údaje i kalendář uvádění produktů na trh.
V odvětví B2B jsou podmínky ještě náročnější, protože delší prodejní cykly a nižší objemy konverzí šroubují požadavky na data ještě výš. Často tak potřebujete mít historii ještě podstatně delší.
Problém je v tom, že v praxi většinu MMM projektů zablokuje hned úvodní šestitýdenní datová "archeologie", která samotné tvorbě modelu předchází. Během ní běháte po firmě, obcházíte jednotlivá oddělení (finance, brand, digitální agenturu) a doslova vykopáváte stará data z jednotlivých systémů, nefunkčních přehledů a zapomenutých složek, abyste nakonec objevili tabulku, kterou kdosi nějakým způsobem vytvořil v roce 2021, a je jediným vaším záznamem o slevových akcích.
Výsledný model je jen tak dobrý, jak dobré je vytěžení historických dat, které mu předchází. Jenže to vám na prezentaci žádný dodavatel neřekne.
Bez práce koláče nebudou
Asistenti pohánění umělou inteligencí výrazně usnadnili psaní kódu a dokážou připravit kostru pro spuštění Robynu, vygenerovat konfiguraci pro Meridian nebo pomoci s laděním modelu PyMC. Co ale zatím nesvedou, je orientace v odborných rozhodnutích, na kterých stojí celá důvěryhodnost MMM.
- Výběr správného řešení na Paretově hranici ze stovek možných variant (vyvažování kompromisů mezi chybovostí NRMSE a odchylkou DECOMP.RSSD).
- Posouzení, zda optimalizátor Nevergradu smysluplně dosáhl cílů, nebo se zasekl ve slepé uličce (lokálním minimu).
- Nastavení parametrů pro dojezd a vyprchávání reklamy (Weibullův tvar/měřítko, geometrický rozpad) tak, aby odpovídaly reálnému chování daného kanálu.
- Diagnostika přisuzování nereálného přínosu kanálu a rozhodnutí, jestli je potřeba to vyřešit úpravou výchozích předpokladů, očistou dat nebo úplným vyřazením proměnné.
To znamená, že když vývoj MMM bezhlavě nakódujete pomocí AI, tak sice získáte model, který navenek vypadá funkčně, ale uvnitř bude plný skrytých a netušených chyb. Ta složitá část není psaní skriptů. Skutečné know-how spočívá v důkladném ověření všech výstupů včetně spouštění samostatných testů reálného přínosu jednotlivých kanálů, podle kterých se celý MMM model kalibruje.
Bez lidského úsudku se neobejdete
Přestože umělá inteligence dozraje do bodu, kdy dokáže sama spustit funkční výchozí modelování marketingového mixu, nemůže nahradit lidský přínos v podobě reálného kontextu vašeho byznysu, tedy věcí, které žádný AI model pouze z dat nevyčte.
- Reklamní prostor a dojezd: Nákup televizní reklamy má čtyřtýdenní dojezd. Placené vyhledávání funguje v horizontu tří dnů. Doznívání brandové kampaně trvá měsíce. Tato informace není v datech, ale v hlavách specialistů na jednotlivé kanály.
- Tvar křivky nasycení: Dobrá znalost daného kanálu vám často napoví, že se blížíte k bodu klesajících výnosů dřív, než vám to řekne samotný model. Stejně tak vám pomůže zpochybnit výsledky, pokud model tvrdí opak.
- Mantinely a řešení anomálií: Výkyvy typu covidových propadů, uvádění nových produktů, úpravy cen nebo makroekonomických otřesů je nutné zadat do modelu ručně nebo je alespoň označit za strukturální zlomy. Umělá inteligence neví, že jste ve 3. čtvrtletí 2022 řešili cenovou krizi.
- Selský rozum při interpretaci: Jestliže model přisoudí televizní reklamě 40% podíl na výnosu, i když do ní vkládáte jen 2 % celkového rozpočtu, intuice vám okamžitě napoví, že je to nesmysl a signál k prověření. Takový profesionální cit pro věc se nedá spočítat, získáte jej jedině praxí.
- Překlad pro vedení firmy: I ten technicky nejpreciznější marketingový model je bezcenný, pokud nedokážete šéfovi nebo finančnímu řediteli srozumitelně vysvětlit, proč doporučujete přesunout 15 % rozpočtu z vyhledávání do chytré TV (CTV).
Než začnete stavět model, připravte si pořádné základy
Nejlepším prvním krokem při modelování marketingového mixu je ujasnit si, jaká data k provozu modelu vůbec potřebujete. A zároveň zjistit, kdo vám je pomůže zasadit do správného kontextu a přetavit v efektivní marketingová rozhodnutí.
Nic z toho není snadné ani rychlé. Obojí je ale naprosto nezbytné, pokud chcete z MMM získat smysluplné podklady pro další rozvoj. Jestli sáhnete po volně dostupném open-source nástroji, nebo si pořídíte SaaS platformu ve formě předplatného, na tom vůbec nezáleží.
Často kladené otázky (FAQ)
Co je potřeba mít připravené před spuštěním MMM?
Základem jsou alespoň 2 až 3 roky historických dat rozdělených po týdnech, aby model zachytil sezónní výkyvy i kolísání rozpočtů. Data o investicích musíte mít detailně rozdělená na jednotlivé kanály a doplněná o offline kampaňové výdaje i vnější vlivy, jako jsou ceníky či makroekonomické ukazatele. Nejvíce času vám v praxi zabere právě tato úvodní datová archeologie napříč firmou.
Stačí k modelování marketingového mixu využít open-source nástroje zdarma?
Open-source knihovny jako Robyn nebo Meridian výrazně snížily technické bariéry, ale s kódem zdarma nedostáváte bezplatný model. Bez zkušeného analytika a lidského úsudku snadno podlehnete skrytým chybám v nastavení parametrů nebo špatné interpretaci výstupů. Software vám sice ušetří peníze za licence, ale bez odborného know-how nenapraví nepoužitelné výsledky.
Nahradí umělá inteligence odborníky při tvorbě a vyhodnocování MMM?
AI asistenti dokážou skvěle zrychlit psaní skriptů a vygenerovat základní konfiguraci modelu, ale chybí jim reálný kontext byznysu. Nedokážou sami posoudit dojezd kampaní, odhalit nesmyslné přisuzování výkonu nebo vysvětlit navržené přesuny rozpočtů manažerům ve vedení firmy. Lidský cit pro věc a znalost daného trhu tak zůstávají dál nepostradatelné.
Zdroj: searchengineland.com, searchenginejournal.com, marketingland.com, facebook.com, cpcstrategy.com
Autor: Martin Kulhánek
Foto zdroj: AI, pixabay.com
