Hoe gebruik je media mix modeling om het effect van je online campagnes te meten?

4 augustus 2020, 06:00

Een serie van vier artikelen over de meest gebruikte analysemethoden. Deel 3: Media mix modeling

Als je als online marketeer wilt weten hoe effectief je online campagnes zijn, kun je verschillende analysetechnieken inzetten om op die vraag een antwoord te krijgen. In dit artikel bespreek ik in detail wat media mix modeling is en wat de voor- en nadelen zijn.

Eerder keek ik naar 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.

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 mediakanaal 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 een tot drie jaar een relatie is te vinden 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 liepen.

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.

Wij hebben een media mix-model gemaakt die eenvoudig is te implementeren. 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 kanaaluitgaven 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-uitgavenmix. Stel je verschuift een deel van het budget van je social campagnes naar display, levert dat dan meer omzet op? Door verschillende mixen in het model te stoppen kun je spelen met je budget en de meest optimale verdeling zoeken.

Adstock

Als je vandaag 1.000 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 kanaal op de verkoop.

Kanaaleffect

Naast het model een voorspelling voor de toekomst te laten maken, kun je ook zelf kijken hoe groot het effect van elk kanaal op de sales is. Het model geeft namelijk per kanaal terug wat zijn 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 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-uitgavenmix.

Met media mix modeling kun je dus gaan spelen met je budgetverdeling en de optimale verdeling zoeken. Hiermee ben je dus echt data-gedreven aan het werk en niet afhankelijk van persoonlijke opinies!

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 mediabudgetverdeling.

Efraïm Salari
Web Analytics Consultant bij Merkle

Begin 2019 ben ik bij Merkle Amsterdam komen werken als Web Analytics Consultant. Daarvoor werkte ik als wetenschapper en heb ik veel ervaring opgedaan met data analytische technieken. Daarom ben ik nu, samen met een aantal collega’s van Merkle, bezig om doormiddel van data analyses vraagstukken omtrent de effectiviteit van online marketing beter in kaart te brengen. Hierbij zijn we vooral bezig met hoe we inzichten uit attributie modellen, media mix mondeling en experimenten samen kunnen brengen. Ook zijn we bezig met voorspellende modellen om customer lifetime predictie in te zetten om data niet alleen te analyseren maar ook te activeren.

Categorie
Tags

2 Reacties

    Steven

    Interessant artikel Efraïm.

    Zelf ben ik veel bezig met het toekennen van de juiste waardes aan de marketingkanalen. Dit wil ik vooral op productcategorieniveau te doen. Dus hoeveel geld spenderen we aan een bepaalde categorie en wat is de omzet hierop.

    Pas je dit zelf ook toe? Zo ja, wat zijn je ervaringen hiermee? En hoe tackle je zaken als bijverkopen?


    11 augustus 2020 om 11:52
    esalari

    Ha Steven,

    Dank voor je bericht en interessante case inderdaad!

    Wij zijn zelf meer gefocused op marketing fases (e.g. see, think, do) en gebruiken de kosten daarvan als predictor in het regressiemodel om de effectiviteit van iedere fase in kaart te brengen. Iets soortgelijks zou je ook voor productcategorieën kunnen doen als je specifiek daar reclame voor maakt in je kanalen. Je zou eventueel twee modellen kunnen maken, eentje voor de productcategorie specifieke verkopen en eentje voor de totale verkopen. Het verschil in verklaarde variantie (r2) zegt iets over je bijverkopen.


    16 augustus 2020 om 10:43

Marketingfacts. Elke dag vers. Mis niks!