När annonsering, kampanjer, prisförändringar och säsong samverkar räcker inte alltid plattformarnas attribueringsrapporter. En Marketing Mix Modeling-byrå (MMM) försöker uppskatta hur olika investeringar bidrar till försäljningen över tid. För en e-handlare är frågan inte om modellen kan rita en snygg kurva, utan om den kan ge ett bättre budgetbeslut – med osäkerheten synlig.
Kontrollera dessa förutsättningar före upphandling
- Finns tillräckligt lång och konsekvent historik över försäljning, marginaler, annonsinvesteringar och kampanjer?
- Kan ni skilja nettoomsättning, returer och rabattdriven försäljning åt?
- Finns data per vecka eller annan rimlig tidsnivå med jämförbara definitioner?
- Vilka externa faktorer måste hanteras: säsong, priser, kampanjer, lagerbrist och distribution?
- Vilka kanaler har faktisk variation som gör deras effekter möjliga att uppskatta?
- Vilket konkret beslut ska modellen stödja: kanalmix, budgetnivå eller geografiska tester?
- Vem internt kan granska antaganden och förvalta modellen?
När MMM är rätt verktyg – och när det inte är det
MMM är relevant när ni investerar i flera kanaler och vill analysera total försäljning snarare än enbart klickspårning. Det passar sämre när datan är kort, bristfällig eller nästan helt utan variation. Ett företag som precis har startat annonsering kan ofta få mer nytta av bättre grundmätning och kontrollerade tester. En byrå för mätning och attribution kan lösa andra problem: korrekt eventinsamling och hur rapporter används i vardagen.
Tre e-handelssituationer som kräver olika modellval
- Varumärke med återförsäljare: försäljning kan ske i flera kanaler och datatillgången skiljer sig mellan egna och externa kassor.
- Direktförsäljande e-handel: returer, marginal, kampanjrabatter och nya kontra återkommande kunder kan förändra hur resultat bör tolkas.
- Marknadsplatsförsäljning: lagerstatus, produktlistningar och retail media behöver beskrivas så att modellen inte förväxlar distribution med reklam.
Vad ska en MMM-partner faktiskt leverera?
Be om en datakartläggning med luckor, en tydlig modellplan, dokumenterade antaganden, diagnostik, osäkerhetsintervall, rimlighetskontroller och ett beslutsunderlag för budgetscenarier. Modellen ska kunna förklara varför två närliggande kanaler är svåra att separera, inte dölja det bakom exakta procenttal. Avtala om tillgång till kod, dokumentation och återkommande uppdateringar.
Fråga om experiment – inte bara modellering
Googles öppna MMM-ramverk Meridian beskriver hur modeller kan kalibreras med geo-experiment och granskas med diagnostik. Det betyder inte att ett visst ramverk automatiskt passar ert bolag. Be leverantören visa hur de skulle använda oberoende tester, tidigare kampanjförändringar och affärskunskap för att utmana modellen. Läs om Meridian hos Google.
Åtta frågor till kandidaterna
- Vilken datakvalitet krävs för att ni ens ska rekommendera MMM?
- Vilka variabler riskerar att samvariera så mycket att effekterna inte går att separera?
- Hur hanterar ni prisförändringar, kampanjer, lagerbrist och returer?
- Vilka antaganden kan vi granska och vilka är svårast att verifiera?
- Hur rapporterar ni osäkerhet, modellfel och instabila resultat?
- Hur skulle ett geo-experiment kunna förbättra beslutsunderlaget?
- Vilka beslut bör vi inte fatta på modellen ensam?
- Vem äger modell, kod, data och löpande förvaltning?
Budget och varningssignaler
En offert bör skilja datastädning, modellbygge, kalibrering, presentation, utbildning och återkommande uppdateringar. Be om en separat förstudie om datan är osäker. Varningssignaler är garanterad ROI, precision utan osäkerhetsintervall, oklar metodik och modeller som inte kan förklara skillnaden mellan korrelation och orsak. Om era främsta problem gäller produktflöden eller retail media kan en retail media-specialist vara mer relevant än ett stort MMM-projekt.
Ta nästa steg med rätt brief
Beskriv vilka budgetbeslut ni vill fatta, vilka försäljningsserier ni har, era viktigaste kanaler och hur mycket historik som faktiskt är användbar. Be leverantörerna föreslå ett stoppkriterium: när ska ni avstå från modellering och förbättra datan först? Det är en bättre kvalitetssignal än en demo med perfekta diagram.