מבוא
בשנים האחרונות, עם ההתקדמות במדעי השיווק, בפסיכולוגיה הקוגנטיבית ובטכנולוגיות שבהן ניתן למדוד תוצאות של פעולות שיווקיות, הגיעה ההבנה שהדרכים הקיימות למדוד ביצועים רחוקה מלהיות אידאלית. המדידה הקיימת רגישה להטיות של פלטפורמות לטובתן (מישהו אמר מטא?), לרגולציות כמו GDPR או CCPA שמקשות מאוד למדוד נתוני אמת של כלל המשתמשים, ובעיקר של פעולות שיווקיות שאינן דיגיטליות.
מדידה שיווקית מאוחדת (Unified Marketing Measurement או UMM) מייצגת את אותה אבולוציה בתחום אנליטקת השיווק. במקום גישות מדידה מבודדות – מעבר למסגרת משולבת המספקת אפקטיביות משופרת באופן מעריכי. UMM משלבת את המודלים הבאים:
- MMM (או Marketing Modeling Mix):
- MTA (או Multi Touch Attricution)
- בדיקות אינקרמנטליות
השילוב של שלושת המודלים האלה נותן מענה לאתגרי העתיד.
ההשפעה גדולה מאוד. נחקר ונמצא שארגונים שמיישמים את UMM מדווחים על שיפורים של בין 10%-15% בהחזר ROI (שזה המון למי שלא בטוח). ישנן חברות שהצהירו על עליה של פי 3 ב-ROAS.
לשם הבהרה, לא די במדידה המשולבת של שלושת המודלים האלה, אלא נדרשים גם חישובים סטטיסטיים מתקדמים. בהנחה שאתם מומחים קטנים מאוד לסטטיסטיקה בייסיאנית, ישנם כלים, חלקם חינמיים וחלקם בתשלום, שיתנו לכם מענה. אתייחס לכלים השונים בהמשך.
הבעיות שהמודל המשולב מנסה לפתור
בואו נרחיב על הבעיות שהמודל של UMM אמור לפתור.
קונפליקט הייחוס
מודלי מדידה שונים מודדים את אותו הדבר בדרכים שונות. כך נוצר קונפליקט בין מערכות המדידה השונות.
למשל – לפי מודל אחד 30% מההמרות שייכות לערוץ מסויים, אבל מודל אחר מחשב באופן שונה לגמרי מהי המרה, ולכן מעניק לאותו הערוץ רק 20%. מי צודק?
במצב כזה סמנכ"ל השיווק לא באמת יודע איזה ערוץ יעיל יותר, ונאלץ להכריע בין שתי החלטות תקציב שונות. דבר כזה גם מוריד משמעותית את האמון שיש למקבלי ההחלטות במדידה עצמה.
בנוסף, כל פלטפורמה יוצרת מערכת מידע נפרדת לגמרי ("אי" של מידע) עם כללי מדידה שונים.
ספירה כפולה
כל מי שעבד אי פעם עם טאג מנג'ר, "מרכזיית האיוונטים" של גוגל, למד בדרך הקשה שלעיתים המרה אחת נספרת כמה פעמים בגלל הגדרות שונות של מדידה. כך ליד אחד יכול להפוך במערכת שלנו לשלושה ונדע על כך רק במקרה שנה אחרי בגלל שמישהו במקרה שם לב השווה נתוני אנליטיקס ה-CRM.
אתגר מדידת אופליין
על אף שחלק גדול מהתקציב (לעיתים מעל 50%) הולך לאופליין, מאוד קשה למדוד אותו. המרות שהושגו הודות לפרסומות בטלוויזיה, ברדיו, בשלטי חוצות, בדואר פיסי, באירועים או בחסויות מאוד מאתגרים למדידה, וודאי כשהם משולבים עם קמפיינים אונליין – למי מגיע הקרדיט?
הטיה של פלטפורמות
מן הידועות הוא שמטא נוטה להעניק לעצמה יותר קרדיט ממה שמגיע לה. גם גוגל חוטאת בזה, וגם כל פלטפורמה אחרת שמעניקה לכם אנליטיקס פנימי שלה. אנחנו רוצים לדעת למי באמת מגיע הקרדיט על ההמרה, ולא לקחת את הנתונים שהחברות הגדולות מציעות לנו חינם אין כסף.
גידול מעריכי בנקודות מגע עם הלקוח
הצרכן המודרני נחשף ל:
- 500 מסרים שיווקיים ביום ממוצע
- ממוצע 20-60 נקודות מגע פוטנציאליות במסע רכישה (תלוי אם B2C או B2B שבו יש יותר נקודות מגע). מחקר של הוקיסטאק הראה שיש צורך ב-71 נקודות מגע ו-894 חשיפות כדי להשיג ליד (ברמת MQL) ו-96 נקודות מגע כדי להפוך לליד ברמת SQL
זה נהיה מאתגר יותר ויותר להבין אילו מנקודות המגע האלה באמת השפיעו על הלקוח וגרמו לו להמרה בסופו של דבר.
דרישה לאופטימיזציה בזמן אמת
בעלי המניות לוחצים על הדירקטוריון שלוחץ על המנכ"ל שלוחץ על ההנהלה (לרבות סמנכ"ל שיווק) לתוצאות כאן ועכשיו, ובעיקר לייטב במהירות קמפיינים לא יעילים (חבל על הכסף!).
כמו שנראה בהמשך (וארחיב על כל אחד מהאלמנטים), MTA (מדידת מסעות לקוח בדיגיטל) היא מהירה אבל לא מספיק מדוייקת, MMM (מדידת נתונים הסטוריים ומערוצי אופליין) מדוייקת יותר אבל מאוד איטית (שבועות וחודשים עד יכולת להסיק מסקנות), בדיקות אינקרמנטליות (שכבת אימות מדידות באמצעים סטטיסטיים מתקדמים) מדוייקות מאוד אבל ממש איטיות (כמה חודשים).
שלושת המודלים של מדידת UMM
MMM - תמהיל מידול שיווקי (Marketing Modeling Mix) - הבסיס האסטרטגי
MMM מנתח נתונים היסטוריים מצרפיים למדידת השפעת השיווק והאפקטיביות שלו על מכירות ותוצאות עסקיות.
הוא משתמש במודלים סטטיסטיים מתקדמים (מבוססי רגרסיה עם היסק בייסיאני, תוך שילוב גורמים חיצוניים כמו עונתיות, פעילות תחרותית ותנאים כלכליים, ומשתמשת בנתוני מכירות ושיווק של סדרות זמן) למדידה של ערוצים אופליין (כמו טלוויזיה, רדיו, שלטי חוצות ואחרים).
במילים אחרות – MMM הוא מתודולוגיית חיזוי המשתמשת במודלים סטטיסטיים כדי להעריך את ההשפעה של טקטיקות שיווק שונות על מכירות המוצר.
המטרה המרכזית של MMM היא למדוד באופן אובייקטיביי את היעילות והאפקטיביות היחסית של כל סט השקעות השיווק והפרסום, תוך מתן אפשרות לחשב את גודל קניבליזציה של מוצרים ואפקטי הילה (זו הנטיה שלנו להעריך אדם לחיוב או שלילה על בסיס תכונה אחת בלבד, כמו גם הטיות נוספות).
מבנה המודל הבסיסי
MMM משתמש כאמור בניתוח רגרסיה לינארית רב משתנית כדי לנתח את הקשר האמיתי בין תוצאות עסקיות (בעיקר מכירות) לפעילויות שיווק שונות.
ברגרסיה כזו בוחנים איך משתנה בלתי תלוי אחד או יותר (כמו פרסום בטלוויזיה) משפיע על משתנה תלוי (כמו מכירות).
המשתנה התלוי הוא מדד עסקי שחשוב לנו, כמו מכירות, הכנסות או נתח שוק.
שלושת העיקרים הטכניים המרכזיים
אפקט הנשיאה (Adstock Transformation)
מתייחס ל"אפקט הנשיאה" או אפקט הזיכרון של הפרסומות. במילים אחרות, פרסומת שנעשית בשבוע נתון תמשיך להשפיע בשבועות הבאים, אם כי ההשפעה תמשיך לרדת עם הזמן.
נוסחאות מתמטיות מתאימות משמשות למידול אפקט זה. לא אכנס כאן לסטטיסטיקה ולמתמטיקה שעומדות מאחורי זה.
האפקט הזה מראה לנו שמשתמשים מערוצי חיפוש בתשלום יכולים להמיר מהר מאוד מכיוון שהם מגיעים עם כוונה גבוהה יותר לרכוש ולחיצה אחת יכולה לקחת אותם לחנות או למוצר שהם מחפשים. מצד שני, משתמשים מערוצי אופליין עשויים להמיר הרבה יותר לאט כי זה עלול לקחת זמן להגיב למדיה אופליין.
כל שבוע השפעת הפרסום דועכת ב-30% והחלק הנותר (70%) נשאר לשבוע הבא
עקומות הרוויה ותשואות פוחתות (Saturation Effects)
הקשר בין המשתנה התלוי לבלתי תלוי הוא לא בהכרח לינארי. ישנם משתנים תלויים שיגיעו לרווייה בשלב מסויים.
למשל, יש לא מעט מקרים בהם כל עלייה נוספת בהוצאות על פרסום (למשל כל 1,000 דולר) תחזיר פחות מהקודמת מההוצאה הזהה הקודמת.
עקומות תגובה (הידועות כ-S-curves) משמשות לתיאור הטוב ביותר של יחסים כאלה.
יש כמה הנחות לגבי איך צריכה להיראות עקומת תגובה:
- העקומה חדה יותר בהתחלה ובסופו של דבר הופכת שטוחה הרבה יותר
- רוויה מלאה היא כאשר השיפוע הופך בהדרגה שטוח יותר ומתקרב לגבול העליון של העקומה
- במקרה זה, אם העסק מוציא דולר נוסף על אותו ערוץ, הוא בקושי יקבל הכנסות
α = רוויה מקסימלית, β = מהירות הגעה לרוויה
ככל שההשקעה עולה, התשואה השולית (marginal ROI) יורדת עד להגעה לנקודת רוויה.
שימוש במד השקעה: לחץ על "מד השקעה" ואז על הסרגל התחתון כדי לראות ROI בנקודות שונות.
אפקטי השהייה (Lag Effects)
לשיווק בכלל ולפרסומות בפרט יכול לקחת זמן להביא תוצאות (וודאי בקמפיינים של Top of Funnel שעוסקים בעיקר במודעות ומיתוג). מישהי שראתה פרסומת היום, יכולה לקנות את המוצר רק שבוע או חודש או שנה אחר כך (תלוי כמובן בעוד גורמים כמו עלות המוצר וכו').
כדי לענות על התופעה הזו, המשתנים מתורגמים בהתאמה, ברוב המקרים על ידי הסטה של התוצאות.
- תכנון נכון: אם אתה יודע שמגזין צריך 3 שבועות, תתכנן בהתאם
- מדידת ROI: לא תחליט שקמפיין נכשל לפני שהוא באמת התחיל לעבוד
- הקצאת תקציב: תבין איזה ערוצים נותנים תוצאות מהירות ואיזה איטיות
הגישה הבייסיאנית המודרנית
הרעיונות של MMM מתבססים רבות על חוק בייס והגישה הבייסיאנית.
מתוך וויקיפדיה (ורק כי ביקשתם יפה): חוק בייס מאפשר לחשב את ההסתברות המותנית ההפוכה: ההסתברות המותנית של B בהינתן A:
.
מבלי להכנס יותר מדי לנוסחה הסטטיסטית, מדובר על חישוב הסתברות לאירוע מסויים (למשל, מכירה של מוצר) בהתבסס על הסטוריה קודמת של אירוע (או אירועים) שכבר יש לנו מידע על ההסתברות לקיומו.
בעקרונות לימוד מכונה, הנוסחה הזו כל הזמן מעדכנת את עצמה כאשר מתקבלים עוד ועוד נתונים הסטורים על ביצועי עבר, מה שמאפשר לנו עם כל דאטה נוסף להבין באופן נכון ומדוייק יותר מה באמת עובד ומה לא, ומדוע.
יש כמה וכמה כלים של קוד פתוח שניתן להשתמש בהם, לרבות PyMC-Marketing ו-LightweightMMM. גם גוגל יצרה כלי חזק מאוד ל-MMM שנקרא מרידיאן (Meridian).
היתרונות והחסרונות של MMM
יתרונות:
- יכולת מדידה של מגוון רחב יותר של ערוצים – מסורתיים ודיגיטליים, על בסיס נתונים הסטוריים
- מדידה מדוייקת יותר מאשר MTA (אליו אתייחס מיד) שמאפשר קבלת תובנות אסטרטגיות המשפיעות על הקצאת תקציב, אופטימיזציה ותכנון לטווח ארוך
- מודל המתעדכן ומשתפר כל הזמן, עם כל כניסה של נתוני אמת נוספים לדאטבייס
חסרונות:
- זמני תגובה מאוד איטיים – מודלי מאקרו כאלה דורשים איסוף נתונים של שנתיים שלוש כדי לבנות מודל אמין, גם עדכון של המודל לוקח חודשים בכל פעם
- לכן גם לא מתאים לאופטימיזציה בזמן אמת
- הבדלי מדידה בין ערוצים שונים, אונליין ואופליין, גורם הרבה פעמים להטיה לטובת ערוצים מדידים יותר כמו דיגיטל
- דרישה למומחיות וידע, שעלותם גבוהה
MTA - ייחוס נקודות מגע מרובות (Multi Touch Attribution) - מסע הלקוח הדיגיטלי
מישהו ראה פרסומת שלכם בפייסבוק. נחמד, חשב לעצמו.
אחר כך פרסומת ויזואלית קפצה לו באפליקציית הסודוקו האהובה עליו. מעצבן, חשב האיש, אבל נחמד.
בסרטון שראה ביוטיוב, קפצה לו הפרסומת המזמרת למוצר הזה שלוש פעמים. ממש מעצבן, חשב לעצמו האיש, ממש ממש מעצבן. אבל אז הוא חשב על זה שוב, והמוצר היה רלוונטי. נחמד? תהה האיש.
שבוע אחר כך היה זקוק למוצר דומה. הוא נזכר במותג שלכם, חיפש אותו בגוגל, מצא את הלינק לרכישה וקנה את המוצר.
אז – לאיזה ערוץ מגיע הקרדיט על ההמרה?
בעבר ייחסו את כל הקרדיט לנקודת מגע יחידה (בדרך כלל האחרונה) במסע הלקוח. ישנם גם מודלים אחרים המייחסים את הקרדיט לערוץ הראשון במסע. כתבתי מאמר שלם על attribution ומודלים שונים שלו.
איך מודדים MTA?
מה שיפה בדיגיטל, זה שהכל מדיד.
כל מה שצריך זה להטמיע קודים באתר שלנו (מומלץ דרך טאג מנג'ר אבל עשו מה שאתם מוצאים לנכון). הם מאפשרים לאסוף נתונים, לעקוב אחרי המרות (שאנחנו הגדרנו למערכת מראש) ולקבוע למי מגיע הקרדיט.
כיום כלים כמו GA4 מתבססים על מודל ייחוס מבוסס מידע (Data Driven Attribution Model) – שבמילים פשוטות – מבוסס על סטטיסטיקות מתקדמות ו-AI.
יתרונות וחסרות של MTA
יתרונות:
- רמת פירוט גבוהה של ניתוח הביצועים
- אופטימיזציה בזמן אמת: אין כמו להסתכל על דוח של Looker Studio ולרפרש אותו כל חמש דקות כדי לראות עוד ועוד מכירות. בניגוד ל-MMM שמתעדכן רק אחת לכמה חודשים, MTA מתעדכן בכל רגע, 24/7, כך ניתן לייטב קמפיין בזמן אמת
- הבנה מלאה של מסע הלקוח (בעיקר ההבנה שמשפך המכירה אינו לינארי תמיד)
- במקרה של שימוש בערוצים דיגיטליים בלבד – ייחוס מדוייק יחסית לערוצים הרלוונטיים
חסרונות:
- לא ניתן לאסוף נתוני אופליין (כמו שלטי חוצות, טלוויזיה, רדיו וכו'
- נדרש ידע כדי להטמיע את הקודים, לדעת איך לאסוף את המידע, איך לסנן את מידע הזבל, איך להתעלם מנותני יוהרה (vanity metrics), איך לקבוע במערכת KPI, איך למדוד אותם, איך להציג אותם באופן ברור לבעלי העניין כדי שאלה יוכלו לקבל החלטות אסטרטגיות וטקטיות נכונות ומבוססות ידע נכון, מדוייק ואמיתי
- בימינו אנו (כלומר בעת כתיבת פוסט זה) ישנה מודעות להגנה על פרטיות משתמשים, שבאה לידי ביטוי בלא מעט רגולציות על איסוף מידע (כמו GDPR), בביטול כמעט מוחלט בשימוש בקוקיס צד ג'
- לא פשוט להטמיע את מערכת האנליטיקס המעודכנת שלנו עם כלים ישנים ולא מעודכנים של החברה
- בניגוד ל-MMM, המידע מתייחס רק לנתוני הלקוחות בדיגיטל ולא לוקח בחשבון הקשרים חברתיים, גיאו פוליטיים ואחרים (ראו מבחן PESTEL תחת מאמר שלי על ניתוח מצב)
שילוב ה-MTA ב-UMM
אם MMM עוסק בראיה האסטרטגית לטווח ארוך, מספק הקשר רחב וראיה ממבט-על על המצב שלנו, MTA עוסק בהבנה טקטית ואופטימיזציה מיידית. השילוב של הטווח הארוך והקצר יוצר סינרגיה יעילה שמעניקה הבנה אמיתית ומדידה מדוייקת יותר של הנתונים.
מיד אגע במתודולוגיה השלישית של הבדיקות האינקרמנטליות – שמהווה אימות של ממצאי של המתודולוגיות הראשונות.
בדיקות אינקרמנטליות (Incremental Testing)
זוהי כאמור השכבה השלישית, המאמתת (או שוללת) את אמיתות שתי השכבות הקודמות של MMM ו-MTA.
בדיקה אינקרמנטלית היא ניסוי אקראי ומבוקר הכולל שתי קבוצות אנשים: אלה שנחשפו לקמפיין השיווקי שלך (קבוצת הטיפול) ואלה שלא נחשפו (קבוצת הבקרה). המטרה המרכזית היא לענות על השאלה הקריטית: "האם הייתי משיג את המכירות הללו גם ללא הפרסום?"
ישנן כמה מתודולוגיות שונות לבדיקות אינקרמנטליות:
- ניסויי הרמה גאוגרפית (Geo-Lift): פותחה ע"י חברת מטא ברמה הגאוגרפית, זאת במקרים שלא ניתן לבצע מדידות מבוססות אנשים. מדובר בשיטות מדידה מתקדמות שמסייעות למדוד את הערך האמיתי של הקמפיינים שלנו
- שיטות בקרה סינתטית (Synthetic Control): בניגוד לשיטות מבוססות רגרסיה, שיטה זו מבוסס אינטרפולציה (טכניקה מתמטית חישובית להערכת ערך בתוך תחום הנתונים הקיים, על-ידי בניית פונקציה רציפה העוברת דרך נקודות הדגימה הידועות. במילים פשוטות: תחשבו על גרף עם נקודות שכבר מדדנו. אינטרפולציה היא פשוט “לחבר את הנקודות” ולשאול: מה הערך באמצע? אנחנו רק משלימים את החסר בין מה שכבר ידוע), מכיוון שהאפקט הסיבתי המוערך תמיד מבוסס על השוואה בין תוצאה כלשהי בשנה נתונה לבין תוצאה נגדית באותה שנה
- בדיקות החזקה (Holdout): כוללות חלוקת קהל היעד לשתי קבוצות: אחת שנחשפת לקמפיין והשנייה שלא. אתם קובעים את השפעת הקמפיין על ידי השוואת התוצאות בין שתי הקבוצות
- בדיקות מבוססות פלטפורמה: על אף שהפלטפורמות הגדולות (כגון מטא, גוגל וחברות שיווק במייל שונות) מציעות לנו בשמחה לעשות שימוש בכלי בדיקת אינקרמנטליות שלהן, צריך להזהר מאוד מהטיה (bias) שלהן לטובת הערוץ שלהן
טריאנגולציה של ה-UMM - האינטגרציה בין שלוש המתודולוגיות
עד עכשיו התייחסתי לשלוש שכבות המדידה בנפרד:
- MMM – גישת top down. בודקת נתונים הסטורים. איטית אך מדוייקת
- TMA – גישת bottom up. בודקת מסע לקוח בודד. מהירה מאוד אך גם מאוד לא מדוייקת ורגישה להטיות (מכוונות וטבעיות)
- בדיקות אינקרמנטליות – אימות על ידי ניסוי תקופתי של תוצאות שתי השכבות הקודמות
UMM הוא לא סתם יישום של שלוש השכבות האלה. מתקיים תהליך טריאנגולציה של שלושתן.
טריאנגולציה ב-UMM היא תהליך מתמטי וסטטיסטי מורכב שבו התובנות משלוש המתודולוגיות משולבות לא רק להשוואה, אלא ליצירת מודל מאוחד חדש. UMM משתמשת באינטגרציה בייסיאנית ושיטות אנסמבל משוקללות (שאלה נוסחאות סטטיסטיות מתקדמות. אל הבסיסית שבהן (חוק בייס) התייחסתי קודם לכן.
השלבים בתהליך הטריאנגולציה
שלב 1: סינכרון זמנים ומרחבי נתונים
כל מתודולוגיה פועלת במימד זמן ורזולוציה שונים:
- MMM: נתונים שבועיים/חודשיים, רמת ערוץ
- MTA: נתונים יומיים/שעתיים, רמת משתמש
- בדיקות אינקרמנטליות: תקופות מוגדרות, רמת ניסוי
הטריאנגולציה דורשת נורמליזציה של הנתונים לבסיס משותף – כלומר חישוב כל ההשפעות האפשריות. אתייחס לזה בהרחבה מיד.
שלב 2: המודל הבייסיאני המאוחד
כאמור קשה מאוד להמנע לגמרי מנוסחאות סטטיסטיות, אז הנה הרחבה ספציפית של חוק בייס שהתייחסתי אליו קודם, כחלק מהעדכון של המודל המאוחד. שימו לב שכתבתי אותו באנגלית כדי שיהיה ברור מה המשתנה התלוי (כתוב מצד שמאל לקו האנכי) למשתנה הבלתי תלוי (כתובה מצד ימין לקו האנכי):
אז מה כל רכיב במשוואה הזו אומר?
- P(Impact|Data) – ההסתברות הפוסטריורית (מה שאנחנו רוצים לדעת)
- "מהי ההשפעה האמיתית של הקמפיין, בהינתן כל הנתונים שיש לנו?"
- זהו המשתנה התלוי – התוצאה שאנחנו מחפשים
- P(Data|Impact) – פונקציית הנראות (Likelihood)
- "מה הסיכוי לראות את הנתונים האלה אם ההשפעה האמיתית היא X?"
- זה מודד כמה הנתונים שלנו מתאימים להשערה מסוימת
- P(Impact) – ההסתברות הפריורית (Prior)
- "מה אנחנו חושבים על ההשפעה לפני שראינו את הנתונים?"
- מבוסס על ניסיון קודם, בנצ'מרקים בתעשייה, או ציפיות עסקיות
- P(Data) – הנורמליזציה
- קבוע שמבטיח שכל ההסתברויות יסתכמו ל-1
- בפועל, לרוב מחושב על ידי סכימה על כל ההשפעות האפשריות – כלומר 1. זה מאפשר בפועל לחשב רק את המונה
שלב 3: שיטות האנסמבל המשוקללות
במקום לקחת ממוצע פשוט, UMM משתמשת בשקלול דינמי:
השפעה_משולבת = w₁×MMM + w₂×MTA + w₃×בדיקות_אינקרמנטליות
כאשר: w₁ + w₂ + w₃ = 1 – כלומר סכימת כלל האפשרויות.
חשוב להבין שהמשקלים אינם קבועים. הם משתנים בהתאם ל:
- אמינות המודל: מודל עם שגיאת חיזוי נמוכה מקבל משקל גבוה יותר (למשל MTA נחשב יחסית מדוייק)
- רלוונטיות לשאלה: לשאלות טקטיות MTA מקבלת משקל גבוה, לאסטרטגיות MMM
- זמינות נתונים: במקומות עם נתונים חלקיים, משקל גבוה למודל עם הכיסוי הטוב ביותר
שלב 4: המודל המשולב
באמצעות אלגוריתם MCMC או Markov Chain Monte Carlo, המערכת מייצרת אלפי סימולציות שמשלבות את כל המידע.
מדוע צריך לעשות שימוש באלגוריתם הזה? בפועל יש לנו אינסוף (או משהו קרוב לזה) של השפעות אפשריות של כל ערוץ על ההכנסות (impact), כיוון שצריך לקחת בחשבון השפעה של כל ערוץ, האינטרקציות בין הערוצים, ההשפעות המתמשכות, עונתיות וכו'. בלתי אפשרי לחשב את כל הצירופים האפשריים.
MCMC זו טכניקה ש"מטיילת" במרחב הפרמטרים בצורה חכמה, ודוגמת ערכים באופן שבסוף מקבלים את ההתפלגות הפוסטריורית המלאה (התפלגות שמתעדכנת עם קבלת נתונים נוספים).
בלי להכנס לקוד (אותו תוכלו לבקש מכל כלי בינה מלאכותית), הוא כולל כמה שלבים: שלב האתחול (הכנסת נתונים ראשוניים), שלב הטיול האקראי (מכניסים את הנתונים המלאים לנוסחה עבור השפעה אחת מסויימת – אבל אלפי ומאות אלפי פעמים עבור השפעות שונות), וחישוב תוצאות (חישוב התפלגות – כלומר מה ההסתברות לאמיתות כל השפעה, קורלציות ותרחישים אפשריים).
שלב 5: הרצת המודל וקבלת תוצאות
בסופו של דבר, במידה ואספנו מידע נכון, נתנו הערכות ראשוניות סבירות וחישבנו נכון בקוד אלפי ומאות אלפי פעמים, נקבל:
- הערכה מיטבית
- רווח בר סמך (טווח תוצאות ב-95% דיוק)
- מהי ההסתברות להשפעה מסויימת שאנחנו רוצים לבדוק
- Carryover – איזה אחוז מההשפעה נמשכת לשבוע הבא (או לתקופת הזמן הבאה שהגדרנו)
דוגמה
להלן דוגמה שיצר עבורי קלוד של קמפיין חיפוש בגוגל:
שלב 1: הגדרת המשתנים
- Impact = ההשפעה האמיתית (נניח בין 0 ל-1 מיליון ₪)
- MTA_data = "המרות בשווי 500,000 ₪ מיוחסות לגוגל"
- MMM_data = "ערוץ החיפוש תרם 600,000 ₪ החודש"
- Test_data = "כשהגדלנו תקציב גוגל ב-50%, המכירות עלו ב-200,000 ₪"
שלב 2: חישוב ה-Prior – P(Impact) מניסיון קודם:
- 20% סיכוי שההשפעה היא 400,000-500,000 ₪
- 50% סיכוי שההשפעה היא 500,000-600,000 ₪
- 20% סיכוי שההשפעה היא 600,000-700,000 ₪
- 10% סיכוי לערכים אחרים
שלב 3: חישוב ה-Likelihoods
- P(MTA_data|Impact) – "אם ההשפעה האמיתית היא X, מה הסיכוי ש-MTA תראה 500,000?"
- אם Impact = 500,000: סיכוי גבוה (80%) כי MTA די מדויקת בדיגיטל
- אם Impact = 700,000: סיכוי נמוך (20%) כי MTA החמיצה 200,000 ₪
- P(MMM_data|Impact) – "אם ההשפעה האמיתית היא X, מה הסיכוי ש-MMM תראה 600,000?"
- אם Impact = 600,000: סיכוי גבוה (70%)
- אם Impact = 500,000: סיכוי בינוני (40%) כי MMM כוללת גם אפקטים עקיפים
- P(Test_data|Impact) – "אם ההשפעה האמיתית היא X, האם תוצאות הבדיקה הגיוניות?"
- זה המורכב ביותר כי צריך לחשב את האלסטיות המשתמעת
שלב 4: החישוב המשולב
עבור כל ערך אפשרי של Impact (נניח 550,000 ₪):
P(550K|כל הנתונים) =
P(MTA=500K|Impact=550K) × P(MMM=600K|Impact=550K) × P(Test|Impact=550K) × P(Impact=550K)
───────────────────────────────────────────────
קבוע נורמליזציה
עכשיו נניח:
- P(MTA=500K|Impact=550K) = 0.7 (סביר, קרוב לערך האמיתי)
- P(MMM=600K|Impact=550K) = 0.6 (סביר, MMM תופסת אפקטים נוספים)
- P(Test|Impact=550K) = 0.8 (מתאים לאלסטיות הצפויה)
- P(Impact=550K) = 0.5 (prior)
אז: 0.7 × 0.6 × 0.8 × 0.5 = 0.168 (לפני נורמליזציה)
שלב 5: חזרה על כל הערכים האפשריים
המערכת חוזרת על החישוב עבור Impact = 400K, 450K, 500K… 700K ומנרמלת כך שהסכום יהיה 1.
התוצאה הסופית לאחר הרצת אינספור סימולציות בהשפעות שונות:
ההשפעה הסבירה ביותר: 545,000 ₪
רווח בר-סמך 95%: 510,000-580,000 ₪
ההסתברות שההשפעה גדולה מ-600,000 ₪: רק 15%
אסטרטגיית יישום מתודולוגית UMM
נעשה שימוש במסגרת Crawl-Walk-Run (זחל-לך-רוץ) הנפרשת על פני 9-12 חודשים עד לפריסה מלאה.
שלב Crawl (חודשים 1-3) - בניית היסודות
- הגדרת מדדי הצלחה
- הקמת מסגרות RACI (מטריצות שקובעות מי אחראי על התוצאות, מי אחראי על ביצוע, עם מי צריך להתייעץ ואת מי צריך רק לעדכן בכל משימה)
- שילוב סוכנויות ושותפים מההתחלה
- אימות איכות הנתונים
- בחירת הפלטפורמה הטכנולוגית
- השגת אופטימיזציה ראשונה של תמהיל השיווק
שלב Walk (חודשים 4-8) - פיתוח אוטומציה
- מעבר ליצירת תוכנית שיווק אוטומטית – עם כלי אוטומציה קיימים או כליים ייעודיים
- הקמת תשתית הנתונים:
- איסוף נתונים אוטומטי מכל המקורות
- יצירת מחסן נתונים מאוחד עם טקסונומיה נכונה
- תהליכי בקרת איכות ואימות נתונים
- יכולות קליטת נתונים בזמן אמת
- ארגונים חייבים לשלב נתונים ממקורות כמו טלוויזיה, רדיו, חיפוש, CRM, מדיה חברתית, תמחור, מזג אוויר, ומודיעין תחרותי
- תכנון באמצעות נתונים אמפיריים
- פיתוח KPIs
- הגברת תדירות האופטימיזציה מרבעונית לחודשית
- יישום תוכניות הסמכה לצוות
שלב Run (חודשים 9-12) - יכולות אופטימיזציה מתקדמות
- השגת מדידה ואופטימיזציה רציפות
- בדיקה ולימוד לגילוי
- השלמת מודלים סטטיסטיים לזיהוי תוצאות אמת
- פריסת יישומים מתקדמים
כלי UMM מובילים
חברת Funnel.io מובילה כיום את עולם ספקי שירותי ה-UMM, בעיקר לאחר שרכשה את חברת Adtriba ב-2024. היא מציעה כיום דאטה האב שמספק:
- טריאנגולציה של MMM, MTA ובדיקות אינקרמנטליות. בהקשר הזה 500+ אינטגרציות לפלטפורמות שיווק
- עדכוני מודל יומיים
- רשימת לקוחות כוללת Home Depot, Uber, Adidas, Sony, Samsung, FlixBus ו-Montblanc
לסיכום
קודם, כל מי ששרד עד לכאן – כה לחי!
כאנשי שיווק אנחנו לא חייבים להכיר את כל הנוסחאות הסטטיסטיות וכל האלגוריתמים המתקדמים שעומדים מאחורי המתודולוגיות והמודלים האלה, אבל חשוב להבין קודם כל מה הבעיות בעולם המדידה המודרני, וגם מה הפתרונות המוצעים היום.
שתי נקודות חשובות שלא התייחסתי אליהן במאמר עצמו הן כוח האדם והתקציב הדרושים ליישום של תוכנית כזו. השקעה ממוצעת יכולה להגיע לשבע ספרות (בדולרים), וזה רק עבור רישוי לפלטפורמה שבחרנו, להקמת תשתית הנתונים וליישום האסטרטגיה.
בנוסף צריך לגייס אנשי מקצוע הכוללים אנשי אנליטיקה, מהנדסי נתונים, ואנליסטים של שיווק, ולהכין את עצמכם לשנה של תמיכה וייעוץ מקצועיים בהמטעה, יישום וייטוב הראשוניים. לא פיקניק, אבל לחברות בינוניות ומעלה אין היום ברירה.
