Veelvoorkomende valkuilen bij Marketing Mix Modeling

Marketing Mix Modeling is een goede methode om je marketingmix te optimaliseren. Toch gaat het vaak niet (helemaal) goed. Vooraf valideren is belangrijk en verder zit het probleem hem vaak in de data: die moeten gedetailleerd en evenwichtig zijn. Lees hier hoe je de meest voorkomende problemen vermijdt.

Bij Emerce is al vaker geschreven over Marketing Mix Modeling (MMM) als methode voor het optimaliseren van de marketingmix en attributie in een wereld waarin cookies binnenkort niet meer bestaan. Inmiddels wordt MMM al met succes toegepast door bedrijven die een rol willen blijven spelen in deze cookieloze wereld. Door deze toename in MMM-toepassingen zien we in de praktijk ook dat bedrijven vaak in dezelfde valkuilen tuimelen. Valkuilen die (nog) niet voorkomen worden door intelligentie binnen de tooling zelf. Met dit artikel wil ik je voor de zeven belangrijkste valkuilen bij MMM behoeden.

1. MMM-project niet valideren

Veel Marketing Mix Modeling-projecten worden groots en met hooggespannen verwachtingen opgezet. Er wordt een extern bureau ingeschakeld en een intern project team opgetuigd. Vooraf worden dus al veel directe en indirecte kosten gemaakt zonder het MMM project an sich te valideren (denkwijze: think big, start bigger). Dit vooraf valideren is echter belangrijk om te onderzoeken of je organisatie in staat is om significante voordelen uit het MMM-project te halen en om de verdere valkuilen die in dit artikel genoemd worden zoveel mogelijk te vermijden.

Dus: think big, start small. Zet eerst eens zelfstandig een kleinschalig MMM-project op met behulp van eigen medewerkers of studenten/stagiairs en eenvoudige (gratis) tooling. Voor dat laatste kun je bijvoorbeeld gebruik maken van de Key Influencer-analyse (multivariabeke lineaire regressieanalyse) binnen Power BI, R of Python. Valideer op de bruikbaarheid en toepasbaarheid van de uitkomsten en de mogelijke acceptatie en integratie hiervan binnen je organisatie. Bijkomend voordeel van deze aanpak: je zou niet de eerste zijn die deze validatie uitbreidt naar een serieus in-house MMM-project.

2. Onvoldoende of onjuiste data gebruiken

Voor Marketing Mix Modeling zijn veel historische data op een laag en granulair niveau nodig. Een voorbeeld van dergelijke data is het aantal nieuwsbriefinschrijvingen per campagne, per advertentiegroep, per advertentie, per landingspagina en per dag van de afgelopen drie jaren. Dit lijkt niet veel, maar als je voor je nieuwsbriefinschrijvingen in deze drie jaren 4 doorlopende campagnes had lopen die ieder bestonden uit 5 advertentiegroepen met per groep 10 advertenties die traffic leiden naar 2 verschillende landingspagina’s dan gaat het hier om een tabel met 4 × 5 × 10 × 2 × 3 × 365 (dagen) = 438.000 unieke regels. En dat is dus alleen voor je nieuwsbrief-leadcampagnes: je overige marketingdoelen, campagnedata, organische media, klantdata, klantcontactdata, transactie- en/of kassadata, productdata, prijsstellingsdata, voorraad- en distributie data, etc. zijn er dan nog niet bij betrokken.

Veel historische data worden geaggregeerd naar een hoger niveau, zoals totalen of gemiddelden. Soms gebeurt dit automatisch en ongemerkt (bijvoorbeeld binnen standaard Google Analytics-rapportages), vaak is deze keuze in het verleden gemaakt om de dataopslagkosten te beheersen. Hoe dan ook, aan geaggregeerde data heb je weinig binnen Marketing Mix Modeling. De onbeschikbaarheid van de juiste historische data met de juiste fijnmazigheid kan je MMM-project dus al in de kiem smoren.

Natuurlijk kan het ook voorkomen dat de benodigde data helemaal niet beschikbaar en verkrijgbaar zijn. In dat geval moet je je afvragen of een MMM-project überhaupt wel voor jouw organisatie is weggelegd.

3. Externe invloeden negeren

Ook externe invloeden beïnvloeden het gedrag van je klanten en daarmee je resultaten. Voor Marketing Mix Modeling zijn daarom naast eigen historische data ook externe data nodig. Denk hierbij aan relevante data van concurrenten (hun product, prijsstelling en promotiedata), weer en verkeer, vakanties en feestdagen, macro-economische data (CBS) en dergelijke. Veel van deze data zijn nagenoeg gratis verkrijgbaar.

4. Geen afwijkingsdetectie toepassen

Grote niet-representatieve afwijkingen in de data (ook wel anomalies of outliers genoemd) kunnen de uitkomsten van je Marketing Mix Modeling-project ernstig verstoren. Daarom is het raadzaam om al bij de validatie van je MMM-project en de validatie van je data deze anomalies te detecteren en te repareren. Afwijkingsdetectie (anomaly detection) kun je eenvoudig uitvoeren in onder andere Power BI, R of Python.

Afwijkingen repareren doe je door afwijkende pieken en dalen te vervangen door bijvoorbeeld gemiddelden of nulwaarden (data infusion), hetgeen je ook doet bij ontbrekende data. De oorzaken van anomalies en ontbrekende waarden zijn vaak technisch van aard, dus het is ook aan te raden om deze oorzaken te repareren om herhaling te voorkomen.

5. Het ‘killer deal effect’ negeren

Die ene grote promotie die je normaliter niet zo vaak doet heeft ook een stevige invloed op je Marketing Mix Modeling-model. Bedenk dus vooraf of je die promotie(s), met de bijbehorende data, wel of geen onderdeel wilt laten uitmaken van je MMM-project, of dat je deze juist wilt behandelen als één van de bovengenoemde afwijkingen.

6. Het verkeerde model selecteren

De basis van Marketing Mix Modeling is – je raadt het al – het Marketing Mix Model. Naast het eerdergenoemde multivariabele lineaire regressiemodel kan dit bijvoorbeeld ook een SCAN*PRO-model zijn.

7. De verkeerde inputvariabelen gebruiken

De twee belangrijkste inputvariabelen binnen je Marketing Mix Modeling-project zijn je baseline en ad stock. Gebruik je hier de verkeerde waarden, dan zul je nooit de juiste resultaten behalen of zul je die resultaten verkeerd interpreteren.

Het doel van je Marketing Mix Modeling-project is om te achterhalen welke combinaties van variabelen en de waarden daarvan je resultaten verhogen. Dat klinkt heel logisch, maar daarvoor is het dus nodig om je baseline (ijkpunt) te definiëren: de resultaten die je behaalt (of zou behalen) zonder enige marketinginspanningen. De makkelijkste manier om dat te doen is door je organische en directe resultaten (dus zonder campagnes en promoties) als uitgangspunt te nemen.

De ad stock is het langdurige of vertraagde effect van reclame op het koopgedrag van consumenten. Juist omdat je binnen Marketing Mix Modeling-projecten uitgaat van time series-data op een laag en granulair niveau is het belangrijk om het effect van je branding en generieke campagnes en promoties op het gedrag van je klanten over de langere termijn te volgen. In de artikelen waarnaar eerder in dit artikel is verwezen is de ad stock-berekening al meegenomen.

Conclusie

Marketing Mix Modeling is een belangrijke methode voor het optimaliseren van de marketingmix en attributie in een wereld waarin cookies binnenkort niet meer bestaan. De weg naar MMM-succes bevat valkuilen, maar die zijn vermijdbaar. Heb je hierover vragen, dan lees ik ze graag in de reacties hieronder.

Over de auteur: Frans Jan Boon is oprichter van bij Add to Friends.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social: LinkedIn, Twitter en Facebook.