O que é um MMM e por que ele é importante para comerciantes?

MMM (Modelagem de Mix de Marketing ou Mídia) é uma metodologia data-driven que permite que as empresas identifiquem e meçam o impacto de suas campanhas de marketing em vários canais. O objetivo do MMM é ajudar as empresas a tomar decisões informadas sobre suas estratégias de publicidade e marketing. Analisando dados de vários canais como TV, redes sociais, e-mail marketing e muito mais, o MMM pode determinar quais canais estão contribuindo mais para as vendas e outros resultados de negócios. Ao incluir eventos e indicadores externos, os tomadores de decisão podem entender melhor o impacto de fatores externos (como feriados, condições econômicas ou clima) e evitar supervalorizar acidentalmente o impacto apenas dos gastos com anúncios.

Usando o MMM, as empresas podem identificar quais canais de marketing estão gerando mais engajamento, ventas ou receita. Essas informações podem ser usadas para otimizar os orçamentos de marketing e alocar recursos para os canais mais eficazes. Por exemplo, digamos que uma empresa tem realizado campanhas de marketing em diferentes canais, como redes sociais, e-mail marketing, anúncios de TV etc. No entanto, a equipe de marketing não tem certeza de qual canal está proporcionando o maior ROI. É aqui que o MMM se torna útil. Ao analisar os dados agregados de todos esses canais, um modelo poderoso pode ajudar a empresa a identificar as campanhas que geram mais receita, bem como os canais que fornecem o retorno mais eficiente sobre os gastos com anúncios, permitindo que otimizem suas estratégias de publicidade de forma eficaz. Isso permite que a empresa otimize seus esforços de marketing e aloque seu orçamento na direção certa.

Por anos, o MMM tem sido uma ferramenta muito poderosa e considerada um divisor de águas, dando a empresas experientes a vantagem de que precisam para se manterem à frente da concorrência. Ao aproveitar o poder da tomada de decisão orientada por dados, o MMM capacita as empresas a fazer investimentos inteligentes em suas estratégias de marketing, garantindo que cada dólar seja gasto no lugar certo, na hora certa e da maneira certa. Isso se traduz em resultados impressionantes, desde um maior engajamento do cliente e aumento nas vendas até um alto retorno sobre o investimento.

A Evolução do MMM

O MMM existe há décadas e sempre foi uma ferramenta poderosa para medir a eficácia das campanhas de marketing. O modelo pode levar em conta vários fatores, como sazonalidade, atividade da concorrência e tendências macroeconômicas, para fornecer uma visão holística do impacto geral das atividades de marketing. No entanto, nos últimos anos, o MMM tem sido um tanto ofuscado pelo MTA (atribuição multitoque), que oferece uma abordagem mais granular para a atribuição ao fazer o acompanhamento de usuários individuais em vários pontos de contato. Com o MTA, os comerciantes podem ver quais pontos de contato específicos estão gerando conversões para usuários individuais e alocar o orçamento de acordo. Este nível de granularidade tornou o MTA uma escolha popular para muitos comerciantes, especialmente para aqueles em marketing digital.

Mas com as novas regulamentações de privacidade, como o GDPR (Regulamento Geral de Proteção de Dados) e o CCPA (Lei de Privacidade do Consumidor da Califórnia), o acompanhamento baseado em cookies do qual o MTA depende está se tornando mais difícil. Isso significa que o MMM, que usa dados agregados em vez de dados em nível de usuário, está agora ganhando um novo impulso para se destacar.

Então, você pode se perguntar qual ferramenta escolher para medir a eficácia do marketing. Ao escolher entre as duas opções, há vários fatores a serem considerados quando se trata de selecionar o MMM. Uma opção a ser considerada é escolher o MMM quando parte ou todos os seus dados são pré-agregados. Outro fator é se seus esforços de marketing envolvem canais online e offline. Isso é cada vez mais importante na era digital de hoje, onde as linhas entre o marketing online e o offline muitas vezes se confundem. Por fim, se você tiver informações externas relevantes para seus esforços de marketing, como resultados de geoteste, o MMM pode ajudar a incorporar esses dados ao seu modelo.

Vantagens do MMM
Primeiro, a análise baseada em MMM pode incorporar o impacto de canais offline, como publicidade de TV, impressa, rádio ou OOH (Out-of-Home), que não é possível rastrear com cookies. Algumas técnicas de modelagem mais avançadas têm até a capacidade de incorporar o efeito funil, que descreve como vários canais funcionam juntos, bem como efeitos multiplicativos que representam o impacto sinérgico desses canais. Além disso, ele pode fornecer percepções sobre o impacto a longo prazo das atividades de marketing, que o MTA pode não captar. O MMM é considerado mais escalável e pode ser usado para medir o impacto das atividades de marketing em grandes geografias ou até mesmo em países inteiros.

Além disso, o MMM pode ajudar as empresas a cumprir as regulamentações de privacidade usando dados agregados em vez de dados de usuários individuais. Isso significa que as empresas ainda podem medir a eficácia de suas atividades de marketing sem comprometer a privacidade do usuário.

Nesta postagem no blog, vamos explorar os principais recursos do MMM e como a Databricks Lakehouse Platform pode ajudar as empresas a construir uma solução de MMM moderna, robusta e escalável.

Navegando por desafios comuns

O MMM é construído por uma variedade de empresas, desde empresas de consultoria, a anunciantes e a fornecedores de software. À medida que as empresas continuam a buscar maneiras de otimizar seus gastos com marketing, o MMM tornou-se um método cada vez mais popular para medir o ROI. No entanto, construir uma solução MMM escalável e robusta pode ser uma tarefa desafiadora. Nesta seção, discutimos alguns dos desafios comuns que as empresas enfrentam ao construir uma solução escalável. Nesta seção, discutimos alguns dos desafios comuns.

Um dos desafios mais significativos na construção de uma solução de MMM são as fontes de dados de origem. A equipe de Ciência de Dados e Machine Learning precisa unir fluxos de dados de diferentes fontes para os dados do MMM, incluindo dados de terceiros, como dados econométricos, que não possuem formas padronizadas de coleta. Além disso, as fontes de dados estão frequentemente espalhadas por vários lugares, como bancos de dados legados, Hive, arquivos simples sftp e outras fontes, tornando desafiador obter os dados necessários. Além disso, os dados precisam ser atualizados manualmente todos os meses, o que pode ser uma tarefa entediante e demorada.

Outro obstáculo para obter resultados de MMM precisos é a ausência de dados. Por exemplo, é comum que a ingestão de dados econômicos e os dados de mídia tradicional/offline estejam ausentes, o que pode impedir substancialmente a precisão dos resultados. Esse desafio pode ser particularmente acentuado para empresas com presença em vários países, onde as regulamentações podem impor restrições à coleta e ao compartilhamento de dados. Na era moderna da IA, a solução de MMM, por ser uma forma de modelo do machine learning, não está isenta dos desafios e riscos associados ao campo emergente da IA. Acompanhamento da linhagem das fontes de dados até os modelos, desde a ingestão até o painel de percepções, pode ser um obstáculo significativo para as abordagens tradicionais, dificultando a manutenção da transparência e da responsabilidade.

Além disso, a existência de silos de equipe pode dificultar a criação de uma solução de MMM escalável. A construção de modelos geralmente acontece em ambientes segregados, o que leva a barreiras entre as equipes tanto na horizontal, abrangendo os domínios funcionais técnicos e de negócios, quanto na vertical, entre os níveis organizacionais, marcas, categorias e unidades de negócios. A ausência de métodos de controle de versão para modelos, código e dados pode resultar em inconsistências e imprecisões na solução de MMM. Além disso, um código legado de difícil gerenciamento pode dificultar a manutenção e a atualização da solução, exigindo grandes esforços de refatoração. Além disso, geralmente ocorrem processos manuais, e a análise é normalmente realizada como uma atividade pontual a cada poucos meses, que indivíduos ou pequenas equipes devem repetir, em vez de fazer parte de um pipeline de DSML mais automatizado, repetível e confiável.

Finalmente, a publicação de dados e o compartilhamento de percepções são muitas vezes atrasados e exigem integração separada. Isso pode dificultar que as partes interessadas tomem decisões informadas rapidamente, levando a mais atrasos na tomada de decisões, perda de oportunidades e pouca agilidade para reagir em um ambiente econômico cada vez mais acelerado e dinâmico, especialmente quando os concorrentes estão se movendo na velocidade da luz. Muitas soluções de MMM existentes também não têm a flexibilidade e a proteção de privacidade necessárias para colaborar de forma eficaz com clientes e parceiros.

Como resultado, as empresas devem adotar uma abordagem abrangente e meticulosa para implementar o MMM na era da IA, levando em conta os desafios e riscos exclusivos associados à tecnologia de DSML.

Construa seu MMM escalável e flexível com o Databricks Lakehouse

Diagrama de referência

O Databricks Lakehouse foi projetado para fornecer uma plataforma unificada para que as empresas criem soluções de MMM modernizadas, escaláveis e flexíveis.

Uma das vantagens mais significativas do Databricks Lakehouse é sua capacidade de unificar várias fontes de dados upstream. Isso significa que a plataforma pode reunir diferentes fontes de dados essenciais para o MMM, como dados econométricos offline, dados de campanhas de mídia e dados de CRM, e unificá-los em uma única fonte de verdade. Isso é particularmente útil no mundo atual data-driven, onde as empresas precisam lidar com grandes volumes de dados de diferentes fontes.

Outra vantagem fundamental do Databricks Lakehouse que pode beneficiar muito o MMM é a capacidade de otimizar os pipelines de dados. Após a ingestão de dados, o processo de MMM exige a transformação de vários canais de marketing e a análise do impacto deles nos KPIs, o que envolve o manuseio de uma ampla variedade de dados de várias fontes. O Lakehouse pode automatizar a ingestão de dados, o processamento e a transformação, reduzindo o tempo e o esforço necessários para gerenciar pipelines de dados manualmente. Isso garante que os dados sejam entregues incrementalmente, com um monitoramento abrangente da qualidade dos dados.

Além disso, um benefício significativo do Databricks Lakehouse é que ele fornece um sistema de rastreamento de linhagem que garante o estabelecimento da linhagem para todos os seus ativos de dados — não apenas os dados em si, mas também incluindo o código, os artefatos do modelo e as iterações de job. Ele oferece total transparência e rastreabilidade do uso de dados, permitindo que as empresas tomem decisões data-driven com confiança. Isso é especialmente importante no contexto do MMM, em que a precisão e a confiabilidade dos dados são essenciais para entender o impacto dos canais de marketing nas vendas e para alterar a alocação de verbas de marketing.

Passando para a fase de modelagem, um dos principais diferenciais do Databricks lakehouse são seus poderosos recursos de DSML, que são particularmente evidentes em seu ML Runtime de primeira linha e em suas ferramentas de MLOps. Uma tarefa crucial para a modelagem de MMM é a extensa definição de priors e a transformação de variáveis, que exigem um grande número de iterações. O MLflow permite que os comerciantes rastreiem a derivação e as transformações de suas variáveis independentes (recursos) e seu uso em modelos. Além disso, o Feature Store da Databricks incentiva as melhores práticas em engenharia de recursos, fornecendo à equipe de DSML as ferramentas e a infraestrutura necessárias para criar, descobrir e reutilizar recursos. Isso otimiza o processo de modelagem e aumenta a precisão das previsões para os resultados de negócios. Esses recursos permitem que os comerciantes aproveitem de forma integrada todo o potencial de seus dados, impulsionando decisões de marketing mais informadas e eficazes.

A essa altura, já deve estar evidente que o Databricks traz enormes ganhos de eficiência para a equipe de MMM! Com o Databricks, até mesmo data scientists de nó único podem distribuir o ajuste e o treinamento, executar vários cenários e configurações simultaneamente no cluster e construir modelos independentes entre marcas, categorias e geografias em paralelo. Veja a demonstração abaixo:

O Runtime de ML é um ambiente de ML totalmente gerenciado, seguro e colaborativo que aproveita diretamente a produtividade da equipe de DS, sem exigir que eles inicializem, criem ou mantenham seu próprio ambiente de DS. Além disso, promove um fluxo de trabalho colaborativo ao facilitar o compartilhamento do trabalho, o que evita abordagens inconsistentes adotadas por equipes diferentes. Uma solução é desenvolver mecanismos para preencher dados ausentes, como obter dados de um marketplace ou armazenar dados adquiridos de fontes como Dun & Bradstreet, S&P, Edgar, dados meteorológicos e pesquisa de mercado em um local com boa curadoria no Lakehouse. Essa abordagem pode evitar que as equipes reinventem a roda quando se trata de dados e código, o que, em última análise, economiza tempo e recursos. No entanto, é vital reconhecer que essa falta de reutilização e o ato de reinventar a roda também se aplicam ao código e ao restante do pipeline, tornando necessário mover o MMM para silos de equipe a fim de aumentar a eficiência e minimizar as discrepâncias.

A natureza de código aberto do Lakehouse oferece o ambiente ideal para executar todas as bibliotecas de código aberto populares para MMM, como PyMC em Python e Robyn em R. Este recurso permite que os usuários criem soluções que atendam às suas necessidades específicas e evitem a dependência de fornecedores.

Por último, mas não menos importante, o DBSQL com integração de BI e o marketplace da Databricks permite que a equipe de MMM publique as percepções do modelo com facilidade, encurtando o tempo para levar novos projetos de modelagem desde a coleta de dados até as percepções acionáveis do executivo de MMM. Ao consolidar e padronizar todas as atividades de dados e IA, o Lakehouse se torna o melhor lugar para criar não apenas uma solução de MMM, mas também qualquer outra solução de dados e IA na qual a equipe trabalhará hoje e no futuro.

Saiba como o Databricks for Lakehouse pode ajudar você a otimizar campanhas de marketing em vários canais com o MMM. Acesse o acelerador de solução.