O que é MMM e por que isso importa para os profissionais de marketing?

O MMM (Marketing or Media Mix Modeling) é uma metodologia baseada em dados que permite às empresas identificar e medir 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. Ao analisar dados de vários canais, como TV, redes sociais, e-mail marketing e outros, 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, vendas 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 esteja executando 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 gerando 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 oferecem o retorno mais eficiente sobre os gastos com anúncios, permitindo otimizar suas estratégias de publicidade de maneira eficaz. Isso permite que a empresa otimize seus esforços de marketing e aloque seu orçamento na direção certa.

Durante anos, o MMM tem sido uma ferramenta muito poderosa e considerada um divisor de águas, dando às empresas inovadoras a vantagem necessária para se manterem à frente da concorrência. Ao aproveitar o poder da tomada de decisão baseada em dados, o MMM capacita as empresas a fazer investimentos inteligentes em suas estratégias de marketing, garantindo que cada centavo seja gasto no lugar certo, no momento certo e da maneira certa. Isso se traduz em resultados expressivos, desde um maior engajamento do cliente e aumento das 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 consideração vários fatores, como sazonalidade, atividade competitiva e tendências macroeconômicas, para fornecer uma visão holística do impacto geral das atividades de marketing. No entanto, nos últimos anos, o MMM foi um pouco ofuscado pelo MTA (Multi-Touch Attribution), que oferece uma abordagem mais granular para atribuição, rastreando usuários individuais em vários pontos de contato. Com o MTA, os profissionais de marketing podem ver quais pontos de contato específicos estão gerando conversões para usuários individuais e alocar o orçamento de acordo. Esse nível de granularidade tornou o MTA uma escolha popular para muitos profissionais de marketing, especialmente no marketing digital.

Mas com as novas regulamentações de privacidade, como a GDPR (General Data Protection Regulation) e a CCPA (California Consumer Privacy Act), o rastreamento baseado em cookies no qual o MTA se apoia está se tornando mais difícil. Isso significa que o MMM, que usa dados agregados em vez de dados no nível do usuário, agora está ganhando um novo fôlego para se destacar.

Então, você pode se perguntar qual ferramenta escolher para medir a eficácia do marketing. Ao escolher entre as duas, há vários fatores a serem considerados ao selecionar o MMM. Uma opção a considerar é escolher o MMM quando alguns ou todos os seus dados já estiverem 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 fronteiras entre o marketing online e offline costumam ser tênues. Por fim, se você tiver informações externas relevantes para seus esforços de marketing, como resultados de testes geográficos, 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 TV, mídia impressa, rádio ou publicidade OOH (Out-Of-Home), que não podem ser rastreados com cookies. Algumas técnicas de modelagem mais avançadas têm até a capacidade de incorporar o efeito de funil, que descreve como vários canais funcionam juntos, bem como efeitos multiplicativos que explicam o impacto sinérgico desses canais. Além disso, ele pode fornecer insights sobre o impacto de longo prazo das atividades de marketing, que o MTA pode deixar passar. O MMM é considerado mais escalável e pode ser usado para medir o impacto das atividades de marketing em grandes regiões geográficas 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.

Neste post de blog, exploraremos os principais recursos do MMM e como a plataforma Databricks Lakehouse pode ajudar as empresas a criar uma solução de MMM moderna, robusta e escalável.

Superando desafios comuns

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

Um dos desafios mais significativos na criação de uma solução de MMM são as fontes de dados upstream. A equipe de Data Science e Machine Learning precisa unificar fluxos de dados de diferentes fontes para os dados de MMM, incluindo dados de terceiros, como dados econométricos, que carecem de formas padronizadas de coleta. Além disso, as fontes de dados costumam estar dispersas em vários locais, 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 tediosa e demorada.

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

Além disso, a existência de silos entre as equipes pode dificultar a criação de uma solução de MMM escalável. A construção de modelos geralmente ocorre em ambientes segregados, gerando barreiras entre as equipes tanto horizontalmente, abrangendo domínios técnicos e de negócios, quanto verticalmente, entre 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, códigos legados complexos podem tornar a solução difícil de manter e atualizar, exigindo grandes esforços de refatoração. Além disso, processos manuais ocorrem com frequência, e a análise geralmente é realizada como uma atividade única a cada poucos meses, que indivíduos ou pequenas equipes precisam repetir, em vez de fazer parte de um pipeline de DSML mais automatizado, repetível e confiável.

Por fim, a publicação de dados e o compartilhamento de insights costumam sofrer atrasos e exigir integrações separadas. Isso pode dificultar a tomada de decisões rápidas e informadas pelas partes interessadas, levando a novos atrasos na tomada de decisões, perda de oportunidades e baixa agilidade para reagir em um ambiente econômico cada vez mais dinâmico e acelerado — especialmente quando os concorrentes estão se movendo na velocidade da luz. Muitas soluções de MMM existentes também carecem da flexibilidade e da 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 AI, considerando os desafios e riscos exclusivos associados à tecnologia de DSML.

Crie seu MMM escalável e flexível com o Databricks Lakehouse

Diagrama de referência

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

Uma das vantagens mais significativas do Databricks Lakehouse é a 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, unificando-os em uma única fonte da verdade. Isso é particularmente útil no mundo atual orientado por dados, onde as empresas precisam lidar com grandes volumes de dados de diferentes fontes.

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

Além disso, o Lakehouse oferece 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 o código, artefatos de modelo e iterações de jobs —, o que é um benefício significativo do Databricks Lakehouse. Ele oferece total transparência e rastreabilidade do uso de dados, permitindo que as empresas tomem decisões orientadas por dados com confiança. Isso é especialmente importante no contexto do MMM, onde a precisão e a confiabilidade dos dados são críticas para entender o impacto dos canais de marketing nas vendas e direcionar a alocação de verba de marketing.

Passando para a fase de modelagem, um dos principais diferenciais do Databricks Lakehouse são seus poderosos recursos de DSML, que ficam particularmente evidentes em suas ferramentas de MLOps e ML Runtime de primeira classe. Uma tarefa crucial para a modelagem de MMM é a ampla definição prévia e transformação de variáveis, que exigem um grande número de iterações. O MLflow permite que os profissionais de marketing acompanhem a derivação e a transformação de suas variáveis independentes (recursos/features) e seu uso nos modelos. Além disso, o Databricks Feature Store 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 simplifica o processo de modelagem e aumenta a precisão das previsões para os resultados de negócios. Esses recursos permitem que os profissionais de marketing aproveitem perfeitamente todo o potencial de seus dados, impulsionando decisões de marketing mais informadas e eficazes.

A esta altura, deve estar claro que o Databricks traz ganhos de eficiência tremendos para a equipe de MMM! Com o Databricks, até mesmo cientistas de dados em nó único podem distribuir o ajuste e o treinamento, executar vários cenários e configurações simultaneamente no cluster e criar modelos independentes em marcas, categorias e regiões geográficas em paralelo, conforme demonstrado abaixo:

O ML Runtime é um ambiente de ML totalmente gerenciado, seguro e colaborativo que impulsiona diretamente a produtividade da equipe de DS, sem exigir que eles inicializem, criem ou mantenham seu próprio ambiente de DS. Além disso, ele fomenta um fluxo de trabalho colaborativo ao facilitar o compartilhamento simples de trabalho, o que evita abordagens inconsistentes adotadas por equipes diferentes. Uma solução é desenvolver mecanismos para preencher dados ausentes, como buscar em um marketplace ou armazenar dados obtidos de fontes como Dun & Bradstreet, S&P, Edgar, dados meteorológicos e pesquisas de mercado em um local bem organizado no Lakehouse. Essa abordagem pode evitar que as equipes reinventem a roda quando se trata de dados e códigos, economizando tempo e recursos. No entanto, é vital reconhecer que essa falta de reutilização e a reinvenção da roda também se aplicam ao código e ao restante do pipeline, tornando necessário mover o MMM para silos de equipe para aumentar a eficiência e minimizar discrepâncias.

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

Por último, mas não menos importante, o DBSQL com integração de BI e o Databricks Marketplace permitem que a equipe de MMM publique os insights do modelo com facilidade, reduzindo o tempo para levar novos projetos de modelagem desde a coleta de dados até os insights acionáveis para executivos de MMM. Ao consolidar e padronizar todas as atividades de dados e IA, o Lakehouse se consolida como o melhor lugar para criar não apenas uma solução de MMM, mas também qualquer outra solução de dados e IA em que a equipe trabalhará hoje e no futuro.

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

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original