Che cos'è un MMM e perché è importante per gli addetti marketing?

L'MMM (Marketing o Media Mix Modeling) è una metodologia basata sui dati che consente alle aziende di identificare e misurare l'impatto delle loro campagne di marketing su più canali. Lo scopo dell'MMM è aiutare le aziende a prendere decisioni informate sulle loro strategie pubblicitarie e di marketing. Analizzando i dati provenienti da vari canali come TV, social media, e-mail marketing e altro ancora, l'MMM può determinare quali canali contribuiscono maggiormente alle vendite e ad altri risultati di business. Includendo eventi e indicatori esterni, le figure decisionali possono comprendere meglio l'impatto di fattori esterni (come festività, condizioni economiche o meteo) ed evitare di sovrastimare accidentalmente l'impatto della sola spesa pubblicitaria.

Utilizzando l'MMM, le aziende possono identificare quali canali di marketing generano il maggior engagement, le maggiori vendite o i maggiori ricavi. Queste informazioni possono essere utilizzate per ottimizzare i budget di marketing e allocare le risorse ai canali più efficaci. Ad esempio, supponiamo che un'azienda abbia condotto campagne di marketing su diversi canali, come social media, email marketing, annunci TV, ecc. Tuttavia, il team di marketing non è sicuro di quale canale stia offrendo il ROI più elevato. È qui che entra in gioco l'MMM. Analizzando i dati aggregati di tutti questi canali, un modello potente può aiutare l'azienda a identificare le campagne che generano più ricavi, nonché i canali che forniscono il ritorno sulla spesa pubblicitaria più efficiente, consentendole di ottimizzare efficacemente le proprie strategie pubblicitarie. Ciò consente all'azienda di ottimizzare i propri sforzi di marketing e di allocare il proprio budget nella giusta direzione.

Per anni, l'MMM è stato uno strumento molto potente e considerato rivoluzionario, offrendo alle aziende più esperte il vantaggio di cui hanno bisogno per rimanere un passo avanti alla concorrenza. Sfruttando la potenza del processo decisionale basato sui dati, l'MMM consente alle aziende di effettuare investimenti intelligenti nelle proprie strategie di marketing, garantendo che ogni dollaro venga speso nel posto giusto, al momento giusto e nel modo giusto. Ciò si traduce in risultati notevoli, da un maggiore coinvolgimento dei clienti e un aumento delle vendite a un elevato ritorno sull'investimento.

L'evoluzione dei MMM

L'MMM esiste da decenni ed è sempre stato un potente strumento per misurare l'efficacia delle campagne di marketing. Il modello può tenere conto di vari fattori come la stagionalità, l'attività della concorrenza e le tendenze macroeconomiche per fornire una visione olistica dell'impatto complessivo delle attività di marketing. Tuttavia, negli ultimi anni, l'MMM è stato in qualche modo messo in ombra dall'MTA (Multi-Touch Attribution), che offre un approccio più granulare all'attribuzione tracciando i singoli utenti attraverso più punti di contatto. Con l'MTA, gli addetti marketing possono vedere quali specifici punti di contatto generano conversioni per i singoli utenti e allocare il budget di conseguenza. Questo livello di granularità ha reso l'MTA una scelta popolare per molti addetti marketing, soprattutto per quelli che operano nel marketing digitale.

Ma con le nuove normative sulla privacy, come il GDPR (Regolamento generale sulla protezione dei dati) e il CCPA (California Consumer Privacy Act), il tracciamento basato sui cookie su cui si basa l'MTA sta diventando più difficile. Ciò significa che l'MMM, che utilizza dati aggregati anziché dati a livello di utente, sta acquisendo nuovo slancio per affermarsi.

Quindi, potresti chiederti quale strumento scegliere per misurare l'efficacia del marketing. Nella scelta tra i due, ci sono diversi fattori da considerare quando si tratta di selezionare l'MMM. Un'opzione da considerare è scegliere l'MMM quando alcuni o tutti i dati sono pre-aggregati. Un altro fattore è se le iniziative di marketing coinvolgono canali sia online che offline. Ciò è sempre più importante nell'era digitale di oggi, dove i confini tra marketing online e offline sono spesso sfumati. Infine, se si dispone di informazioni esterne pertinenti per le proprie iniziative di marketing, come i risultati di geo-test, l'MMM può aiutare a integrare questi dati nel modello.

Vantaggi di MMM
Innanzitutto, l'analisi basata su MMM può includere l'impatto dei canali offline, come la pubblicità su TV, stampa, radio o OOH (Out-Of-Home), che non è possibile tracciare con i cookie. Alcune tecniche di modellazione più avanzate hanno persino la capacità di incorporare l'effetto incanalare, che descrive come i vari canali lavorano insieme, così come gli effetti moltiplicativi che tengono conto dell'impatto sinergico di questi canali. Inoltre, può fornire approfondimento sull'impatto a più lungo termine delle attività di marketing, che l'MTA potrebbe non cogliere. L'MMM è considerato più scalabile e può essere utilizzato per misurare l'impatto delle attività di marketing in vaste aree geografiche o addirittura in intere nazioni.

Inoltre, l'MMM può aiutare le aziende a rispettare le normative sulla privacy utilizzando dati aggregati anziché dati dei singoli utenti. Ciò significa che le aziende possono ancora misurare l'efficacia delle loro attività di marketing senza compromettere la privacy degli utenti.

In questo post su un blog, esploreremo le caratteristiche principali dei MMM e come la Databricks Lakehouse Platform può aiutare le aziende a creare una soluzione MMM moderna, solida e scalabile.

Affrontare le sfide comuni

I MMM vengono realizzati da una vasta gamma di aziende, dalle società di consulenza agli inserzionisti e ai fornitori di software. Mentre le aziende continuano a cercare modi per ottimizzare la loro spesa di marketing, i MMM sono diventati un metodo sempre più popolare per misurare il ROI. Tuttavia, creare una soluzione MMM scalabile e robusta può essere un'attività complessa. In questa sezione discutiamo alcune delle sfide comuni che le aziende affrontano quando creano una soluzione scalabile. In questa sezione analizziamo alcune delle sfide più comuni.

Una delle sfide più significative nella creazione di una soluzione MMM sono le sorgenti di dati a monte. Il team di Data Science e Machine Learning deve unire flussi di dati provenienti da fonti diverse per i dati MMM, inclusi i dati di terze parti come i dati econometrici, a cui mancano metodi di raccolta standardizzati. Inoltre, le sorgenti di dati sono spesso sparse in luoghi diversi, come database legacy, Hive, file flat SFTP e altre fonti, rendendo difficile ottenere i dati necessari. Inoltre, i dati devono essere aggiornati manualmente ogni mese, un'attività che può essere noiosa e richiedere molto tempo.

Un altro ostacolo al raggiungimento di risultati MMM accurati è l'assenza di dati. Ad esempio, è comune che manchino l'acquisizione di dati economici e i dati dei media tradizionali/offline, il che può compromettere notevolmente l'accuratezza dei risultati. Questa sfida può essere particolarmente accentuata per le aziende presenti in più paesi, dove le normative possono imporre restrizioni sulla raccolta e la condivisione dei dati. Nella moderna era dell'IA, la soluzione MMM, essendo una forma di modello di machine learning, non è esente dalle sfide e dai rischi associati al campo emergente dell'IA. Tracciare il lineage delle sorgenti di dati fino ai modelli, dall'acquisizione fino alla dashboard di insight, può essere un ostacolo significativo per gli approcci tradizionali, rendendo difficile mantenere trasparenza e responsabilità.

Inoltre, l'esistenza di silos tra i team può ostacolare la creazione di una soluzione MMM scalabile. La creazione dei modelli avviene spesso in ambienti separati, il che crea barriere tra i team sia a livello orizzontale, tra domini funzionali tecnici e di business, sia a livello verticale, tra livelli organizzativi, brand, categorie e business unit. La mancanza di metodi di controllo della versione per modelli, codice e dati può causare incoerenze e imprecisioni all'interno della soluzione MMM. Inoltre, un codice legacy complesso può rendere la soluzione difficile da gestire e aggiornare, richiedendo notevoli sforzi di refactoring. Inoltre, si verificano spesso processi manuali e l'analisi viene in genere eseguita come attività una tantum ogni pochi mesi, che singoli o piccoli team devono ripetere invece di far parte di una pipeline DSML più automatizzata, ripetibile e affidabile.

Infine, la pubblicazione dei dati e la condivisione delle informazioni dettagliate sono spesso ritardate e richiedono un'integrazione separata. Ciò può rendere difficile per gli stakeholder prendere rapidamente decisioni informate, causando ulteriori ritardi nel processo decisionale, opportunità perse e una scarsa agilità di reazione in un contesto economico sempre più frenetico e dinamico, soprattutto quando i concorrenti si muovono alla velocità della luce. Molte soluzioni MMM esistenti mancano inoltre della flessibilità e della protezione della privacy necessarie per collaborare efficacemente con clienti e partner.

Di conseguenza, le aziende devono adottare un approccio completo e meticoloso all'implementazione dell'MMM nell'era dell'IA, tenendo conto delle sfide e dei rischi unici associati alla tecnologia DSML.

Crea il tuo MMM scalabile e flessibile con Databricks Lakehouse

Diagramma di riferimento

Il Databricks Lakehouse è progettato per fornire una piattaforma unificata che permette alle aziende di creare soluzioni MMM moderne, scalabili e flessibili.

Uno dei vantaggi più significativi di Databricks Lakehouse è la sua capacità di unificare varie sorgenti di dati a monte. Ciò significa che la piattaforma può riunire diverse sorgenti di dati essenziali per l'MMM, come i dati econometrici offline, i dati delle campagne multimediali e i dati CRM, e unificarli in un'unica fonte di verità. Ciò è particolarmente utile nel mondo odierno basato su dati, in cui le aziende devono gestire grandi volumi di dati provenienti da fonti diverse.

Un altro vantaggio chiave del Lakehouse di Databricks di cui l'MMM può beneficiare notevolmente è la capacità di ottimizzare le pipeline di dati. Dopo l'acquisizione dei dati, il processo MMM richiede la trasformazione di vari canali di marketing e l'analisi del loro impatto sui KPI, il che comporta la gestione di una vasta gamma di dati provenienti da varie fonti. Il Lakehouse può automatizzare l'acquisizione, l'elaborazione e la trasformazione dei dati, riducendo il tempo e l'impegno necessari per gestire manualmente le pipeline di dati. Ciò garantisce che i dati vengano forniti in modo incrementale, con un monitoraggio completo della qualità dei dati.

Inoltre, la Lakehouse fornisce un sistema di tracciamento del lineage che consente di stabilire il lineage di tutti i data asset (non solo dei dati stessi, ma anche di codice, artefatti di modello e iterazioni dei job), il che rappresenta un vantaggio significativo della Lakehouse di Databricks. Offre piena trasparenza e tracciabilità dell'utilizzo dei dati, consentendo alle aziende di prendere decisioni basati sui dati in tutta sicurezza. Ciò è particolarmente importante nel contesto dei MMM, dove l'accuratezza e l'affidabilità dei dati sono fondamentali per comprendere l'impatto dei canali di marketing sulle vendite e per modificare l'allocazione dei budget di marketing.

Passando alla fase di modellazione, uno dei principali elementi di differenziazione di Databricks Lakehouse sono le sue potenti funzionalità DSML, che sono particolarmente evidenti nei suoi strumenti MLOps e ML Runtime di prima classe. Un'attività cruciale per la modellazione MMM è l'impostazione estesa dei prior e la trasformazione delle variabili, che richiedono un gran numero di iterazioni. MLflow consente agli addetti al marketing di tracciare la derivazione e la trasformazione delle loro variabili indipendenti (funzionalità) e il loro utilizzo nei modelli. Inoltre, il negozio di funzionalità di Databricks incoraggia le best practice nell'ingegneria delle funzionalità, fornendo al team DSML gli strumenti e l'infrastruttura necessari per creare, scoprire e riutilizzare le funzionalità. Ciò semplifica il processo di modellazione e migliora l'accuratezza delle previsioni per i risultati aziendali. Queste funzionalità consentono agli addetti al marketing di sfruttare appieno tutto il potenziale dei loro dati, prendendo decisioni di marketing più informate ed efficaci.

A questo punto, dovrebbe essere evidente che Databricks apporta enormi vantaggi in termini di efficienza al team MMM! Con Databricks, anche i data scientists su un singolo nodo possono distribuire l'ottimizzazione e l'addestramento, eseguire più scenari e configurazioni contemporaneamente nel cluster e creare modelli indipendenti per brand, categorie e aree geografiche in parallelo. Vedi la dimostrazione di seguito:

Il Runtime ML è un ambiente ML completamente gestito, sicuro e collaborativo che sfrutta direttamente la produttività del team DS senza richiedere loro di avviare, costruire o mantenere il proprio ambiente DS. Inoltre, promuove un flusso di lavoro collaborativo facilitando una facile condivisione del lavoro, il che previene approcci incoerenti adottati da team diversi. Una soluzione consiste nello sviluppare meccanismi per popolare i dati mancanti, come l'approvvigionamento da un marketplace o l'archiviazione di dati procurati da fonti come Dun & Bradstreet, S&P, Edgar, dati meteorologici e ricerche di mercato in una posizione ben curata nel Lakehouse. Questo approccio può evitare che i team reinventino la ruota quando si tratta di dati e codice, risparmiando in definitiva tempo e risorse. Tuttavia, è fondamentale riconoscere che questa mancanza di riutilizzo e il reinventare la ruota si applica anche al codice e al resto della pipeline, rendendo necessario spostare l'MMM in silos di team per aumentare l'efficienza e ridurre al minimo le discrepanze.

La natura open-source di Lakehouse fornisce l'ambiente ideale per l'esecuzione di tutte le librerie open-source più diffuse per MMM, come PyMC in Python e Robyn in R. Questa funzionalità consente agli utenti di creare soluzioni che soddisfino le loro esigenze specifiche e di evitare il vendor lock-in.

Infine, ma non meno importante, DBSQL con l'integrazione BI e il marketplace di Databricks consente al team MMM di pubblicare con facilità gli approfondimenti del modello, riducendo i tempi necessari per portare i nuovi progetti di modellazione dalla raccolta dei dati ad approfondimenti strategici per i dirigenti MMM. Consolidando e standardizzando tutte le attività relative ai dati e all'IA, la Lakehouse si rivela il luogo ideale per creare non solo una soluzione MMM, ma anche qualsiasi altra soluzione di dati e IA su cui il team lavorerà oggi e in futuro.

Scopri in che modo Databricks per Lakehouse può aiutarti a ottimizzare le campagne di marketing su più canali con l'MMM. Accedi all'acceleratore di soluzioni.