Che cos'è un MMM e perché è importante per i marketer?

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

Utilizzando il MMM, le aziende possono identificare quali canali di marketing generano più coinvolgimento, vendite o ricavi. Queste informazioni possono essere utilizzate per ottimizzare i budget di marketing e allocare le risorse ai canali più efficaci. Ad esempio, ipotizziamo che un'azienda abbia avviato 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 il MMM si rivela utile. 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 offrono il ritorno sulla spesa pubblicitaria più efficiente, consentendo di ottimizzare efficacemente le strategie pubblicitarie. Ciò consente all'azienda di ottimizzare le proprie attività di marketing e di allocare il budget nella giusta direzione.

Per anni, il MMM è stato uno strumento molto potente ed è stato considerato una svolta decisiva, offrendo alle aziende più attente il vantaggio necessario per battere la concorrenza. Sfruttando il potere del processo decisionale basato sui dati, il MMM consente alle aziende di effettuare investimenti intelligenti nelle proprie strategie di marketing, garantendo che ogni risorsa venga spesa nel posto giusto, al momento giusto e nel modo giusto. Ciò si traduce in risultati straordinari, da un maggiore coinvolgimento dei clienti e un aumento delle vendite, fino a un elevato ritorno sull'investimento.

L'evoluzione del MMM

Il MMM esiste da decenni ed è sempre stato uno strumento potente 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, il MMM è stato in parte messo in ombra dall'MTA (Multi-Touch Attribution), che offre un approccio più granulare all'attribuzione tracciando i singoli utenti attraverso molteplici punti di contatto. Con l'MTA, i professionisti del 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 marketer, specialmente nel marketing digitale.

Ma con le nuove normative sulla privacy, come il GDPR (General Data Protection Regulation) 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 il MMM, che utilizza dati aggregati anziché dati a livello di singolo utente, sta ora guadagnando un nuovo slancio per farsi valere.

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 il MMM. Un'opzione da considerare è scegliere il MMM quando alcuni o tutti i dati sono pre-aggregati. Un altro fattore è se le tue attività di marketing coinvolgono canali sia online che offline. Questo è sempre più importante nell'era digitale di oggi, in cui i confini tra marketing online e offline sono spesso sfumati. Infine, se disponi di informazioni esterne rilevanti per le tue attività di marketing, come i risultati dei test geografici, il MMM può aiutarti a incorporare questi dati nel tuo modello.

Vantaggi del MMM
In primo luogo, l'analisi basata sul MMM può incorporare l'impatto dei canali offline, come la pubblicità in TV, sulla stampa, alla 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 funnel, che descrive come i vari canali lavorano insieme, nonché gli effetti moltiplicativi che tengono conto dell'impatto sinergico di questi canali. Inoltre, può fornire informazioni sull'impatto a lungo termine delle attività di marketing, che l'MTA potrebbe non cogliere. Il MMM è considerato più scalabile e può essere utilizzato per misurare l'impatto delle attività di marketing su vaste aree geografiche o persino su interi paesi.

Inoltre, il 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 comunque misurare l'efficacia delle proprie attività di marketing senza compromettere la privacy degli utenti.

In questo post del blog, esploreremo le caratteristiche principali del MMM e come la piattaforma Databricks Lakehouse possa aiutare le aziende a creare una soluzione MMM moderna, robusta e scalabile.

Affrontare le sfide comuni

Il MMM viene sviluppato da una vasta gamma di aziende, dalle società di consulenza agli inserzionisti, fino ai fornitori di software. Mentre le aziende continuano a cercare modi per ottimizzare la spesa di marketing, il MMM è diventato un metodo sempre più popolare per misurare il ROI. Tuttavia, creare una soluzione MMM scalabile e robusta può essere un compito impegnativo. In questa sezione discuteremo alcune delle sfide comuni che le aziende affrontano quando creano una soluzione scalabile. In questa sezione discuteremo alcune delle sfide comuni.

Una delle sfide più significative nella creazione di una soluzione MMM riguarda le fonti di dati a monte. Il team di Data Science e Machine Learning deve unire flussi di dati provenienti da diverse fonti per i dati MMM, inclusi dati di terze parti come i dati econometrici, che mancano di modalità di raccolta standardizzate. Inoltre, le fonti di dati sono spesso sparse in vari luoghi, 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, il che può essere un compito noioso e dispendioso in termini di tempo.

Un altro ostacolo al raggiungimento di risultati MMM accurati è l'assenza di dati. Ad esempio, è comune che l'acquisizione di dati economici e di dati dei media tradizionali/offline sia mancante, il che può ostacolare notevolmente l'accuratezza dei risultati. Questa sfida può essere particolarmente pronunciata per le aziende presenti in più paesi, dove le normative possono imporre restrizioni sulla raccolta e sulla condivisione dei dati. Nella moderna era dell'AI, la soluzione MMM, essendo una forma di modello di machine learning, non è esente dalle sfide e dai rischi associati al campo emergente dell'AI. Tracciare la provenienza (lineage) delle fonti di dati fino ai modelli dall'acquisizione fino alla dashboard dei risultati può essere un ostacolo significativo per gli approcci tradizionali, rendendo difficile mantenere la trasparenza e la 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 isolati, il che porta a barriere tra i team sia in senso orizzontale, tra domini tecnici e funzionali di business, sia in senso verticale, tra livelli organizzativi, marchi, categorie e unità aziendali. L'assenza di metodi di controllo della versione per modelli, codice e dati può causare incongruenze e imprecisioni all'interno della soluzione MMM. Inoltre, un codice legacy ingombrante può rendere la soluzione difficile da mantenere e aggiornare, richiedendo notevoli sforzi di refactoring. Inoltre, si ricorre spesso a processi manuali e l'analisi viene in genere eseguita come attività una tantum ogni pochi mesi, che singoli individui o piccoli team devono ripetere anziché far parte di una pipeline DSML più automatizzata, ripetibile e affidabile.

Infine, la pubblicazione dei dati e la condivisione dei risultati sono spesso ritardate e richiedono un'integrazione separata. Ciò può rendere difficile per gli stakeholder prendere decisioni informate rapidamente, portando a ulteriori ritardi nel processo decisionale, a opportunità perse e a una scarsa agilità nel reagire in un contesto economico sempre più rapido e dinamico, specialmente 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 del MMM nell'era dell'AI, 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

Databricks Lakehouse è progettato per fornire alle aziende una piattaforma unificata per creare soluzioni MMM modernizzate che siano al contempo scalabili e flessibili.

Uno dei vantaggi più significativi di Databricks Lakehouse è la sua capacità di unificare diverse fonti di dati a monte. Ciò significa che la piattaforma può unire diverse fonti di dati essenziali per il MMM, come i dati econometrici offline, i dati delle campagne media e i dati CRM, unificandoli in un'unica fonte di verità. Questo è particolarmente utile nel mondo odierno guidato dai dati, in cui le aziende devono gestire grandi volumi di dati provenienti da fonti diverse.

Un altro vantaggio chiave di Databricks Lakehouse che può avvantaggiare notevolmente il MMM è la capacità di semplificare le pipeline di dati. Dopo l'ingestione 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 un'ampia gamma di dati provenienti da varie fonti. Il Lakehouse può automatizzare l'ingestione, l'elaborazione e la trasformazione dei dati, riducendo il tempo e lo sforzo 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, il Lakehouse fornisce un sistema di tracciamento della lineage che garantisce di stabilire la lineage per tutti i tuoi asset di dati (non solo i dati stessi, ma anche il codice, gli artefatti del modello e le iterazioni dei job), rappresentando un vantaggio significativo di Databricks Lakehouse. Offre piena trasparenza e tracciabilità dell'uso dei dati, consentendo alle aziende di prendere decisioni basate sui dati in tutta sicurezza. Questo è particolarmente importante nel contesto del MMM, dove l'accuratezza e l'affidabilità dei dati sono fondamentali per comprendere l'impatto dei canali di marketing sulle vendite e ottimizzare l'allocazione del budget di marketing.

Passando alla fase di modellazione, uno dei principali elementi di differenziazione di Databricks Lakehouse è rappresentato dalle sue potenti funzionalità DSML, particolarmente evidenti nei suoi strumenti ML Runtime e MLOps di prim'ordine. Un compito cruciale per la modellazione MMM è l'ampia impostazione dei prior e la trasformazione delle variabili, che richiedono un gran numero di iterazioni. MLflow consente ai professionisti del marketing di tracciare la derivazione e la trasformazione delle loro variabili indipendenti (feature) e il loro utilizzo nei modelli. Inoltre, il Feature Store di Databricks promuove le best practice nella feature engineering, fornendo al team DSML gli strumenti e l'infrastruttura necessari per creare, scoprire e riutilizzare le feature. Questo semplifica il processo di modellazione e migliora l'accuratezza delle previsioni per i risultati aziendali. Queste funzionalità consentono ai professionisti del marketing di sfruttare appieno e senza problemi il potenziale dei loro dati, guidando decisioni di marketing più informate ed efficaci.

A questo punto, dovrebbe essere evidente che Databricks porta enormi guadagni di efficienza al team MMM! Con Databricks, anche i data scientist su nodo singolo possono distribuire il tuning e l'addestramento, eseguire più scenari e configurazioni contemporaneamente sul cluster e creare modelli indipendenti in parallelo per marchi, categorie e aree geografiche, come mostrato nella dimostrazione seguente:

ML Runtime è un ambiente ML completamente gestito, sicuro e collaborativo che aumenta direttamente la produttività del team DS senza richiedere loro di avviare, creare o mantenere il proprio ambiente DS. Inoltre, favorisce un flusso di lavoro collaborativo facilitando la condivisione del lavoro, il che evita approcci incoerenti adottati da team diversi. Una soluzione consiste nello sviluppare meccanismi per il popolamento dei dati mancanti, ad esempio attingendo da un marketplace o archiviando i dati acquistati 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 tempo e risorse. Tuttavia, è fondamentale riconoscere che questa mancanza di riutilizzo e la tendenza a reinventare la ruota si applicano anche al codice e al resto della pipeline, rendendo necessario spostare il MMM al di fuori dei silos dei team per aumentare l'efficienza e ridurre al minimo le discrepanze.

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

Infine, DBSQL con integrazione BI e il marketplace di Databricks consentono al team MMM di pubblicare facilmente gli insight del modello, riducendo i tempi per portare i nuovi progetti di modellazione dalla raccolta dei dati agli insight operativi per l'executive MMM. Consolidando e standardizzando tutte le attività relative a dati e IA, il 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 come Databricks per il Lakehouse può aiutarti a ottimizzare le campagne di marketing su più canali con il MMM. Accedi all'acceleratore di soluzioni.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale