30 saniyede özet

Marketing Mix Modeling, yani pazarlama karması modellemesi, satış veya gelir gibi bir iş sonucundaki değişimi pazarlama faaliyetleri ve diğer etkenlerle birlikte açıklamaya çalışan istatistiksel bir yaklaşımdır. MMM kısaltmasıyla anılır. Kanal harcamaları; fiyat, promosyon, mevsimsellik ve dağıtım gibi değişkenlerle birlikte değerlendirilir. Amaç, geçmiş katkıyı tahmin etmek ve gelecekteki bütçe seçeneklerini karşılaştırmaktır. Kullanıcıların tek tek izlenmesini gerektirmeyen toplulaştırılmış verilerle çalışabilir. Ancak modelin ürettiği sonuç, varsayımlardan bağımsız bir gerçek değildir. İyi bir MMM çalışması, bütçe önerisinin yanında belirsizliği ve önerinin hangi koşullarda geçerli olduğunu da gösterir.

Neden önemli?

Bir şirket televizyon, arama reklamları, sosyal medya ve mağaza kampanyaları kullanıyor olabilir. Her kanal kendi raporunda satışa katkı gösterirken finans ekibi toplam yatırımın ne kadar ek gelir yarattığını sorar. Kanal raporlarını yan yana koymak bu soruyu çözmez; aynı satış farklı sistemlerde birden fazla kez sahiplenilebilir.

Ayrıca satış yalnızca reklamla değişmez. Fiyat indirimi, yeni mağaza açılışı veya tatil dönemi de talebi etkileyebilir. Pazarlama harcamasıyla satışın aynı dönemde yükselmesi, yükselişin tamamının reklamdan kaynaklandığını göstermez. MMM, bu etkenleri ortak bir değerlendirme çerçevesine taşımayı amaçlar.

Yönetici için kritik soru, geçmişte hangi kanalın iyi göründüğünden çok, sıradaki bütçe artışının nerede daha fazla değer yaratacağıdır. İş analisti için görev, bu karar sorusunu ölçülebilir hale getirmektir. Pazarlama, finans ve satış ekiplerinin farklı gelir tanımları kullanmasını önlemek; model kurulmadan önce yapılması gereken temel bir iştir.

Terim nedir?

MMM, zaman içinde gözlenen iş sonuçlarıyla bu sonuçları etkileyebilecek değişkenler arasında bir model kurar. Örneğin haftalık satış verisi, aynı haftaların kanal harcamaları, fiyatları ve kampanya takvimiyle eşleştirilebilir. Bölgesel veriler varsa, farklı bölgelerdeki uygulama ve sonuç değişimleri de analize dahil edilebilir.

Modelin önemli çıktılarından biri, harcama arttığında beklenen katkının nasıl değiştiğini gösteren yanıt eğrisidir. Burada doygunluk, aynı kanala eklenen her bütçenin önceki kadar katkı sağlamaması anlamına gelir. Gecikmeli etki ise bir reklamın sonucunun yalnızca yayımlandığı dönemde değil, sonraki dönemlerde de ortaya çıkabilmesidir.

Marjinal getiri, bir sonraki bütçe artışından beklenen ek sonuçtur. Bir kanalın geçmiş ortalama getirisi yüksek olsa bile mevcut yatırım düzeyinde marjinal getirisi düşük olabilir. Bu nedenle geçmişte verimli görünen kanala bütün ek bütçeyi aktarmak doğru bir çıkarım olmayabilir.

MMM ile atıflandırma farklı sorulara odaklanır. Atıflandırma, gözlenen müşteri temaslarına dönüşümden pay verir. MMM ise toplu iş sonuçlarının değişimini açıklamaya çalışır. Artımlılık da pazarlama faaliyeti yapılmasaydı oluşmayacak ek sonucu ifade eder. Modelin artımlı katkıyı güvenilir tahmin edebilmesi, ilgili etkenlerin doğru ele alınmasına bağlıdır; istatistiksel uyum tek başına nedensellik kanıtı değildir.

Kaynak
Google for Developers, “An introduction to Meridian” ve “About MMM as a causal inference methodology”, Meridian teknik dokümantasyonu.
https
//developers.google.com/meridian/docs/basics/meridian-introduction
https
//developers.google.com/meridian/docs/causal-inference/about-mmm-causal-inference-methodology

Gerçek vaka: Domino’s’un YouTube yatırımını ayrıştırması

Domino’s Birleşik Krallık ve İrlanda pazarlama yöneticisi Sarah Barron, Ekim 2024’te yayımlanan anlatımında şirketin YouTube yatırımlarını daha ayrıntılı incelemek için MMM yaklaşımını geliştirdiğini açıklıyor. Önceki model, farklı amaçlarla yayımlanan YouTube reklamlarını tek bir kalem olarak ele alıyordu.

Şirket, 2024’te Ebiquity ve Google’dan bir yıllık YouTube reklam performansı verisini daha ayrıntılı analiz etmelerini istedi. Reklam içerikleri, biçimleri, zamanlamaları, hedef kitleleri ve konumları ayrıştırıldı. Barron’un aktardığı bulgular, marka bilinirliği ve doğrudan satış odaklı kampanyaların birlikte değerlendirilmesini destekledi.

Çalışma, yatırımın yılın hangi ayında, ayın hangi haftasında ve haftanın hangi gününde daha verimli dağıtılabileceğine ilişkin planlama girdileri sağladı. Domino’s, bütçesinin izin verdiği ölçüde marka kampanyalarını daha sürekli yürütmeye ve geniş kitlelere ulaşan reklamlarda teklif mesajlarına yer vermeye yöneldi.

Vakanın karar açısından değeri, kanal adının tek başına yeterli analiz birimi olmadığını göstermesidir. Aynı kanaldaki farklı amaçlar ve zamanlamalar, ayrı yönetim kararları gerektirebilir. Bununla birlikte bu anlatım, şirket yöneticisinin aktardığı çalışmadır; yayımlanan metin üzerinden modelin tüm teknik varsayımları bağımsız olarak değerlendirilemez.

Kaynak: Sarah Barron, “How Domino’s built an always-on pizza marketing machine”, Think with Google, Ekim 2024.

Varsayımsal örnek: Ev ürünleri markasının bütçe dağılımı

Bir ev ürünleri markası, televizyon ve dijital reklamlar kullanırken e-ticaret sitesinde dönemsel indirimler yapıyor. Satış ekibi, kampanya haftalarındaki gelir artışını reklamlara bağlıyor. Finans ekibi ise indirimlerin kâr üzerindeki etkisinin görünmediğini söylüyor.

İş analisti önce karar sorusunu netleştiriyor: Gelecek dönemin pazarlama bütçesi, şirketin katkı kârını desteklemek için kanallara nasıl dağıtılmalı? Katkı kârı, satış gelirinden ilgili değişken maliyetler çıkarıldıktan sonra kalan tutardır. Böylece yalnızca ciro artışına odaklanan bir değerlendirmeden kaçınılıyor.

Ekip; satış, iade, fiyat, indirim, stok bulunurluğu ve medya verilerini ortak takvimde topluyor. Reklam yatırımlarının aynı anda artırıldığı dönemler ayrıca işaretleniyor. Çünkü birlikte hareket eden kanalların katkısını ayırmak zorlaşabilir.

Model sonuçları, mevcut bütçe dağılımıyla alternatif dağılımları karşılaştırmak için kullanılıyor. Stok sorunu yaşayan ürünlere yönelik reklam artışı önerileri, operasyon ekibiyle birlikte inceleniyor. Belirsizliği yüksek bir kanal için benzer bölgelerde farklı yatırım düzeyleri uygulanarak sonuçların karşılaştırılacağı bir deney planlanıyor.

Yönetim, bütçeyi tek toplantıda tamamen değiştirmek yerine sınırları belirlenmiş bir uygulama başlatıyor. Sonuçlar, modelin öngörüleri ve fiilen gerçekleşen ticari koşullarla birlikte değerlendiriliyor.

Yaygın üç hata

  1. Satış tahminindeki başarıyı kanal etkisinin doğruluğu sanmak

Model toplam satışı iyi tahmin ederken katkıyı kanallar arasında yanlış dağıtabilir. Özellikle harcamalar sürekli birlikte değişiyorsa ayrıştırma zorlaşır. Değerlendirmede yalnızca tahmin hatasına değil, varsayımlara ve deneylerle uyuma da bakılmalıdır.

  1. Ortalama getiriden doğrudan bütçe kararı üretmek

Geçmiş getiriler, yeni yatırımın aynı sonucu üreteceğini garanti etmez. Mevcut harcama düzeyi, doygunluk ve operasyonel kapasite birlikte ele alınmalıdır. Geçmişte gözlenmeyen çok yüksek yatırım seviyelerine ilişkin tahminler ayrıca temkinli yorumlanmalıdır.

  1. Modeli ticari bağlamdan koparmak

Stok kesintisini, değişen fiyatları veya dağıtım genişlemesini hesaba katmayan bir çalışma reklamın katkısını hatalı değerlendirebilir. Ancak her değişkeni gelişigüzel eklemek de çözüm değildir. Değişkenin iş sonucuyla ve pazarlama faaliyetiyle ilişkisi açıklanmalıdır. Veri hazırlığı, yalnızca teknik ekibe bırakılmamalıdır.

Mini uygulama: MMM karar ve veri hazırlık kartı

Modelleme talebinden önce pazarlama, finans, satış ve analitik ekipleriyle aşağıdaki kartı doldurun:

Karar sorusu
Hangi bütçe kararını, hangi dönem için destekleyeceğiz?
İş sonucu
Satış adedi, net gelir veya kâr ölçütünden hangisini kullanacağız?
Kapsam
Hangi ürünler, bölgeler ve kanallar değerlendirilecek?
Veri tanımı
İadeler, vergiler, indirimler ve harcamalar nasıl kaydediliyor?
Zaman düzeni
Veriler aynı dönemlere ve tutarlı bir takvime getirilebiliyor mu?
Diğer etkenler
Fiyat, stok, dağıtım ve mevsimsellik nasıl ele alınacak?
Ayrıştırma riski
Hangi yatırımlar sürekli birlikte değişiyor?
Doğrulama
Hangi deneyler veya bağımsız bulgularla karşılaştırma yapılacak?
Karar sınırları
Kanal taahhütleri, stok ve bütçe esnekliği neler?
Takip
Uygulama sonrası gerçekleşen sonuçları kim, ne zaman inceleyecek?

Kart tamamlandığında veri eksikliği görünüyorsa model kurulumunu hızlandırmak yerine eksikliği giderecek ölçüm planı oluşturun. Yönetim sunumunda tek bir “ideal bütçe” göstermek yerine mevcut dağılımı ve uygulanabilir alternatifleri karşılaştırın. Her alternatifin beklenen sonucunu, belirsizliğini ve uygulama koşullarını belirtin. Böylece model çıktısı, ekiplerin sorumluluk alabildiği ve sonuçlarını izleyebildiği bir karara dönüşür.

İlgili terimler

Artımlılık, Pazarlama Atıflandırması, ROAS, ROI, Marjinal Getiri, Doygunluk, Gecikmeli Etki, Geo-Lift, Brand Lift, Pazarlama Karması, Bütçe Optimizasyonu