Modelos de atribuição de marketing: MMM e MTA
Uma das maiores dificuldades em marketing é conseguir provar o impacto das ações no resultado financeiro final (American Marketing Association, 2019). Mensurar os ROI das ações de marketing não é uma ciência tão exata quanto a mensuração de outras atividades de negócio. Esse cenário fica ainda mais confuso quando olhamos com uma visão omnichannel e incluímos dados de vendas e ações offline.
O Marketing Mix Modeling Model (MMM) e o modelo de atribuição Multi-Touch (MTA) são os dois modelos mais utilizados para entender e mensurar os impactos das ações de marketing e otimizar a performance delas. (Gartner, 2018).
A modelagem de mix de marketing (MMM) calcula o impacto que o investimento em marketing tem nas vendas e guia a alocação de investimento para otimizar os retornos (Jin et Al, 2017). Esse modelo é útil quando as vendas acontecem fisicamente e o investimento de mídia é alocado para canais online e offline.
O modelo de atribuição Multi-Touch (MTA) é preferido quando o caminho de conversão ocorre principalmente de forma online (Gartner, 2018). Esse modelo fornece informações mais detalhadas sobre a jornada do cliente nos diferentes canais e campanhas específicas. O “ponto cego” desse modelo são os canais offline, já que a maioria desses dados não estão disponíveis em um nível individual.
O MMM consegue preencher essa lacuna. Esse modelo incorpora investimentos em mídia que só podem ser medidos de forma agregada, permitindo a comparação de todos os investimentos em mídia e apresentando uma visão holística de todas as suas atividades de marketing. A comparação das imagens abaixo ilustra que um comercial de televisão, por exemplo, pode induzir novos pontos de contato em clientes existentes, iniciar novos contatos e aumentar a probabilidade de conversão de um canal. As imagens abaixo também mostram que nem todos os caminhos do cliente são afetados pelo comercial de televisão, pois nem todos os indivíduos necessariamente o viram. O MMM pode ser usado para quantificar o efeito agregado dessa ação.
Combinando os modelos
À medida que a jornada do cliente se torna mais complexa, medir as ações de marketing também se tornam. Os profissionais de marketing precisam de insights entre canais, tanto ao nível detalhado quanto em um nível mais amplo. A análise digital por si só não pode oferecer uma visão total do desempenho de marketing. Enquanto isso, MMM tradicional não tem a granularidade necessária para informar as decisões em todos os canais,
especialmente digital. (Google, 2016)
Quando combinamos esses dois modelos, podemos entender de forma mais aprofundada de quais canais estão contribuindo para o resultado geral, evitando conclusões equivocadas e munindo as tomadas de decisão com dados concretos.
Agora que já conhecemos os efeitos das campanhas de televisão, elas podem ser incluídos em sua atribuição granular. Por um lado, os resultados do modelo MTA mostram como uma conversão deve ser atribuída em vários caminhos de conversão online. Por outro lado, os resultados do modelo de mix de marketing mostram as conversões adicionais, receitas ou visitas ao site que os canais de mídia off-line agregados causaram. O desafio agora é reatribuir algumas conversões e combinar as informações fornecidas pelos dois modelos. As conversões são reatribuídas proporcionalmente ao impacto de cada canal.
Por exemplo, imagine que executamos pela primeira vez o modelo MTA, que atribuiu 50 conversões ao canal de pesquisa paga.O restulado do modelo de mix de marketing mostra que 10 dessas conversões de busca paga são resultados da campanha de TV. Nesse caso, o MMM atribui um quinto das conversões de buscas pagas à TV. O MMM reatribui todos os canais; a soma dessas conversões reatribuídas produzindo o efeito total de sua campanha de televisão. (Fonte do exemplo: Objetive Plataform)
A figura acima ilustra esse processo. As conversões são atribuídas pelo MTA e formam o KPI para o modelo de mix de marketing. As barras amarelas mostram os pontos de audiência bruta (GRPs) da TV. O modelo de mix de marketing atribui uma determinada quantidade de conversões à TV, conforme mostrado em azul-escuro. Anteriormente, essas conversões eram todas atribuídas ao canal de pesquisa paga online usando MTA. O modelo de mix de marketing agora os atribui parcialmente à propaganda na TV. Seguindo o exemplo acima, um quinto dos € 25, € 5, vai para a televisão:
Desafios do MMM
Primeiro, vamos entender quais são os dados necessários para uma análise de MMM.
- Dados de vendas ou outro KPI
- Métricas dos canais. (Cliques, Impressões, Custo, Audiência, etc.)
- Métricas de marketing (Promoções, preço, distribuição)
- Fatores de controle (sazonalidade, competição, fatores externos)*(ROCHA, 2019)
Devido à dificuldade no levantamento de métricas dos competidores, essas variáveis são geralmente deixadas de lado.
1. Dados limitados
Para elaboração de um modelo de MMM são utilizados, geralmente, dados de 3 anos agrupados por semana, ou seja, 156 pontos de dados, sendo esperado a criação de um modelo com 20 ou mais canais de marketing. Essa quantidade de dados geralmente é insuficiente para criar uma regressão linear precisa com 7–10 parâmetros por canal. Outro ponto, é que a verba de marketing tende a ser alocada de forma correlacionada entre os diversos canais. Por isso, os dados podem se tornar altamente correlacionados entre si, reduzindo a precisão do modelo (Chan & Perry, 2017).
2. Viés de seleção
O viés de seleção da segmentação do anúncio ocorre quando um interesse ou demanda da audiência inflaciona os gastos e o resultado (Chen et al., 2018).
2.1 Segmentação
Quando se trata de segmentação de anúncios, as empresas podem direcionar anúncios para pessoas que mostraram interesse em seus produtos. Por exemplo, os canais digitais permitem que os anúncios sejam exibidos para as pessoas já estiveram no site da empresa, uma tática conhecida como remarketing. A demanda advinda do público de remarketing que contribui para as vendas não está incluído no modelo (Chan & Perry, 2017).
2.2 Sazonalidade
Outro caso em que surge o viés de seleção é quando a alocação de mídia varia de acordo com o sazonalidade na demanda e o efeito é difícil de capturar usando variáveis de controle.
2.3 Efeito do funil
Além disso, os efeitos do funil de compra podem levar a um viés de seleção. Por exemplo, uma campanha de TV pode aumentar o número de consultas de pesquisa, ativando as campanhas cobertas por canais de pesquisa. Porém, o modelo pode atribuir as vendas somente ao canal de pesquisa, sem dar nenhum crédito à campanha de TV. Este viés é ainda mais prevalente quando usamos o modelo de atribuição de último clique, que atribui a venda apenas ao último anúncio com o qual o consumidor interagiu.
3. Escolha do modelo e incerteza
O poder de algumas variáveis normalmente é suficiente para construção de modelos com boa precisão. Isso facilita a busca por modelos com alta precisão preditiva testando várias especificações, porém os diferentes modelos podem trazer conclusões diferentes sobre a alocação do orçamento de mídia e performance.
Por conta disso, podemos utilizar simulações para auxiliar na tomada de decisão. A simulação ajuda a testar a confiabilidade de vários modelos com métricas de precisão semelhantes em diferentes cenários. O resultado do modelo, como o ROAS (Retorno sobre investimento em mídia paga), é conhecido em vários cenários possíveis. Facilitando a comparação entre os modelos em busca da melhor alternativa.
4. Desafio de modelagem
Apesar da regressão linear ser a abordagem de modelagem padrão, a abordagem bayesiana também pode ser utilizada (Chan & Perry, 2017), trazendo vários benefícios.
As abordagens bayesianas são úteis para enfrentar os desafios de limitação de dados, seja agrupando dados de várias marcas dentro de uma mesma categoria de produto ou usando dados de mercado. Além disso, os modelos de MMM com uma abordagem bayesiana são mais apropriados para considerar os efeitos de “carryover” e de retorno decrescente, que são mais difíceis de capturar em um modelo de regressão linear. Os modelos tradicionais de mix de marketing também são menos adequados quando uma empresa pretende realocar seu orçamento de marketing em tempo real e está inserida em um contexto de big data.
Conclusões
O maior valor do MMM é que ele permite medir o impacto dos canais que o MTA não pode mensurar. A combinação dos resultados do MMM com as conversões atribuídas do MTA dá uma visão geral completa de todos os investimentos e ROI em mídia. Após combinar os resultados de ambos os modelos, você pode comparar a eficácia dos gastos com mídia em todos os canais. Portanto, um bom modelo de MMM é crucial para medir a eficácia das campanhas e permite uma comparação mais precisa em todos os canais.
Bibliográfia:
Buhalis, D., Volchek, K., 2020, Bridging marketing theory and big data analytics: The taxonomy of marketing attribution.
Chan, D., & Perry, M. (2017). Challenges And Opportunities In Media Mix Modeling.
Gartner. (2018). Market Guide for Attribution and Marketing Mix Modeling.
Google. (2016). The new Marketing Mix Modeling.
Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects.
Rocha, José Francisco Sá Marques, 2019, Media Mix Modeling: Media mix modeling: a case study on optimizing television and digital media spend for a retailer.
