Introdução
Apesar de ser uma técnica antiga e já muito conhecida do mercado, o Marketing Mix Modeling (MMM) voltou a ocupar espaço no ambiente de Busines Inteligence. Isto porque, com as técnicas de Machine Learning se fez possível uma grande melhoria na acurácia destes modelos. Além disso, os métodos de Multi Touch Attribution (MTA) que estavam à frente nas análises de marketing, com o enorme aumento de mídias digitais no share de mídias das empresas, começaram a apresentar algumas limitações, principalmente relacionados à privacidade dos usuários.
Tendo em vista o retorno do MMM ao vocabulário das análises de marketing, procuramos aqui dar uma explicação geral de como este modelo funciona, e algumas de suas vantagens principalmente em um ambiente cookieless.
Funcionamento geral do MMM
Marketing Mix Modeling é uma técnica de análise que utiliza Machine Learning para compreender a relação de uma coleção de eventos (eventos independentes) com um evento específico (evento dependente). Por exemplo, se eu tenho, em um determinado período, investimentos nas mídias Online, Out of Home (OOH) e TV, e no mesmo período um número Y de vendas, o algoritmo do MMM buscará compreender a relação entre a variação dos valores de investimento de cada uma das mídias com a variação do valor Y. Se a mídia Online for uma das principais mídias responsáveis por convencer as pessoas a comprar aquele produto, o modelo de MMM atribuirá a ela um “peso” maior do que para as outras mídias, e assim saberemos que ela tem uma influência maior sobre nossa variável Y.
O que o modelo identifica, na verdade, é como as alterações nos dados de investimento na mídia Online, no decorrer do tempo, possui um efeito maior sobre as vendas do que as outras mídias (OOH e TV). Com este resultado, poderíamos chegar à conclusão de que a mídia Online é mais relevante quando pensamos na distribuição de investimentos em mídia.
Especificações do funcionamento do MMM (o pulo do gato)
Para além desta simples conceitualização, o MMM se destaca por outras três características:
- A inclusão de variáveis de contexto,
- Consideração do efeito atrasado do impacto de eventos
- Medição da saturação no efeito de um evento.
A inclusão de variáveis de contexto
Variáveis de contexto dizem respeito a fatores externos que interferem na nossa variável dependente. Se uma empresa de tecnologia, por exemplo, lança um produto inovador, e o simples fato deste produto ser lançado aumenta muito o interesse de possíveis compradores sobre a marca, então o MMM seria capaz de compreender este impacto, sem atribuí-lo erroneamente ao mix de mídias da empresa. Por outro lado, podemos pensar em uma empresa de varejo que é impactada por uma greve de caminhoneiros, dificultando assim as entregas, este seria um efeito com impacto negativo sobre as vendas que não está relacionado com as mídias. A inclusão de fatores externos em um modelo de MMM nos ajuda, portanto, a compreender o efeito da mídia isoladamente, sem que haja ruídos na atribuição deste efeito.
Consideração do efeito atrasado do impacto de eventos
Já a segunda característica diz respeito a uma premissa fundamental: o efeito dos eventos independentes sobre o evento dependente não é, necessariamente, imediato. De maneira prática, podemos pensar em campanhas de awareness para uma nova marca. Geralmente tais campanhas não apresentam um impacto imediato nas vendas, porém, a medida que elas tornem a marca mais conhecida, fazendo com que possíveis clientes passem a considerar seu produto como viável para solução de seus problemas, provavelmente haverá um incremento nas vendas. Este atraso no efeito de uma campanha, chamado de carry-over effect, é levado em consideração pelo modelo de MMM, e ajuda na compreensão de efeitos de mídias de topo de funil, como campanhas de awareness ou branding.
Medição da saturação no efeito de um evento.
A terceira característica já é conhecida por muitos operadores de mídia, ela diz respeito ao fato de que a relação entre investimento em mídia e retorno não é linear. Isto significa que chega um momento em que o aumento de investimento em uma mídia não traz mais um incremento igual no retorno dela. A este efeito damos o nome de saturação de investimentos, que indica o ponto em que o incremento do retorno desta mídia, dado o aumento do investimento, não é mais vantajoso.
Em resumo, o MMM é um modelo que leva em consideração tanto as campanhas de mídia quanto fatores externos para compreender a influência de cada um destes eventos sobre o evento dependente, que normalmente serão vendas ou receita. Para além disso, o modelo leva em consideração a complexidade dos efeitos de uma campanha ao longo do tempo, incluindo o possível atraso de seu impacto e o seu ponto de saturação.
Conclusão
O MMM é uma técnica bastante avançada e robusta. Apesar de possuir alguns requisitos com relação a maturidade de dados e conhecimento técnico para sua aplicação, ela apresenta vantagens relevantes principalmente por ir além do ambiente digital e considerar eventos externos. Além disso, como vimos, existe aqui um esforço para modelagem do efeito de cada mídia, de forma que levamos em consideração as particularidades de cada uma delas no que diz respeito ao seu impacto sobre as vendas.
O mercado oferece soluções prontas para aplicação do MMM, o que pode tornar sua implementação mais simples e rápida. Porém, tais soluções não costumam ser confiáveis para ambientes mais complexos, isto acontece porque a produtização de uma solução como MMM exige, em alguma medida, uma padronização na maneira como ela é aplicada. Tal padronização pode impedir que sejam consideradas particularidades relacionadas ao contexto do mercado, às regras de negócio e aos dados utilizados. Sendo assim, normalmente, estes contextos mais complexos exigem a construção de um modelo, por parte de uma equipe tecnicamente capacitada, caso contrário, os resultados podem ser menos relevantes ou confiáveis.
Outros conteúdos:
Perfil do autor: Renan Trindade| Formado em ciências sociais e hoje Cientista de Dados. Um constante pesquisador do universo dos dados e machine learning, mas não menos curioso sobre outras ramificações das ciências, sejam elas exatas ou humanas.
Outros canais da DP6
Email: contato@dp6.com.br
Site: https://www.dp6.com.br
LinkedIn: https://www.linkedin.com/company/dp6
Instagram: https://www.instagram.com/somosdp6/
Facebook: https://www.facebook.com/dp6.com.br
Podcast: https://anchor.fm/podcastdp6
YouTube: https://www.youtube.com/c/DP6br/videos
Projetos Open Source: https://dp6.github.io
