Mô hình Marketing hỗn hợp (MMM) – Khái niệm và Diễn giải mô hình – được viết bởi Sandeep Pandey, Snigdha Gupta, Shubham Chhajed được xuất bản vào ngày 20 tháng 6 năm 2019 tải xuống toàn bộ bài viết với dữ liệu tham khảo và trích dẫn

Bạn đang xem: mmm lập mô hình kết hợp tiếp thị

    Sandeep Pandey Giám đốc Toàn cầu của Analytics Wavemaker (một Công ty TNHH WPP)

    Snigdha Gupta

    Trưởng bộ phận Analytics & amp; Data Science Wavemaker (một WPP Co.)

    Shubham Chhajed Lead Data Scientist Wavemaker (một WPP Co.)

    Tóm tắt – Mô hình kết hợp tiếp thị đã tồn tại trong nhiều thập kỷ nay. Mọi người đều đã và đang sử dụng nó, một số đã khai thác tiềm năng của nó với thành công to lớn trong khi những người khác vẫn chưa nhìn thấy tiềm năng thực sự của nó. Môi trường tiếp thị thay đổi nhanh chóng, sự năng động của người tiêu dùng và các điểm tiếp xúc đa điểm đã khiến việc áp dụng nó phù hợp với bất kỳ ngành công nghiệp và sản phẩm nào càng trở nên phức tạp hơn. Thách thức lớn nhất trong quá trình tối ưu hóa hỗn hợp tiếp thị là đo lường hiệu ứng chéo trong thời gian thực và tác động kênh chéo đối với hoạt động kinh doanh. Mục đích của bài báo này là giới thiệu các nhà quản lý tiếp thị, nhà tư vấn, nhà phân tích, nhà chiến lược và nhà nghiên cứu một ứng dụng phân tích để tối ưu hóa việc phân bổ ngân sách tiếp thị của doanh nghiệp theo cách mang lại khả năng tối đa tạo ra ROI cao hơn. MMM sử dụng kinh tế lượng tiên tiến và khoa học tiếp thị để đo lường khách quan hiệu quả và hiệu quả tương đối của toàn bộ các khoản đầu tư tiếp thị và quảng cáo, đánh cắp cạnh tranh hoặc các sáng kiến ​​để tạo ra doanh số và tăng trưởng trong cả ngắn hạn và dài hạn. Trong bài báo này, chúng tôi thảo luận về các phương pháp luận được sử dụng để thực hiện phân tích như vậy, cách vượt qua những thách thức lớn và những lợi ích có thể thu được từ việc phân tích. Chúng tôi cũng thảo luận về các cơ hội cải tiến các mô hình kết hợp phương tiện có thể tạo ra phép đo chi tiết nhanh để có chiến lược tốt hơn.

    Từ khóa: Tiếp thị hỗn hợp, MMM, kinh tế lượng, ROI cao hơn, phân bổ ngân sách, đo lường nhanh, chiến lược, lợi nhuận tiếp thị, phản hồi tiếp thị

  1. GIỚI THIỆU VỀ MMM

    Các CMO ngày nay đang chịu áp lực rất lớn trong việc cung cấp bằng chứng có thể định lượng được về cách chi tiêu tiếp thị của họ đang giúp tổ chức đạt được Mục tiêu kinh doanh của mình. Để tăng thêm sự phức tạp, họ không chỉ phải quản lý các kênh phi truyền thống (Kỹ thuật số) ngày càng gia tăng mà còn cả những người tiêu dùng thông minh hơn, những người tiếp xúc với nhiều điểm tiếp xúc dẫn đến mệt mỏi nhanh hơn. Các kênh hoạt động trong sức mạnh tổng hợp và tác động qua lại là duy nhất cho từng thị trường, ngành và công ty. Trong bối cảnh ngân sách quảng cáo và tiếp thị ngày càng tăng như hiện nay, các nhà quảng cáo và doanh nghiệp cần phải hiểu hiệu quả và ROI của chi tiêu truyền thông trong việc thúc đẩy KPI của doanh nghiệp và tối ưu hóa việc phân bổ ngân sách cho các kênh có tỷ suất lợi nhuận cao hơn.

    Các nhà tiếp thị trên khắp thế giới đang đặt câu hỏi về hiệu quả của các chiến thuật tiếp thị của họ mỗi ngày. Các vấn đề kinh doanh mà họ đang tìm kiếm câu trả lời: 1) Định lượng tác động của một kế hoạch hoặc chiến lược tiếp thị cụ thể đến doanh số bán hàng của doanh nghiệp. 2) Các chiến thuật tiếp thị hiện tại của họ tác động như thế nào đến doanh số bán hàng trong tương lai? Nếu các chiến thuật tiếp thị không hiệu quả, bạn cần phải xem xét lại chiến lược rộng hơn và đầu tư lại ngân sách để thu được lợi nhuận cao hơn.

    Từ lâu, mô hình kết hợp tiếp thị (MMM) đã là một kỹ thuật quan trọng đối với các nhà quảng cáo muốn có câu trả lời cho hai câu hỏi này. MMM giúp hiểu tác động

    các chiến thuật tiếp thị để sau đó tối ưu hóa chiến lược và đảm bảo rằng doanh nghiệp không lãng phí tiền tiếp thị.

    Vấn đề? Ngay cả những gã khổng lồ về công nghệ, truyền thông xã hội và Madtech (Martech + Adtech) như Facebook cũng thừa nhận rằng quy trình cũ để đưa ra quyết định dựa trên dữ liệu trong nhiều năm nay đã lỗi thời. [1] Ban đầu, ý tưởng là tìm hiểu về các chiến thuật tiếp thị sử dụng dữ liệu ổn định. Trong môi trường ngày nay, một trong những vấn đề lớn nhất là dữ liệu ổn định không tồn tại. Ngày nay, chúng ta có một mạng lưới các kênh kỹ thuật số được kết nối với nhau phức tạp luôn phát triển và thay đổi.

    Hỗn hợp tiếp thị đề cập đến phân tích các biến số mà người quản lý tiếp thị có thể kiểm soát để ảnh hưởng đến KPI thương hiệu như doanh số bán hàng hoặc thị phần. [2] Theo truyền thống, các biến này được tóm tắt dưới dạng 4P của tiếp thị: sản phẩm, giá cả, khuyến mại và địa điểm (tức là phân phối). Sản phẩm đề cập đến các khía cạnh như danh mục sản phẩm của công ty, tính mới của các sản phẩm này, sự khác biệt của chúng so với đối thủ cạnh tranh hoặc sự vượt trội của chúng so với các sản phẩm của đối thủ về chất lượng. Khuyến mại đề cập đến quảng cáo, chi tiết hoặc khuyến mãi bán hàng mang tính thông tin, chẳng hạn như các tính năng và màn hình. Giá đề cập đến giá niêm yết của sản phẩm hoặc bất kỳ khuyến mại khuyến khích nào như giảm giá số lượng, giảm giá tạm thời hoặc giao dịch. Địa điểm đề cập đến việc phân phối sản phẩm được đo lường bằng các biến số như phân phối, tính sẵn có và không gian kệ. [3] Câu hỏi thường xuyên mà các nhóm kinh doanh và các bên liên quan phải đối mặt là, mức độ nào hoặc sự kết hợp chéo của các biến này tối đa hóa KPI của doanh nghiệp như doanh số, thị phần hoặc tăng trưởng? Đến lượt mình, câu trả lời cho câu hỏi này phụ thuộc vào câu hỏi sau: KPI của doanh nghiệp phản ứng như thế nào với mức chi tiêu hoặc mức chi tiêu trong quá khứ đối với các biến số này?

  2. NGUYÊN TẮC LÀM MÔ HÌNH

    Trong hơn 5 thập kỷ, các nhà nghiên cứu, nhà kinh tế học, nhà khoa học tiếp thị đã tập trung chăm chú vào việc giải quyết nhiệm vụ xác định và đo lường hiệu quả, tính hiệu quả và độ nhạy của mỗi đô la chi tiêu hoặc tác động của các cấp độ hoạt động đối với KPI của doanh nghiệp và các chỉ số quan tâm. Để làm như vậy, họ đã phát triển nhiều mô hình kinh tế lượng và thống kê khác nhau về phản ứng của các biến thị trường đối với hỗn hợp tiếp thị truyền thông. Hầu hết các mô hình này đều tập trung vào phản ứng của thị trường đối với quảng cáo và giá cả. [4] Lý do có thể là do chi phí cho các yếu tố này có vẻ tùy ý nhất, vì vậy các nhóm kinh doanh và các bên liên quan quan tâm nhất đến cách họ quản lý các yếu tố này. Nó tập trung vào việc lập mô hình phản ứng với những yếu tố này, mặc dù hầu hết các nguyên tắc cũng áp dụng cho các biến số khác, từ phân phối cho đến cả những khoản đầu tư nhỏ nhất trong hỗn hợp tiếp thị.

    Phương pháp mô hình hóa độ nhạy và phản hồi cơ bản về cơ bản phù hợp với giả thuyết rằng dữ liệu trong quá khứ

    phản ứng của người tiêu dùng và thị trường đối với kết hợp tiếp thị chứa thông tin có giá trị. Dữ liệu này cũng cho phép chúng tôi dự đoán cách người tiêu dùng có thể phản ứng trong tương lai và do đó, cách tốt nhất để lập kế hoạch cho các biến tiếp thị. [5] Do đó, người ta muốn nắm bắt càng nhiều thông tin càng tốt từ quá khứ để đưa ra những suy luận xác đáng và phát triển các dự báo và chiến lược chính xác cho tương lai.

    Giả sử rằng chúng tôi phù hợp với mô hình hồi quy, trong đó biến phụ thuộc là doanh số bán hàng của thương hiệu và biến độc lập là quảng cáo hoặc giá cả.

    Đúng tại t (1)

    Ở đây, Y đại diện cho biến phụ thuộc (ví dụ: doanh số bán hàng), A đại diện cho quảng cáo và là các hệ số hoặc tham số mà nhà nghiên cứu muốn ước tính và chỉ số phụ t đại diện cho các khoảng thời gian khác nhau. Các t là sai số trong ước lượng Yt mà chúng tôi giả định tuân theo một phân phối chuẩn (chuẩn IID) một cách độc lập và giống hệt nhau. [2] Phương trình (1) có thể được ước lượng bằng hồi quy. Sau đó, hệ số của mô hình nắm bắt ảnh hưởng của quảng cáo đến doanh số bán hàng. Trên thực tế, hệ số này tóm tắt nhiều điều mà chúng ta có thể học được từ quá khứ. Nó cung cấp nền tảng để thiết kế các chiến lược cho tương lai. Rõ ràng, tính hợp lệ, mức độ liên quan và tính hữu dụng của các tham số phụ thuộc vào mức độ nắm bắt thực tế trong quá khứ của các mô hình. Bài báo này giải thích cách chúng ta có thể triển khai nhiều kỹ thuật mô hình hóa trong bối cảnh hỗn hợp tiếp thị. [2]

    Vấn đề này đã được giải quyết theo cách tuần tự, bước đầu tiên là hiểu nhiều dạng khác nhau mà thị trường phản ứng với sự thay đổi của các biến số tiếp thị và quảng cáo. Những kiểu phản ứng này còn được gọi là hiệu ứng của phương tiện truyền thông và quảng cáo. Sau đó, chúng tôi trình bày tập hợp các kỹ thuật lập mô hình kinh tế lượng quan trọng nhất và thảo luận cách các mô hình cổ điển này nắm bắt được hoặc không nắm bắt được từng hiệu ứng này.

  3. CÁC MẪU PHẢN ỨNG CỦA QUẢNG CÁO Các hình thức phản ứng đối với quảng cáo và tiếp thị có thể được chia thành bảy phân đoạn. Chúng bao gồm hiệu ứng hiện tại, hiệu ứng chuyển tiếp, hiệu ứng hình dạng, hiệu ứng cạnh tranh, hiệu ứng động, hiệu ứng nội dung và hiệu ứng truyền thông. Bốn hiệu ứng đầu tiên trong số những hiệu ứng này là phổ biến trên tất cả các biến số tiếp thị và truyền thông. Ba yếu tố cuối cùng dành riêng cho truyền thông và quảng cáo

    các khoản đầu tư. Trong bài báo này, chúng tôi đã cố gắng giải thích rõ ràng chi tiết từng tác động này.

    1. Hiệu ứng Hiện tại

      Hiệu quả hiện tại của quảng cáo là sự thay đổi doanh số bán hàng gây ra bởi sự tiếp xúc (hoặc xung hoặc bùng phát) quảng cáo xảy ra cùng khoảng thời gian với quảng cáo. Hãy xem xét Hình 1. Nó biểu thị thời gian trên trục x, doanh số bán hàng trên trục y và doanh số bán hàng bình thường hoặc cơ sở dưới dạng đường đứt nét. [2] Hiệu quả hiện tại của quảng cáo là doanh số bán hàng tăng đột biến từ mức cơ bản khi có quảng cáo. Nhiều năm nghiên cứu chỉ ra rằng tác động này là nhỏ so với các thông số tiếp thị khác và khá mong manh. Ví dụ, hiệu ứng hiện tại của giá lớn hơn 20 lần so với ảnh hưởng của quảng cáo. [6,7] Ngoài ra, hiệu ứng của quảng cáo / bùng nổ phương tiện truyền thông rất nhỏ nên có thể dễ dàng bị át bởi các tín hiệu nhiễu trong dữ liệu. Do đó, một trong những nhiệm vụ quan trọng nhất của nhà nghiên cứu hoặc nhà khoa học tiếp thị là xác định mô hình rất cẩn thận để tránh phóng đại hoặc không quan sát được một hiệu ứng được cho là mong manh. [8]

    2. Hiệu ứng chuyển tiếp

      Hiệu ứng chuyển tiếp của quảng cáo là phần ảnh hưởng của nó xảy ra trong các khoảng thời gian theo nhịp của quảng cáo. Hình 1.B và 1.C lần lượt cho thấy các hiệu ứng chuyển tiếp dài và ngắn. Hiệu ứng chuyển đổi có thể xảy ra vì một số lý do, chẳng hạn như việc tiếp xúc với quảng cáo bị trì hoãn, phản hồi của người tiêu dùng bị trì hoãn, mua hàng bị trì hoãn do người tiêu dùng có khoảng không quảng cáo dự phòng, mua hàng bị trì hoãn do thiếu hàng tồn kho bán lẻ và mua hàng từ những người tiêu dùng đã nghe từ những người lần đầu tiên nhìn thấy quảng cáo (truyền miệng). Hiệu ứng chuyển tiếp có thể khác nhau về cường độ, từ lớn bằng hoặc lớn hơn hiệu ứng hiện tại.

      Thông thường, hiệu ứng chuyển đổi được quan sát trong thời gian ngắn, như thể hiện trong 1.C, chứ không phải trong thời gian dài, như trong Hình 1.B. Hiệu ứng chuyển tiếp trong thời gian dài, mà các nhà nghiên cứu thường nhận thấy là do việc sử dụng dữ liệu với khoảng thời gian dài được tổng hợp theo thời gian. [9] Vì lý do này, các nhà nghiên cứu nên sử dụng dữ liệu chi tiết, ổn định và phân tách theo thời gian khi họ có thể tìm thấy.

      Tổng hiệu quả từ việc hiển thị quảng cáo là tổng của hiệu ứng hiện tại và tất cả hiệu ứng chuyển tiếp do nó mang lại.

      Hình 1: Hiệu ứng tạm thời của Truyền thông và Quảng cáo (Minh họa)

    3. Hiệu ứng Hình dạng

      Hình dạng của hiệu ứng đề cập đến sự thay đổi trong doanh số bán hàng để đáp ứng với việc tăng đầu tư vào quảng cáo hoặc cường độ quảng cáo trong cùng một khoảng thời gian. Cường độ của quảng cáo có thể ở dạng số lần hiển thị trên một đơn vị thời gian và còn được gọi là tần suất hoặc trọng lượng. [2] Hình 2 mô tả các hình dạng khác nhau của phản ứng quảng cáo. Lưu ý rằng trục x là cường độ hoặc đơn vị hiển thị / đầu tư quảng cáo, trong khi trục y biểu thị phản hồi / thay đổi trong bán hàng. Tham khảo biểu đồ Hình 1, Hình 2, chiều cao của thanh trong Hình 1.A có thể tăng lên khi chúng tôi tăng mức độ hiển thị của quảng cáo.

      Hình 2 cho thấy ba hình dạng đường cong phản ứng điển hình: tuyến tính, lõm (tăng với tốc độ giảm) và hình chữ S. Trong ba hình dạng này, hình chữ S có vẻ dễ xảy ra nhất. Hình dạng tuyến tính, về mặt logic có thể rất khó thực hiện bởi vì nó ngụ ý rằng doanh số bán hàng sẽ tăng vô thời hạn lên đến vô hạn khi quảng cáo tăng lên. Hình dạng lõm (nhỏ dần

      trả về) trong khu vực đó giải quyết tính không hợp lý của hình dạng tuyến tính bằng cách bão hòa ở mức hoạt động rất cao. Tuy nhiên, hình chữ S có vẻ dễ xảy ra nhất vì nó cho thấy rằng cần phải có một ngưỡng quảng cáo tối thiểu nếu không nó có thể không hiệu quả chút nào vì nó bị loại bỏ dần dần do sự hiện diện rất nhỏ. Mặc dù ở một số cấp độ rất cao, nó có thể không tăng doanh số bán hàng vì thị trường đã bão hòa hoặc người tiêu dùng bị mệt mỏi do tiếp xúc quá nhiều với quảng cáo lặp đi lặp lại.

      Độ co giãn hay như chúng ta gọi là khả năng đáp ứng của bán hàng đối với quảng cáo là tỷ lệ thay đổi trong bán hàng khi chúng ta thay đổi cường độ phương tiện và quảng cáo. Nó được ghi lại bởi độ dốc của đường cong trong Hình 2 hoặc hệ số (trong Công thức (1)) trong các ước lượng mô hình của đường cong và phương trình tương ứng của nó. Cũng giống như chúng ta mong đợi đường cong bán hàng quảng cáo tuân theo một hình dạng nhất định, chúng ta cũng mong đợi khả năng đáp ứng của doanh số bán hàng đối với quảng cáo thể hiện một số đặc điểm nhất định. Đầu tiên, phản ứng ước tính phải ở dạng co giãn. Độ co giãn của bán hàng đối với quảng cáo (còn được gọi là quảng cáo

      độ co giãn) là phần trăm thay đổi trong doanh số bán hàng đối với thay đổi 1 điểm phần trăm trong quảng cáo. Như đã định nghĩa, hệ số co giãn là không có đơn vị và không phụ thuộc vào các biện pháp quảng cáo hoặc bán hàng. Nó là một thước đo thuần túy về mức độ đáp ứng của các kênh truyền thông và quảng cáo mà giá trị của nó có thể được so sánh giữa các thương hiệu, sản phẩm, công ty, thị trường và theo thời gian. Thứ hai, độ co giãn không được rõ ràng theo một hình dạng tuyến tính, tức là không phải luôn tăng theo mức độ và cường độ của quảng cáo và cũng không phải luôn không đổi mà phải thể hiện mô hình phân phối chuẩn hình chuông ngược hoặc đảo ngược trong mức độ quảng cáo. [2] Chúng tôi mong đợi khả năng đáp ứng sẽ thấp ở mức độ quảng cáo thấp vì nó sẽ bị loại bỏ dần bởi sự ồn ào trên thị trường ở mức độ hoạt động nhỏ như vậy và thấp ở mức độ quảng cáo rất cao vì lợi nhuận giảm dần và bão hòa. Do đó, chúng ta có thể mong đợi toàn diện khả năng đáp ứng tối đa của doanh số bán hàng ở các mức độ hoạt động quảng cáo vừa phải. Hóa ra là khi quảng cáo có phản ứng hình chữ S đáng kể với doanh số bán hàng, thì độ nhạy / độ co giãn của quảng cáo sẽ có phản ứng hình chuông phi tuyến tính ngược với các cấp độ quảng cáo. Do đó, mô hình có thể nắm bắt được mối quan hệ hình chữ S này cũng sẽ nắm bắt được độ co giãn của quảng cáo ở dạng hấp dẫn ổn định nhất về mặt lý thuyết.

      Hình 2: Phản hồi tuyến tính và phi tuyến tính đối với các khoản đầu tư vào Truyền thông và Quảng cáo (minh họa)

    4. Hiệu ứng cạnh tranh

      Giả định rằng Quảng cáo thường diễn ra ở các thị trường tự do. Ứng dụng lý thuyết trò chơi trong việc phát triển chiến lược cạnh tranh đã chứng minh một cách kinh điển rằng trong điều kiện thị trường bình đẳng, bất cứ khi nào một thương hiệu quảng cáo một sự đổi mới thành công hoặc sử dụng thành công một hình thức / chiến dịch quảng cáo mới, các thương hiệu khác sẽ nhanh chóng bắt chước nó. Quảng cáo cạnh tranh có xu hướng làm tăng mối đe dọa và chiếm đoạt thị phần do đó làm giảm hiệu quả của quảng cáo nhãn hiệu mục tiêu. Hiệu quả cạnh tranh của việc quảng cáo nhãn hiệu mục tiêu là khả năng đáp ứng của nó đối với hiệu quả cạnh tranh của các nhãn hiệu cạnh tranh trong danh mục và thị trường. Vì hầu hết các quảng cáo đều diễn ra trong điều kiện cạnh tranh, việc cố gắng hiểu riêng quảng cáo của một thương hiệu mục tiêu có thể sai lầm và dẫn đến các ước tính sai lệch cao về khả năng phản hồi.

      Ngoài tác dụng ăn cắp của quảng cáo cạnh tranh, quảng cáo thương hiệu mục tiêu có thể khác do vị trí của nó trong danh mục và thị trường hoặc sự quen thuộc của nó với người tiêu dùng. Ví dụ: các thương hiệu lâu đời hoặc lớn hơn thường có thể thu hút được nhiều sức hút hơn các thương hiệu mới hoặc nhỏ hơn từ cùng một thương hiệu

      mức độ quảng cáo vì mức độ trung thành và nhận biết thương hiệu cao hơn trên thị trường. Hiệu ứng này được gọi là khả năng đáp ứng quảng cáo khác biệt do vị trí của thương hiệu hoặc mức độ quen thuộc của thương hiệu. [2]

      Một hiện tượng rất không phổ biến nhưng là một phần của hiệu ứng cạnh tranh là vầng hào quang danh mục mà ở đó sự cạnh tranh và quảng cáo danh mục làm tăng doanh số bán hàng của thương hiệu mục tiêu. Điều này có thể được quan sát thấy ở các danh mục và phân khúc non trẻ mới gia nhập thị trường và do đó người tiêu dùng chưa nhận thức được nhiều về bản thân thương hiệu / danh mục đó, do đó tất cả các cấp độ quảng cáo trên toàn danh mục của các thương hiệu đóng vai trò là mồi và chất xúc tác trong việc thúc đẩy danh mục chung .

    5. Hiệu ứng động

      Hiệu ứng động là những hiệu ứng của quảng cáo thay đổi theo thời gian. Điều này bao gồm các hiệu ứng chuyển tiếp đã được thảo luận trước đó cùng với các tác động của Wearin, Wearout và hysteresis đã được thảo luận ở đây. Để hiểu rõ về Wearin và Wearout, chúng ta cần quay lại Hình 2. Như chúng ta đã thấy đối với phản ứng quảng cáo hình chữ S lõm và sigmoid, doanh số bán hàng tăng cho đến khi chúng đạt đến đỉnh điểm nào đó khi cường độ quảng cáo tăng lên. Phản hồi quảng cáo này có thể được ghi lại trong bối cảnh tĩnh, chẳng hạn như tuần đầu tiên hoặc tuần trung bình của chiến dịch. Tuy nhiên, trên thực tế, mẫu phản hồi này thay đổi khi chiến dịch tiến triển.

      Wearin là sự gia tăng phản ứng của doanh số bán hàng đối với quảng cáo, từ tuần này đến tuần tiếp theo của chiến dịch, mặc dù quảng cáo xảy ra ở cùng một cấp độ mỗi tuần. Hình 3 cho thấy thời gian trên trục x và doanh số trên trục y. Nó giả định một chiến dịch quảng cáo kéo dài n tuần, với một lần hiển thị mỗi tuần vào cùng một thời điểm mỗi tuần. Quan sát doanh số bán hàng tăng đột biến với mỗi lần tiếp xúc. Tuy nhiên, mức tăng đột biến liên tục tăng trong 3 tuần đầu tiên của chiến dịch, mặc dù mức độ quảng cáo là như nhau. Đây là hiện tượng Wearin. Hiệu ứng Wearin thường được quan sát thấy khi bắt đầu chiến dịch. Các nhà nghiên cứu có thể gán hiệu ứng này cho việc giao tiếp chiến dịch lặp đi lặp lại trong các giai đoạn tiếp theo, cho phép nhiều người xem quảng cáo, nói về quảng cáo, suy nghĩ về quảng cáo và phản hồi quảng cáo hơn là chỉ có một đợt bùng nổ giá trị cao của chiến dịch. Wearout là sự sụt giảm phản ứng bán hàng đối với quảng cáo từ tuần này sang tuần khác của chiến dịch, mặc dù quảng cáo xảy ra ở cùng một mức độ mỗi tuần. Tình trạng ngừng hoạt động thường xảy ra ở cuối chiến dịch vì sự mệt mỏi của người tiêu dùng. Hình 3 cho thấy tỷ lệ hao hụt trong 3 tuần cuối cùng của chiến dịch.

      Độ trễ là ảnh hưởng vĩnh viễn của việc hiển thị quảng cáo vẫn tồn tại ngay cả sau khi ngừng phát xung hoặc chiến dịch bị dừng (xem Hình 1.D). Thông thường, hiệu ứng này không xảy ra nhiều hơn một lần. Điều này xảy ra bởi vì một quảng cáo đã thiết lập một kết nối thông qua một tác động mạnh mẽ và thông qua một sự thật, liên kết hoặc mối quan hệ chưa biết trước đây. Độ trễ là một hiệu ứng bất thường của quảng cáo khá hiếm gặp.

      Hình 3: Hiệu ứng vũ khí và vũ khí của quảng cáo (minh họa)

    6. Hiệu ứng Nội dung

      Hiệu ứng nội dung là sự thay đổi để đáp ứng với quảng cáo do sự thay đổi trong nội dung hoặc dấu hiệu sáng tạo của quảng cáo. Đây là nguồn biến đổi quan trọng nhất trong khả năng đáp ứng quảng cáo và là nơi tập trung của các tài năng sáng tạo trong mọi đại lý. Chủ đề này thực chất được nghiên cứu trong lĩnh vực hành vi người tiêu dùng sử dụng các thí nghiệm trong phòng thí nghiệm hoặc sân khấu. Tuy nhiên, những phát hiện thử nghiệm không thể dễ dàng và ngay lập tức được chuyển thành thực tiễn quản lý vì chúng chưa được nhân rộng trên thực địa hoặc trên thị trường thực tế. Thông thường, các nhà lập mô hình đã nắm bắt được phản ứng của người tiêu dùng hoặc thị trường đối với quảng cáo được đo bằng tổng số (tính bằng đô la, tổng / tổng điểm xếp hạng hoặc mức độ phơi sáng) mà không liên quan đến nội dung quảng cáo. Vì vậy, thách thức đối với các nhà phân tích là bao gồm các thước đo nội dung của quảng cáo khi lập mô hình phản ứng quảng cáo trên thị trường thực. Nhiều nhà nghiên cứu hiện đang làm việc trong lĩnh vực khoa học thần kinh nhận thức của người tiêu dùng để đánh giá tác động này một cách định tính và định lượng.

    7. Hiệu ứng Truyền thông

    Việc thúc đẩy việc bán một sản phẩm, thông qua giảm giá, quảng cáo và / hoặc các màn hình đặc biệt, thường có tác động rất lớn đến doanh số bán hàng của sản phẩm đó. Có thể thực hiện thành công chương trình khuyến mại nếu và chỉ khi sự gia tăng sản lượng bán được tính đến trong tất cả các giai đoạn của chuỗi cung ứng. Với việc lập kế hoạch chuỗi cung ứng thích hợp, được thúc đẩy bởi các dự báo khuyến mãi, có thể thỏa mãn nhu cầu gia tăng của sản phẩm được quảng bá mà không gây ra tình trạng hư hỏng hoặc tồn kho dư thừa. Tuy nhiên, việc khuyến mại một sản phẩm ngoài ra có thể có những tác động phụ đáng kể (vầng hào quang hoặc ăn thịt người) đối với việc bán các sản phẩm khác không có trong chương trình khuyến mại, một thực tế thường bị lãng quên hoặc ít được chú ý.

    Hiệu ứng truyền thông là sự khác biệt trong phản ứng quảng cáo thông qua các kênh truyền thông khác nhau (truyền thống và kỹ thuật số) của thương hiệu mục tiêu cũng như các dòng sản phẩm phổ biến khác (Hiệu ứng Halo / Cannibalization), chẳng hạn như TV / Báo / Tìm kiếm / Hiển thị, v.v. Nó cũng bao gồm hiệu quả theo các

    các thuộc tính, như kênh / thể loại / lịch biểu, v.v. cho TV / phần / câu chuyện cho quảng cáo hiển thị hình ảnh.

  4. MÔ HÌNH PHẢN ỨNG QUẢNG CÁO

    Trong phần này, chúng tôi thảo luận về bốn mô hình kết hợp phương tiện / phản hồi quảng cáo khác nhau, giải quyết một hoặc nhiều ảnh hưởng ở trên. Các mô hình dưới đây theo thứ tự tăng dần độ phức tạp tính toán. Chúng tôi cũng thảo luận về những ưu điểm và hạn chế của từng mô hình, có thể giúp người đọc hiểu một cách toàn diện giá trị và sự phát triển từ các mô hình tiếp thị hỗn hợp đơn giản đến phức tạp hơn. Thông qua các mô hình tổng hợp, một nhà nghiên cứu hoặc một nhà khoa học tiếp thị có thể phát triển một mô hình có thể thu được nhiều tác động được thảo luận ở trên. Tuy nhiên, nhiệm vụ đó đạt được với cái giá phải trả là sự phức tạp tính toán rất lớn. Trong một kịch bản lý thuyết lý tưởng, mô hình hỗn hợp tiếp thị phải đủ phong phú để nắm bắt được tất cả bảy tác động đã thảo luận ở trên. Không ai đề xuất một mô hình làm được như vậy, mặc dù một số ít đã thành công bằng cách kết hợp các mô hình này.

    1. Mô hình tuyến tính cơ bản

      Mô hình tuyến tính mô tả một biến phản hồi liên tục dưới dạng hàm của một hoặc nhiều biến dự báo. Mô hình tuyến tính cơ bản chỉ nắm bắt được một số hiệu ứng quảng cáo, phổ biến nhất là hiệu ứng hiện tại. Mô hình có dạng sau:

      Yt 1 At 2Pt 3Rt 4Qt t (2)

      Ở đây, Y là biến số phụ thuộc (ví dụ: doanh số bán hàng), trong khi các chữ cái viết hoa khác đại diện cho các biến số của hỗn hợp tiếp thị, chẳng hạn như quảng cáo (A), giá cả (P), khuyến mại (R) hoặc chất lượng (Q ). và k là các hệ số mà nhà nghiên cứu muốn ước lượng. ở đây đại diện cho một số dạng cơ sở của biến phụ thuộc. k thể hiện ảnh hưởng của biến độc lập thứ k lên biến phụ thuộc. Chỉ số dưới t đại diện cho các khoảng thời gian khác nhau. Dưới đây chúng ta cũng thảo luận vấn đề về khoảng thời gian thích hợp, nhưng hiện tại, chúng ta có thể nghĩ về thời gian tính bằng tuần hoặc ngày. Các t là sai số trong ước lượng Yt được giả định là độc lập, phân phối chuẩn giống hệt nhau (chuẩn IID). [2] Giả định này có nghĩa là không có mẫu cho các lỗi, do đó, nó chỉ tạo thành nhiễu ngẫu nhiên (còn gọi là nhiễu trắng). Mô hình đơn giản này giả định rằng chúng ta có đủ số lượng quan sát / dữ liệu (theo thời gian) cho bán hàng, quảng cáo và các biến số tiếp thị khác và do đó có thể được ước tính tốt nhất bằng hồi quy, một công cụ thống kê đơn giản và mạnh mẽ.

    2. Mô hình đa nhân

      Mô hình nhân được lấy tên từ thực tế là các biến độc lập của MMM được nhân với nhau. Nó là một mô tả về ảnh hưởng của hai hoặc nhiều biến dự báo trên một biến kết quả cho phép tạo ra các tác động tương tác giữa các yếu tố dự báo. Điều này trái ngược với một mô hình cộng gộp, nó tổng hợp các tác động riêng lẻ của một số yếu tố dự đoán lên một kết quả. Vì vậy,

      Yt = Exp () × At1 × Pt2 × Rt3 × Qt4× t (3)

      Mặc dù mô hình này có vẻ phức tạp, nhưng một phép biến đổi có thể làm cho nó khá đơn giản. Đặc biệt, phép biến đổi logarit sẽ tuyến tính hóa Phương trình (3) và hiển thị nó giống như Phương trình (2); do đó,

      log (Yt) 1 log (At) 2 log (Pt) 3 log (Rt)

      4 log (Qt) t (4)

      Sự khác biệt chính giữa Phương trình (2) và Phương trình

      1. là biến sau có tất cả các biến là phép biến đổi logarit của trạng thái ban đầu của chúng ở trạng thái cũ. Sau khi chuyển đổi này, các thuật ngữ lỗi trong Công thức (4) được giả định là IID bình thường.

        Mô hình số nhân có nhiều lợi ích:

        1. Đầu tiên, mô hình số nhân ngụ ý rằng KPI của doanh nghiệp / biến phụ thuộc bị ảnh hưởng bởi sự tương tác của các biến trong hỗn hợp tiếp thị. Nói cách khác, các biến độc lập có tác dụng cộng hưởng đối với biến phụ thuộc. Trong nhiều tình huống quảng cáo thực tế, các biến thực sự tương tác để có tác động như vậy. Ví dụ: quảng cáo cao hơn kết hợp với giảm giá có thể nâng cao doanh số bán hàng hơn tổng quảng cáo cao hơn hoặc giảm giá chỉ xảy ra đơn lẻ.

        2. Thứ hai, Công thức (3) và (4) ngụ ý rằng phản ứng của doanh số đối với bất kỳ biến độc lập nào có thể có nhiều dạng như đã thấy ở trên tùy thuộc vào giá trị của hệ số. Nói cách khác, mô hình đủ linh hoạt để có thể nắm bắt và mô phỏng các mối quan hệ có nhiều hình dạng khác nhau bằng cách ước tính các giá trị thích hợp của hệ số phản hồi.

        3. Thứ ba, các hệ số không chỉ ước tính tác động của các biến độc lập lên biến phụ thuộc, mà chúng còn là hệ số co giãn.

      Mô hình nhân có hai hạn chế chính. Đầu tiên, nó chỉ ước tính hai, (hiệu ứng hiện tại và hiệu ứng hình dạng) trong số bảy hiệu ứng được mô tả ở trên. Thứ hai, mô hình số nhân không thể nắm bắt được phản ứng hình chữ S đáng kể của các biến độc lập đối với doanh số bán hàng.

    3. Mô hình thu hút theo cấp số nhân và mô hình Logit đa thức dựa trên tiền đề rằng phản ứng thị trường là kết quả của sức mạnh hấp dẫn của một thương hiệu so với các thương hiệu khác mà họ cạnh tranh. Mô hình thu hút ngụ ý rằng thị phần của thương hiệu trên thị trường là một hàm của thị phần của tổng nỗ lực tiếp thị; do đó,

      Mi = Si / jSj = Fi / jFj (5)

      Ở đây, Mi là thị phần của thương hiệu thứ i (được đo từ 0 đến 1), Si là doanh thu của thương hiệu i, j ngụ ý tổng các giá trị của biến tương ứng trên tất cả các thương hiệu j

      trên thị trường và Fi là thương hiệu là nỗ lực tiếp thị và là nỗ lực dành cho hỗn hợp tiếp thị (quảng cáo, giá cả, khuyến mại, chất lượng, v.v.). Phương trình (5) được gọi là định lý cơ bản của Kotlers về marketing. Ngoài ra, thuật ngữ bên phải của phương trình (5) được gọi là điểm thu hút của thương hiệu i. Các mô hình thu hút về bản chất nắm bắt các tác động của cạnh tranh. [2]

      Một dạng đơn giản nhưng không chính xác của mô hình thu hút là việc sử dụng dạng tương đối của tất cả các biến trong Công thức (2). Vì vậy, để bán hàng, nhà nghiên cứu sẽ sử dụng thị phần. Đối với quảng cáo, người đó sẽ sử dụng phần chi phí quảng cáo hoặc phần chia sẻ của tổng điểm xếp hạng (chia sẻ tiếng nói), v.v. Mặc dù một mô hình như vậy sẽ nắm bắt được tác động của cạnh tranh, nhưng nó sẽ gặp phải các vấn đề khác của mô hình tuyến tính, chẳng hạn như độ tuyến tính trong phản ứng. Nó cũng không chính xác bởi vì RHS sẽ là tổng của phần nỗ lực riêng lẻ của từng yếu tố và không chính xác là phần của nỗ lực tiếp thị nói chung. Một mô hình thu hút tuyến tính đã sửa đổi có thể được sử dụng để giải quyết vấn đề của đường cong phản ứng tuyến tính và tính không khả thi về mặt lý thuyết trong việc nêu RHS của mô hình. Việc sửa đổi sử dụng thị phần của thương hiệu với sự biến đổi theo cấp số nhân trong hỗn hợp tiếp thị; do đó,

      Mi = Exp (Vi) / j Exp Vj (6)

      trong đó Mi là thị phần của thương hiệu thứ i (được đo từ 0 đến 1), Vj là nỗ lực tiếp thị của thương hiệu thứ j trên thị trường, j là viết tắt của tổng các thương hiệu j trên thị trường, Exp là viết tắt của số mũ , và Vi là nỗ lực tiếp thị của thương hiệu thứ i, được biểu thị dưới dạng vế phải của Phương trình (2). [2]

      Vi = + 1 Ai + 2Pi + 3Ri + 4Qi + ei (7)

      trong đó ei là các điều khoản lỗi. Bằng cách thay thế giá trị của Phương trình (7) trong Phương trình (6), chúng ta nhận được

      Mi = Exp (Vi) / j Exp Vj = Exp (k kXik + ei) / j Exp (k

      kXik + ej) (8)

      trong đó Xk (0 đến m) là m biến hoặc phần tử độc lập của hỗn hợp tiếp thị và = 0 và Xi0 = 1. Việc sử dụng tỷ lệ số mũ trong các Công thức (6) và (8) đảm bảo rằng thị phần là một hàm hình chữ S thể hiện nỗ lực tiếp thị thương hiệu.

      Tuy nhiên, Công thức (8) cũng có hai hạn chế. Đầu tiên, các mô hình rất khó giải thích vì RHS của phương trình (8) ở dạng hàm mũ. Thứ hai, mẫu số của RHS là tổng số mũ của nỗ lực tiếp thị của mỗi thương hiệu được cộng lại trên mỗi yếu tố của hỗn hợp tiếp thị. May mắn thay, cả hai vấn đề này đều có thể được giải quyết bằng cách áp dụng phép biến đổi lấy trung tâm log cho Phương trình (8). [10] Sau khi áp dụng phép biến đổi này, Công thức (8) giảm xuống

      Nhật ký (Mi M) = * i + k k (X * ik) + e * i (9)

      trong đó các thuật ngữ với * là phiên bản lấy nhật ký làm trung tâm của

      điều khoản thông thường; do đó, * i = i, X * ik = Xik, e * i = ei

      , với k = 1 đến m, và các số hạng có (-) là giá trị hình học của các biến bình thường đối với thương hiệu m trên thị trường. Phép biến đổi trung tâm log của Phương trình (8) làm giảm nó thành một loại mô hình logit đa thức trong Phương trình (9). Ưu điểm của mô hình này là nó tương đối đơn giản hơn, dễ hiểu hơn và dễ ước lượng hơn so với Công thức (8). Vế phải của phương trình (9) là tổng tuyến tính của các biến độc lập được biến đổi. Vế trái của Công thức (9) là một dạng chuyển đổi logistic của thị phần và có thể được hiểu là tỷ lệ cược log của người tiêu dùng thích nhãn hiệu mục tiêu hơn so với nhãn hiệu trung bình trên thị trường. Biến thể cụ thể của logit đa danh nghĩa trong Công thức (9) là dạng tổng hợp. Có nghĩa là, biểu mẫu này được ước tính ở mức dữ liệu thị trường thu được dưới dạng thị phần của thương hiệu và phần nỗ lực tiếp thị của nó so với các thương hiệu khác trên thị trường. Một dạng tương tự của mô hình có thể được ước tính ở mức độ lựa chọn của từng người tiêu dùng. [11] Dạng khác của mô hình này ước tính cách người tiêu dùng cá nhân lựa chọn giữa các thương hiệu đối thủ và được gọi là mô hình logit đa thức của sự lựa chọn thương hiệu. [12] Mô hình logit đa thức (Phương trình (9)) có một số tính năng hấp dẫn khiến nó vượt trội hơn bất kỳ mô hình nào được thảo luận ở trên.

      1. Đầu tiên, mô hình bao gồm các điều khoản cạnh tranh, do đó dự đoán của mô hình thực sự là tổng và giới hạn phạm vi, giống như dữ liệu ban đầu. Nghĩa là, các dự đoán về thị phần của bất kỳ thương hiệu nào nằm trong khoảng từ 0 đến 1 và tổng các dự đoán của tất cả các thương hiệu trên thị trường bằng 1.

      2. Thứ hai, và quan trọng hơn, dạng làm việc của Công thức (6) gợi ý phản ứng hình chữ S đặc trưng giữa thị phần và bất kỳ biến số quảng cáo nào (Hình 2). Ví dụ trong trường hợp quảng cáo, hình dạng này ngụ ý rằng phản ứng bán hàng đối với quảng cáo là thấp ở mức quảng cáo rất thấp hoặc rất cao. Đặc điểm này đặc biệt hấp dẫn dựa trên lý thuyết quảng cáo. Lý do chính là các mức độ quảng cáo nhỏ có thể không hiệu quả và có bất kỳ tác động nào vì chúng bị loại bỏ dần dần trong tiếng ồn. Như đã thảo luận ở phần hình dạng, mức độ quảng cáo rất cao cũng có thể không có bất kỳ tác động nào do thị trường / kênh bão hòa và lợi nhuận giảm dần. Nếu ngưỡng ước tính thấp hơn hoặc tối thiểu của mối quan hệ hình chữ S sigmoid không xảy ra bằng 0, điều này cho thấy rằng thị phần hoặc doanh số duy trì một số mức tối thiểu ngay cả khi nỗ lực tiếp thị giảm xuống mức không hoạt động. Chúng ta có thể hiểu tầng tối thiểu này là mức độ trung thành cơ bản của thương hiệu. Ngoài ra, chúng ta có thể hiểu mức độ nỗ lực tiếp thị trùng với ngưỡng (hoặc bước ngoặt đầu tiên) của đường cong hình chữ S sigmoid là ngưỡng tối thiểu cần thiết cho người tiêu dùng hoặc thị trường / danh mục

        nhận thấy sự thay đổi đáng kể trong nỗ lực tiếp thị – quảng cáo.

      3. Thứ ba, do đường cong hình chữ S của mô hình logit đa thức, độ co giãn của thị phần đối với bất kỳ biến độc lập nào cho thấy mối quan hệ hình chuông đặc trưng đối với nỗ lực tiếp thị. Mối quan hệ này ngụ ý rằng ở mức độ nỗ lực tiếp thị rất cao, sự gia tăng 1% trong nỗ lực tiếp thị sẽ chuyển thành phần trăm thị phần ngày càng tăng nhỏ hơn. Ngược lại, ở mức độ nỗ lực tiếp thị rất thấp, việc giảm 1% nỗ lực tiếp thị chuyển thành phần trăm thị phần giảm dần. Do đó, thị phần phản ứng mạnh nhất với nỗ lực tiếp thị ở một số cấp độ trung gian của thị phần maret. Mô hình này là những gì chúng ta mong đợi một cách trực quan về mối quan hệ giữa thị phần và nỗ lực tiếp thị. Mặc dù có nhiều lợi ích, nhưng mô hình thu hút theo cấp số nhân hoặc đa thức như được định nghĩa ở trên không nắm bắt được bốn trong số bảy tác động được xác định ở trên.

    4. Mô hình phân cấp

      Các tác động còn lại của quảng cáo mà chúng ta cần nắm bắt (nội dung, phương tiện, hiệu ứng động- Wearin / Wearout) liên quan đến những thay đổi trong bản thân khả năng phản hồi của quảng cáo (tức là hệ số) do nội dung quảng cáo, phương tiện được sử dụng hoặc thời gian một chiến dịch. Những tác động này có thể được ghi lại bằng một trong hai cách: hồi quy biến giả hoặc mô hình phân cấp. Hồi quy biến giả là việc sử dụng các thuật ngữ tương tác khác nhau để nắm bắt mức độ phản hồi của quảng cáo thay đổi như thế nào theo nội dung, phương tiện, thiết bị đeo hoặc thiết bị đeo tay. Chúng tôi minh họa nó trong bối cảnh của một chiến dịch với một vài quảng cáo. Giả sử chiến dịch quảng cáo chỉ sử dụng một số ít, chẳng hạn như hai loại quảng cáo khác nhau. Giả sử, chúng ta bắt đầu với mô hình hồi quy cơ bản của Phương trình (3). Sau đó, chúng tôi có thể nắm bắt tác động của các quảng cáo khác nhau này bằng cách bao gồm các biến phù hợp. Một công thức đơn giản là bao gồm một biến giả hoặc cờ cho quảng cáo thứ hai, cộng với hiệu ứng tương tác của quảng cáo nhân với biến giả này. [2] Vì vậy,

      Yt = + 1At + Tại A2t + 2Pt + 3Rt + 4Qt + t (10)

      trong đó A2t là biến giả nhận giá trị 0 nếu quảng cáo đầu tiên được sử dụng tại thời điểm t và giá trị 1 nếu quảng cáo thứ hai được sử dụng tại thời điểm t. đại diện cho ảnh hưởng của thuật ngữ tương tác AtA2t. Trong trường hợp này, hệ số chính của quảng cáo, 1, ghi lại hiệu quả của quảng cáo đầu tiên, trong khi hệ số 1 cộng với hệ số tương tác () ghi lại ước tính phản hồi của quảng cáo thứ hai. Mặc dù đơn giản, nhưng các mô hình này nhanh chóng trở nên khá phức tạp về mặt tính toán khi chúng ta có sự xuất hiện đồng thời của nhiều quảng cáo, kênh, phương tiện và khoảng thời gian. Đây là tình huống trong thế giới thực. Vấn đề có thể được giải quyết bằng cách sử dụng các mô hình phân cấp. Mô hình phân cấp là mô hình nhiều tầng, trong đó các hệ số (của quảng cáo) được ước tính trong một giai đoạn trở thành biến phụ thuộc trong giai đoạn kia.

      giai đoạn thứ hai chứa tất cả các đặc điểm mà quảng cáo có thể thay đổi trong giai đoạn đầu, chẳng hạn như nội dung quảng cáo, phương tiện hoặc thời lượng chiến dịch. [2]

      Hai tính năng cần thiết cho mô hình phân cấp:

      1. Chúng tôi sẽ có thể mô phỏng và nhận được nhiều ước tính về tác động (hoặc giá trị hệ số) của quảng cáo trên một số biến phụ thuộc như doanh số bán hàng hoặc thị phần cho cùng một thương hiệu trên các bối cảnh khác nhau. Nó có thể bao gồm ít nhất một trong những điều sau: chiến dịch quảng cáo, tuần của chiến dịch, thị trường hoặc phương tiện. Sau đó, chúng tôi có thể sử dụng các ước tính về tác động của quảng cáo từ giai đoạn đầu tiên dưới dạng các biến phụ thuộc trong giai đoạn thứ hai.

      2. Trong chừng mực có thể, chúng ta cũng cần giảm thiểu hiệp phương sai quá mức giữa các yếu tố. Sự xuất hiện của các dữ liệu chuỗi thời gian tương tự dẫn đến vấn đề đa cộng tuyến giữa các biến được tạo trong mô hình giai đoạn hai. Nếu các yếu tố này có đủ phương sai chéo, thì các ước lượng hệ số của mô hình giai đoạn hai phải đáng tin cậy và có thể sử dụng được với sự lan truyền sai số tối thiểu. Tùy thuộc vào kích thước mẫu và mức độ phong phú của dữ liệu, các mô hình phân cấp có thể ước tính các tác động đã thảo luận ở trên của quảng cáo. Có nghĩa là, với các mô hình như vậy và được cung cấp dữ liệu đáng tin cậy phù hợp, nhà nghiên cứu có thể đo lường nội dung quảng cáo hiệu quả nhất, thời lượng của nó, lợi nhuận hiện tại và kết hợp quảng cáo có liên quan để có lợi nhuận cao hơn. Thời lượng của chiến dịch có thể được ước tính theo tháng hoặc tuần hoặc ngày. Ví dụ: nếu hiệu quả và tác động của quảng cáo đầu tiên tăng từ từ theo cách từ từ và sau đó giảm đột ngột, người ta có thể kết luận rằng Wearin chậm nhưng thời lượng tiêu thụ nhanh. Mặt khác, nếu tác động của quảng cáo giảm mạnh theo thời gian, thì không có Wearin và Wearout bắt đầu hoạt động ngay từ đầu. Hơn nữa, nếu dữ liệu đủ phong phú và chi tiết, các nhà khoa học tiếp thị cũng có thể thu được các hiệu ứng tương tác tổng hợp và nhiều thông tin chi tiết hơn như kênh nào phù hợp nhất cho các quảng cáo cụ thể hoặc nội dung nào cần được chạy trong các chiến dịch có thời lượng dài hoặc ngắn.

    Lưu ý rằng để giải quyết tất cả bảy tác động của quảng cáo được xác định ở trên, nhà nghiên cứu sẽ phải sử dụng kết hợp nhiều cấu trúc của mô hình phân cấp với một kiểm tra đặc biệt về sự lan truyền lỗi trên các phân cấp, bản thân nó sẽ tạo ra một điểm thu hút theo cấp số nhân hoặc logit đa thức cùng với cải tiến độ trễ phân tán kiểu Koyck. Nói cách khác, các mô hình tổng hợp được mô tả ở trên sẽ cho phép nhà nghiên cứu giải quyết các hiện tượng quan trọng nhất liên quan đến quảng cáo. Trong thực tế, các mô hình tích hợp đầy đủ như vậy có thể thu được tất cả các tác động của quảng cáo là rất phức tạp và đòi hỏi dữ liệu quan trọng. Nếu các nhà nghiên cứu chỉ muốn tập trung vào một số hiệu ứng hoặc dữ liệu của họ không đủ phong phú, họ có thể muốn đơn giản hóa mô hình mà họ sử dụng để chỉ tập trung vào những hiệu ứng quan trọng nhất.

  5. TƯƠNG LAI CỦA MMM

    Với sự đầu tư ngày càng tăng vào các kênh kỹ thuật số, cơ sở người tiêu dùng ngày càng tăng trên các nền tảng thương mại điện tử và xã hội, sự biến mất của cookie và sự xuất hiện của công nghệ và AI đã làm gián đoạn động lực tiếp thị. Tốc độ thay đổi trong thế giới tiếp thị đã biến đổi ngày nay đã tăng lên đáng kể và đòi hỏi các nhà quảng cáo và đại lý phải chuẩn bị sẵn sàng cho việc này. Bây giờ là lúc để xem xét kỹ khung đo lường hiện tại và các khoản đầu tư để hiểu lĩnh vực nào sẽ bị ảnh hưởng nhiều nhất với sự thay đổi của các sự kiện trong hệ sinh thái bị ngắt kết nối này. Thế giới tiếp thị ngoài đời thực đi kèm với những thách thức ngày càng phức tạp của riêng nó, bao gồm tầm nhìn hạn chế, mờ nhạt về các hành vi và cửa sổ ổn định nhìn lại hạn chế.

    Do hệ sinh thái phức tạp này, các nhà tiếp thị và nhà quảng cáo gặp nhiều khó khăn trong việc đo lường hiệu quả của các khoản đầu tư mà họ thực hiện. Rất nhiều nghiên cứu và đổi mới đang được thực hiện trong các lĩnh vực liên quan đến đo lường hiệu quả và tối ưu hóa các khoản đầu tư này. Chúng tôi đã xác định ba lĩnh vực làm việc chính rất quan trọng trong kịch bản hiện tại và để chuyển đổi toàn bộ hệ thống đo lường. Như đã đề cập, chúng không phải là thách thức duy nhất tồn tại nhưng việc giải quyết chúng sẽ tạo ra tác động đáng kể. Các lĩnh vực trọng tâm và đổi mới này sẽ nâng cao kỹ thuật đo lường từ một hệ sinh thái tổng hợp (ít chi tiết hơn) thành một hệ sinh thái dựa trên thuộc tính được phân tách (chi tiết hơn) với khả năng quay vòng nhanh hơn.

    1. Tìm hiểu sâu dựa trên thuộc tính chi tiết: Đo lường nhân quả, hiệu quả và hiệu quả

      Trong y học, chứng minh nhân quả đúng nghĩa là câu hỏi sinh tử. Tỷ lệ sống sót được cải thiện với sự ra đời của một loại thuốc mới. Nhưng đây là nhân quả hay chỉ đơn thuần là tương quan? Trong thế giới tiếp thị, cổ phần có thể không cao, nhưng vấn đề vẫn không đổi. [13] Làm thế nào để chúng tôi quy Doanh số tăng sau một chiến dịch quảng cáo, chỉ cho nỗ lực tiếp thị cụ thể, có kênh nào khác nâng cao hiệu quả của một kênh hay điều này là do một số tác động khác? Quá trình ước tính hiệu quả thực sự của nỗ lực đối với KPI kinh doanh được gọi là suy luận nhân quả là bản chất của việc đo lường. Và các phương pháp đo lường hiệu quả và hiệu quả thông thường không phải lúc nào cũng đúng. Thay vì từ bỏ hoàn toàn các phương pháp đáng tin cậy này, các nhà tiếp thị có thể áp dụng phương pháp tiếp cận thuốc: một hệ thống phân cấp bằng chứng ủng hộ các phương pháp cao hơn trong hệ thống phân cấp. Khi không thể sử dụng phương pháp đánh giá lành mạnh chính xác, các nhà tiếp thị và nhà nghiên cứu nên nhận thức được những hạn chế trong nghiên cứu của họ và sự thiên lệch, mơ hồ và không chắc chắn gắn liền với các suy luận và kết quả. Các chuyên gia nên thông báo sự không chắc chắn này và đề xuất các bối cảnh và giả định hợp lệ để nó không cản trở việc ra quyết định. Dưới đây là ba lĩnh vực trọng tâm chính của phép đo chính xác chi tiết:

      1. Đánh giá dữ liệu quan sát quan hệ nhân quả: Khi chúng tôi không thể chạy thử nghiệm, người ta phải dựa vào các phương pháp sử dụng dữ liệu quan sát như mô hình kết hợp tiếp thị hoặc phân bổ kỹ thuật số.

        Các kỹ thuật đo lường này không phải lúc nào cũng tốt trong việc ước tính các tác động nhân quả, do đó giả thuyết hợp lệ và khuôn khổ thử nghiệm phải được đưa ra để xác minh các giả định cơ bản về hoạt động. Các thuật toán hiện tồn tại để xác định khi nào một phương pháp quan sát cụ thể là một ước tính tốt về các tác động nhân quả và khi nào thì không. Các thuật toán như vậy có thể phân tích sơ đồ biến chéo nhân quả mã hóa sự hiểu biết của chúng ta về cách các nỗ lực tiếp thị gây ra kết quả cùng với các yếu tố khác. Những điều này hiếm khi được áp dụng cho hiệu quả tiếp thị. Điều gì sẽ xảy ra nếu chúng ta có thể phát triển các công cụ cho phép các nhà tiếp thị xây dựng sơ đồ nhân quả, phân tích chúng một cách tự động và đề xuất các phương pháp tối ưu để ước tính tác động nhân quả?

      2. Thiết kế các thí nghiệm: Các thí nghiệm được kiểm soát ngẫu nhiên cho đến nay là phương pháp đo lường tác động nhân quả chính xác nhất hiện có. Nhưng chúng thường chỉ có thể kiểm tra một hoặc hai thứ cùng một lúc, chúng có thể khó quản lý và yêu cầu dữ liệu thuộc tính người dùng chi tiết hơn nhiều. Các hệ thống đánh giá liên tục phải được áp dụng cho phép các nhà tiếp thị thực hiện các nghiên cứu và đo lường hiệu quả của các kế hoạch và chiến lược tiếp thị khác nhau để định lượng cho các triển khai trong tương lai ở các đầu ra MMM nâng cao. Các nguồn cấp dữ liệu từ hệ sinh thái cấp người dùng này cho đến các phép đo MMM có thể xác thực và cải thiện hiệu lực và hiệu quả của hệ sinh thái MMM.

      3. Truyền đạt sự không chắc chắn: Bất kể đo lường là gì, chúng tôi cần phải thừa nhận và hiểu các biên sai số có trong các ước tính về hiệu quả tiếp thị. Điều rất quan trọng là phải đặt ra tất cả các giả định và giả thuyết cơ bản (công thức và khuôn khổ thử nghiệm) để tích hợp chính xác đầu ra của các phép đo trong việc lập kế hoạch và hoạt động hàng ngày.

    2. Đo lường dài hạn, ngay hôm nay

      Các CXO (CEO, CMO, v.v.) phải liên tục cân bằng các chiến lược và quyết định kinh doanh của họ để thúc đẩy tăng trưởng dài hạn so với lợi nhuận ngắn hạn theo yêu cầu của các nhà đầu tư hoặc cổ đông. Các nhà tiếp thị cũng đi theo cùng một quy luật: đầu tư vào một thương hiệu là điều cần thiết để phát triển một doanh nghiệp bền vững nhưng có thể không thúc đẩy doanh số bán hàng quý với lợi tức đầu tư tốt. Theo một số nguồn tin, các nhà tiếp thị đã trở nên quá tập trung vào lợi nhuận ngắn hạn, và điều này làm tổn hại đến hiệu quả. Một chiến lược dài hạn thành công đòi hỏi phải đo lường tốt hơn các tác động lâu dài mà không cần phải đợi nhiều năm mới có kết quả.

      1. Tích hợp kết quả MMM dài hạn và ngắn hạn: Các phương pháp MMM nâng cao hiện có thể ước tính doanh số bán hàng dài hạn do hoạt động tiếp thị mang lại và tạo hệ số nhân so sánh điều này với doanh số bán hàng ngắn hạn. Nhưng điều này có thể đòi hỏi nhiều năm dữ liệu và phức tạp hơn MMM thông thường, có nghĩa là phương pháp này không thường được sử dụng và có nhiều lớp. Các nhà tiếp thị cũng có thể sử dụng hệ số nhân ngoài ngữ cảnh hoặc không hiểu

        biên lỗi của họ có thể dẫn đến sai lệch và sai số lớn trong kết quả đầu ra.

      2. Tích hợp giá trị lâu dài của khách hàng (LTV) và dữ liệu của bên thứ nhất vào MMM và kết quả ngắn hạn của nó: Với dữ liệu khách hàng tốt, các nhà tiếp thị có thể lập mô hình LTV dự kiến ​​của khách hàng tiềm năng, để họ có thể được nhắm mục tiêu bằng các thông điệp tùy chỉnh hoặc tăng chi tiêu để có mức độ tương tác cao hơn. Nhưng chỉ một số nhà quảng cáo có dữ liệu chất lượng và hệ thống bắt buộc để sửa đổi các giả định của các mô hình cơ bản này dựa trên hành vi thực tế của người tiêu dùng, sau đó có thể kết nối với các hệ thống tiếp thị tự động.

      3. Sử dụng các hành vi trực tuyến làm chỉ số hàng đầu cho kết quả lâu dài: Với sự thâm nhập internet ngày càng tăng và sự phát triển của các phương tiện truyền thông xã hội và thương mại điện tử – các hành vi trực tuyến (chẳng hạn như tìm kiếm, truy vấn xã hội, v.v.) có thể cung cấp dữ liệu thường xuyên, chi tiết với mẫu rất lớn các kích cỡ. Nghiên cứu cho thấy dữ liệu này có liên quan đến sức khỏe thương hiệu và có thể là chỉ số hàng đầu về kết quả dài hạn. Các chuyên gia về hiệu quả phải đổi mới để đưa các nguồn cấp dữ liệu đầu vào này vào MMM để đánh giá trước các phản hồi tốt hơn. Nếu một người có thể định lượng một giá trị tài chính ước tính cho mức tăng và lợi ích trong hành vi trực tuyến do hoạt động tiếp thị gây ra sẽ thay đổi quá trình đo lường tiếp thị.

    3. Phương pháp thống nhất và chi tiết hơn

    Trong nhiều thập kỷ, các nhà khoa học đã tìm cách kết hợp lý thuyết rất nhỏ (cơ học lượng tử) với lý thuyết rất lớn (vật lý cổ điển), để phát triển một cái gọi là lý thuyết về mọi thứ. Một thách thức tương tự đang xuất hiện trong việc đo lường hiệu quả. Các mô hình cấp độ người tiêu dùng như đo lường phân bổ kỹ thuật số ở cấp độ rất nhỏ. Các mô hình cấp tổng hợp như mô hình hỗn hợp tiếp thị đo lường rất lớn. Và chúng có thể dẫn đến những kết quả rất khác nhau. Do đó, bước tiếp theo hợp lý là tìm cách kết hợp các phương pháp đo lường lại với nhau để có được cái nhìn tổng thể về hiệu quả của chúng: một lý thuyết về mọi thứ cho tiếp thị.

    1. Kết hợp phương pháp này với phương pháp khác: Mặc dù một số nhà quảng cáo và nhà cung cấp dịch vụ đo lường tuyên bố rằng họ đang kết hợp MMM với phân bổ kỹ thuật số, MMM với thử nghiệm hoặc phân bổ kỹ thuật số với thử nghiệm, chúng tạo thành một thiểu số và phương pháp hay nhất vẫn chưa rõ ràng.

    2. Kết hợp nhiều phương pháp cùng một lúc: Ngoài các phương pháp truyền thống, các chuyên gia về hiệu quả tìm cách kết hợp dữ liệu và thông tin chi tiết từ các nguồn khác nhau. Điều này có thể liên quan đến việc đối chiếu và trình bày tất cả theo cách tiêu hao hoặc pha trộn nó ở cấp độ phân tích và trình bày một kết quả thống nhất. Có một số cách tiếp cận đầy hứa hẹn nhưng không có tiêu chuẩn ngành nào.

      Điều gì sẽ xảy ra nếu các chuyên gia về hiệu quả có thể đồng ý về quy trình lý tưởng để tập hợp và trình bày nhiều nguồn thông tin? Điều gì sẽ xảy ra nếu các nhà nghiên cứu có thể xây dựng các mô hình minh bạch để kết hợp dữ liệu với các mức độ chi tiết khác nhau (người dùng, nhóm thuần tập, địa lý,

      tổng hợp, v.v.) để có được các thước đo hiệu quả nhất quán và toàn diện?

    3. Kết hợp AI cho các cải tiến và đổi mới MMM cấp sản xuất có thể mở rộng: Mục tiêu chính của các khoản đầu tư vào AI là chuyển đổi kỹ thuật số và công nghệ cách thực hiện các phép đo, từ phân tích dựa trên mô hình thủ công truyền thống vốn tốn nhiều thời gian để tạo ra hàng triệu mô hình cung cấp sự nhanh nhẹn, khả năng mở rộng và nhiều tiêu chí lựa chọn để lựa chọn một cách tự động kịp thời. Với sự trợ giúp của AI, công nghệ và cơ sở hạ tầng đám mây có sẵn, chúng tôi có thể sử dụng phương pháp mô phỏng cấu trúc nhân quả nhiều lớp dựa trên mô phỏng kinh tế lượng phức tạp và tiên tiến cao (n-lớp X m-factor), là một phương pháp đo lường nâng cao để tạo ra các kịch bản và tính toán hiệu quả và hiệu quả của các khoản đầu tư trong một hệ sinh thái kết nối phức tạp. [14]

  6. KẾT LUẬN

Xem Thêm  Instagram đã vô hiệu hóa tài khoản của bạn mà không có lý do - tôi có thể kiện instagram vì đã vô hiệu hóa tài khoản của tôi không


Xem thêm những thông tin liên quan đến chủ đề mmm mô hình kết hợp tiếp thị

Bernardo Lares & Igor Skokan – Project Robyn 3.0 Marketing Mix Model from Facebook Marketing Science

  • Tác giả: Lander Analytics
  • Ngày đăng: 2021-10-06
  • Đánh giá: 4 ⭐ ( 4939 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Project Robyn 3.0: Continuous & Semi-Automated Marketing Mix Model from Facebook Marketing Science by Bernardo Lares & Igor Skokan

    Visit https://rstats.ai/nyr/ to learn more.

    Abstract: Robyn is an experimental, semi-automated and open-sourced Marketing Mix Modeling (MMM) package from Facebook Marketing Science. It uses various machine learning techniques (Ridge regression with cross validation, multi-objective evolutionary algorithm for hyperparameter optimisation, time-series decomposition for trend & season, gradient-based optimisation for budget allocation etc.) to define media channel efficiency and effectivity, explore adstock rates and saturation curves. It’s built for granular datasets with many independent variables and therefore especially suitable for digital and direct response advertisers with rich data sources.

    Bio: Bernardo Lares is a Venezuelan Marketing Science Partner at Facebook, currently located in Colombia, passionate about data science, automation, data visualization, and R. He has mainly engaged in FinTech, Insurance, and Marketing projects, applying data science to real-world problems, and helping clients and consumers get the most out of the data available. Bernardo has an open-source R package called `lares` mainly designed to democratize AutoML with a plug-and-play approach to train Machine Learning models, ready to deploy. It also holds dozens of other functionalities to help analysts with their daily tasks. He likes to describe his package as a “shared side-kick that boosts your analytics.” Currently, he is developing internal and external Marketing Science solutions at Facebook with R; one of the most impactful projects is Robyn, which helps empower mid-sized businesses to semi-automate their marketing mix models using open-source solutions.

    Twitter: https://twitter.com/LaresDJ

    Bio: Igor [Iggy] is part of the global Marketing Science team at Facebook based in London, helping agencies and marketers find true business value through a range of solutions designed to measure audience, brand and sales outcomes. Nuclear scientist & mathematician by education, prior to joining Facebook, Igor held various senior analytical positions within Omnicom’s data, tech and analytics units in Dubai, London and Prague. Across his roles before and now, his focus is on intersection of different facets of marketing effectiveness from contemporary MMM, holistic attribution, RCTs/experimentation to media insights. Beyond his passion for numbers, he likes traveling, ultra-trail running and climbing (high) mountains.

    Presented at the 2021 New York R Conference (September 10, 2021)

Leading Solution Combine Adtech and Martech

  • Tác giả: blog.hub-js.com
  • Đánh giá: 3 ⭐ ( 7065 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Phân tích tiếp thị là nghiên cứu các dữ liệu thu được trong quá khứ, thông qua các chiến dịch tiếp thị, sau đó phân tích, dự đoán và đóng góp vào sự chuyển

Mô hình Tiếp Thị Liên Kết: 8 cách tính hoa hồng phổ biến

  • Tác giả: www.linkedin.com
  • Đánh giá: 5 ⭐ ( 2540 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Nhằm hỗ trợ các bạn độc giả trên website nguyenngocdinh.net mình sẽ chia sẻ với các bạn các khóa học về MMO, Kinh doanh online, Tiếp thị liên kết( Affiliate Marketing), SEO, SEM,…hoàn toàn MIỄN PHÍ 100% để giúp mọi người cùng nhau học tập và phát triển.

mô hình tiếp thị

  • Tác giả: 123docz.net
  • Đánh giá: 3 ⭐ ( 9478 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Tìm kiếm mô hình tiếp thị , mo hinh tiep thi tại 123doc – Thư viện trực tuyến hàng đầu Việt Nam

MMM – NĂNG LỰC QUẢN TRỊ CHO QUẢN LÝ CẤP TRUNG

  • Tác giả: pace.edu.vn
  • Đánh giá: 3 ⭐ ( 1372 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Tại sao có nhiều người làmchuyên môn rất giỏi, nhưng lại khôngthành công khi ngồi ở vị trí quản lý?

Mô hình kết hợp tiếp thị

  • Tác giả: wivi.wiki
  • Đánh giá: 3 ⭐ ( 8376 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Mô hình hóa hỗn hợp tiếp thị ( MMM ) là phân tích thống kê như hồi quy đa biến đối với dữ liệu chuỗi thời gian bán hàng và tiếp thị để ước tính tác động của các chiến thuật tiếp thị khác nhau ( hỗn hợp tiếp thị ) lên doanh số bán hàng và sau đó dự báo tác động của các bộ chiến thuật trong tương lai. Nó thường được sử dụng để tối ưu hóa hỗn hợp quảng cáo và các chiến thuật khuyến mại liên quan đến doanh thu bán hàng hoặc lợi nhuận.

Google: Cách ứng dụng mô hình ‘Marketing Mix’ vào thế kỷ mới

  • Tác giả: marketingtrips.com
  • Đánh giá: 3 ⭐ ( 7216 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Mô hình Marketing Mix (MMM) hay tiếp thị hỗn hợp là một phương pháp đã được chứng minh về mức độ hiệu quả theo thời gian để đo lường sức ảnh hưởng của hoạt động marketing của bạn.

Xem thêm các bài viết khác thuộc chuyên mục: Social

Xem Thêm  Tăng một bài đăng trên Instagram - Tăng cường bài đăng của bạn trên instagram có tác dụng gì