Oleksandr Ruppelt: МММ - Marketing Mix Modeling. Атрибуція рекламного бюджету (UA) AI & BigData Online Day 2023 Autumn Website – www.aiconf.com.ua Youtube – https://www.youtube.com/startuplviv FB – https://www.facebook.com/aiconf

1. Marketing Mixed Modelling
Та 7 гномів
Олександр Руппельт

2. Зміст
1. Яка ціль MMМ?
2. Історичний підхід. Плюси і мінуси
3. Альтернативний підхід до моделювання
4. Сценарії та оптимізація

3. Яка ціль МММ?

4. Що таке MMМ?

5. Що таке MMM?
Серія підходів, ціль яких за допомогою статистичного аналізу оцінити
вплив різних маркетингових стратегій на минулі чи майбутні продажі
В даному випадку маркетингові стратегії являються наслідком контролю
над певними характеристиками - 4P, 7P, 8P, 4C і так далі

6. Що таке MMM?
Серія підходів ціль яких за допомогою статистичного аналізу оцінити
вплив різних маркетингових стратегій на минулі чи майбутні продажі
В даному випадку маркетингові стратегії являються наслідком контролю
над певними характеристиками - 4P, 7P, 8P, 4C і так далі

7. Що таке MMM?
Одна з найголовніших P - Promo. Відповідно
ціль МММ -
1. Sales Decomposition. Побудова
математичної моделі для оцінки
історичного впливу різних каналів
реклами (Adwords, FB ads, TV, білборди
і тд)
2. Optimization Engine. Побудова стратегії
розподілу рекламного бюджету для
оптимізації (максимізації) продаж

8. Історичний підхід до
декомпозиції продаж

9. Історичний підхід до декомпозиції продаж
Головним підходом була оцінка залежності продажів yt
на час t в залежності від значень
контрольованих змінних xit
за допомогою лінійної регресії.
Xit
- це можуть бути бюджети на рекламні канали
До речі в основному використовуються саме кількість проданих одиниць товару, а не грошовий
виторг чи дохід. Чому?

10. βYT
= 0.4
Історичний підхід до декомпозиції продаж
β0
= 10
βradio
= 0.05
βadw
= 0.3
βtv
= 0.05

11. Історичний підхід до декомпозиції продаж
Головним підходом була оцінка залежності продажів yt
на час t в залежності від значень
контрольованих змінних xit
за допомогою лінійної регресії
До речі в основному використовуються саме кількість проданих одиниць товару, а не грошовий
виторг чи дохід. Чому?

12. Історичний підхід до декомпозиції продаж
Головним підходом була оцінка залежності продажів yt
на час t в залежності від значень
контрольованих змінних xit
за допомогою лінійної регресії
До речі в основному використовуються саме кількість проданих одиниць товару, а не грошовий
виторг чи дохід. Чому?

13. Адсток
Концепт Адстоку (Adstock)
● Вплив реклами підвищує впізнаваність бренду і генерує додаткові продажі
● Кожен додатковий контакт з рекламою підвищує рівень впізнаваності
● Згасаючий ефект (закон спадної віддачі чи diminishing return law) з часом зменшує впізнаваність
до базового рівня
● Це може відбуватись допоки не компенсується новими контактами з рекламою
● Також залежність 1 гривні в рекламі і 1 гривні в продажах не лінійна
● Починаючи з деякого періоду кожна додаткова гривня в рекламному бюджеті буде генерувати
все менше і менше продажів
● Згасаючий ефект зазвичай виражається в термінах напіврозпаду. Період напіврозпаду в рекламі
у три тижні означає що за три тижні ефект реклами скоротиться наполовину до теперішнього
рівня.

14. Адсток - ефект пам‘яті та закон спадної віддачі
Memory Effect
VS.
Saturation

15. Адсток - ефект пам‘яті та закон спадної віддачі
Додаємо пам‘ять
Додаємо спадання
Фінальне рівняння

16. Переваги та недоліки
Переваги
● Проста модель, яка зрозуміла бізнесу
● Декомпозиція продаж по каналам
тривіальна
● βi
-коефіцієнти, для i>0 є репрезентацією
декомпозиції. Якщо βTV
=10, це означає що
одна гривня з бюджету на телебачення
згенерує 10 одиниць (або гривень) продажів
● β0.
- базові продажі. Гіпотетична величина
яка вказує на продажі без використання
реклами
● Автоматична підтримка монотонності
Недоліки
● Низька якість передбачення у порівнянні з
XGBoost, LightGBM etc
● Припускається лінійна залежність між
продажами та витратами на рекламу
● Екстраполяція лінійних моделей
передбачувана, але погано описує правду

17. Альтернативний підхід

18. Альтернативний підхід

19. Альтернативний підхід

20. Переваги та недоліки
Переваги
● Накінець, нормальна точність моделі
Недоліки
● Як зробити декомпозицію?

21. Shapley values
● Походження з теорії ігор. Це спосіб
розрахунку виграшу кожного гравця з
фінального банка
● Уявімо що кожна характеристика в МЛ
моделі це гравець і ми хочемо знати частку
кожної характеристики в нашому таргеті
● Технічні деталі можна подивитись тут
● Бібліотека тут

22. Shapley values. Методологія
1. Матриця можливих комбінацій
включених-виключених каналів -
складність O(2n
)
2. Генерація передбачень для кожної
комбінації

23. Shapley values. Методологія
3. Для кожного каналу маємо знайти всі пари які відрізняються лише тим включений чи
виключений цей канал - в даному випадку це рядки виділені одним кольором. (Важливо - для
кожного канала комбінації пар будуть різними!)
4. Shapley value для канала Channel1 буде ¼ * (10003-9496) + (8497-7997) + (9500-9003) +
(9004-8500) = 502
5. Base value або базове значення = 7997, це коли всі маркетингові канали вимкнені

24. Shapley values. Методологія
Хороші новини. Ми маємо методологію
декомпозиції, для якої не важливо який тип
алгоритму ми використовуємо для
моделювання і передбачення продажів.
Проблема. Складність O(2n
). В реальному
житті з кількістю рекламних каналів >10 ця
методологія не працює.
Рішення. Деякі алгоритми матимуть
спрощену процедуру розрахунку Shapley
Values.

25. Декомпозиція продажів. Фінальний результат

26. Потенційні проблеми альтернативного підходу
Недоліки
● Немонотонна залежність між декомпозицією і
бюджетом, яка є зазвичай результатом
бустингових “дерев‘яних” моделей.
● Від“ємні значення в декомпозиції
● Екстраполяція
Недоліки
● XGBoost і LightGBM мають можливість додати
умови монтонності для різних характеристик
● Необхідний крок пост-обробки, часто
негативні значення прирівнюють до 0, а всі
інші відповідно коригують
● Просто терпіть :)

27. Сценарії та оптимізація

28. Сценарії і оптимізація
● Сценарій - зміна характеристик (витрат на різні рекламні канали) для передбачення і декомпозиції
продажів
● Сценарії необхідні для швидкої перевірки логічності результатів чи стрес тестів. Нерідко сценарії
можуть вказати напрям для стратегії
● Сценарії потрібно перевіряти вручну, а отже це не скейлиться

29. Сценарії і оптимізація
● Оптимізація (максимізація) - процес пошуку найкращого розподілу бюджету з ціллю максимізації
продажів (або, рідше - мінімізації витрат при збереженні певного рівня продажів)
● Пререквізити - Загальний Бюджет, Обмеження на бюджети на індивідуальні рекламні канали,
модель передбачення продаж (можна навіть не МЛ)
● Знайти деталі про оптимізацію можна тут. Головне пам‘ятати що не всі алгоритми оптимізації
підтримують обмеження на сумарне значення, наприклад - на Загальний Бюджет

30. Дякую за увагу!