Marketing Mix Modelling

Marketing Mix Modelling (MMM) እያንዳንዱ የማስታወቂያ ቻናል ለቢዝነስ ውጤቶች ምን ያህል አስተዋፅኦ እንዳለው ይወስናል፣ ነገር ግን የተለመዱ አቀራረቦች በተለያዩ ቻናሎች ላይ የሚወጣው ወጪ ሲያያዝ በተዛባ መረጃ ይጠቃሉ። የእኛ የምክንያታዊ MMM ይህንን ችግር የሚፈታው የተደበቁ ተፅእኖዎችን እና በአንድ ጊዜ የሚከሰቱ ክስተቶችን በትክክል በሚያሰሉ የላቁ የኢኮኖሜትሪክ ዘዴዎች ነው።

እኛ ውስብስብ የቢዝነስ ተግዳሮቶችን ለመፍታትCausal Machine Learningን እንጠቀማለን።

የኢንስትሩሜንታል ቫሪያብል ግምት፣ ለተለዋዋጭ ተፅእኖዎች Causal Forests እና Bayesian Structural Time-series ሞዴሎችን ጨምሮ የተለያዩ ዘዴዎችን በመጠቀም እያንዳንዱ ቻናል ያለውን ትክክለኛ ምክንያታዊ ተፅእኖ ከምርጫ መዛባት (selection bias) እንለያለን። ይህ ማለት በGoogle ፍለጋ፣ በማህበራዊ ሚዲያ፣ በኢሜይል እና ከኢንተርኔት ውጭ ባሉ ቻናሎች ላይ የሚወጣው ተጨማሪ ወጪ ገቢን እና ሽያጭን እንዴት እንደሚመራ ሚዛናዊ ግምት ያገኛሉ ማለት ነው። የቀድሞ የወጪ ውሳኔዎች ከማይታዩ ነገሮች (የብራንድ ጥንካሬ፣ ወቅታዊነት፣ የተወዳዳሪዎች ጥንካሬ) ጋር ያላቸውን ዝምድና በግልጽ ሞዴል እናደርጋለን፣ ከዚያም የእያንዳንዱን የማስታወቂያ ዘዴ ትክክለኛ ውጤት እንለያለን። የእኛ ዘዴ በ [Post-selection Inference](/research#post-selection-inference) እና በ [Debiased Machine Learning](/research#double-debiased-ml) ላይ የተመሰረተ ነው።

የእኛን MMM መፍትሄዎች የሚጠቀሙ የፍጆታ ዕቃዎች ኩባንያዎች የተሻለ በጀት በመመደብ የማስታወቂያ ውጤታማነታቸውን ያሳድጋሉ። የሚዲያ ኩባንያዎች የትኞቹ የቻናል ጥምረት ዘላቂ ትርፍ (ROI) እንደሚያመጡ ይለያሉ። የፋይናንስ አገልግሎት ድርጅቶች ደግሞ የማስታወቂያን የረጅም ጊዜ የብራንድ ተፅእኖ ከአጭር ጊዜ ሽያጭ ለይተው ሞዴል ያደርጋሉ፣ ይህም አንዳንድ ቻናሎች በተለመደው ትንተና ለምን ዝቅ ተደርገው እንደሚታዩ ያሳያል።

ውጤቱም በኦዲት ሊረጋገጥ የሚችል እና በኢኮኖሜትሪክ ጥንካሬ የተፈተነ የተቀናጀ የማስታወቂያ ውጤታማነት እይታ ነው፣ ይህም በጀትን በራስ መተማመን እንደገና ለመመደብ ያስችልዎታል።