Che cos’è il marketing mix modeling bayesiano?
Il marketing mix modeling bayesiano è un modo di costruire un modello di marketing mix con la statistica bayesiana. Come ogni MMM, stima quanto ogni canale e ogni fattore esterno abbia contribuito alle vendite. La differenza sta nel modo in cui gestisce ciò che il team sa già e nel modo in cui riporta l’incertezza.
Un modello bayesiano parte dalle prior, ovvero aspettative ragionevoli su ogni effetto, come «l’impatto della TV dura diverse settimane» o il risultato di un recente test di lift. Poi aggiorna queste aspettative con i dati osservati e restituisce una distribuzione: un intervallo di valori probabili per ogni canale, non un singolo punto.
Come funziona l’MMM bayesiano?
- Definire le prior. Codificare ciò che è noto o ragionevole, come intervalli plausibili per l’effetto di ogni canale e per la sua durata.
- Adattare il modello ai dati. Combinare le prior con lo storico di investimenti, vendite e fattori esterni.
- Leggere la distribuzione a posteriori. Ottenere un intervallo di effetti probabili per ogni canale, con i valori più probabili e l’incertezza che li circonda.
- Pianificare con gli intervalli. Usare gli intervalli per confrontare le opzioni di budget e capire quanta fiducia riporre in ciascuna.
Qual è un esempio di MMM bayesiano?
Usare un test di lift come prior
Un brand dispone di soli 18 mesi di dati per un canale più recente, quindi un modello standard fornisce una stima instabile del suo effetto.
Il trimestre scorso il team ha condotto un test geo-lift su quel canale. Un modello bayesiano usa il risultato del test come prior, il che stabilizza la stima, e riporta un intervallo di ritorni probabili, così i planner vedono quanto sia davvero certo il numero.
MMM bayesiano vs. MMM tradizionale
| MMM tradizionale (frequentista) | MMM bayesiano | |
|---|---|---|
| Punto di partenza | Solo i dati | Le prior più i dati |
| Risultato | Una stima puntuale per canale | Un intervallo di valori probabili per canale |
| Uso dei risultati dei test | Di solito informale | Integrati come prior |
| Con dati limitati | Le stime possono essere instabili | Le prior possono stabilizzare le stime |
| Rischio principale | Numeri singoli troppo sicuri | Prior che orientano troppo i risultati |
Perché l’MMM bayesiano è importante?
I team prendono decisioni di budget in condizioni di incertezza. Un modello che mostra un intervallo, e che può assorbire ciò che un team ha appreso dagli esperimenti, rende esplicita questa incertezza invece di nasconderla dentro un unico numero.
- Incertezza trasparente. I vertici vedono quanto è sicuro il modello, non solo che cosa stima.
- Un apprendimento che si accumula. I risultati degli esperimenti alimentano il modello successivo.
- Richiede governance. Le prior sono ipotesi. Vanno messe per iscritto e revisionate come qualsiasi altra definizione, altrimenti possono orientare la risposta senza che nessuno se ne accorga.
Come lo fa Alli?
Scenario Planner di Alli by PMG abbina la modellazione della risposta ai media ai segnali di Alli Brand Equity. La stima in due fasi separa l’effetto diretto del marketing dal valore accumulato del brand, e un’architettura a livelli mantiene la stima della risposta ai media separata dall’ottimizzazione del budget, per ridurre l’instabilità tipica dei modelli tradizionali.
Le previsioni sono stime basate su modelli, non garanzie, e i team vedono le ipotesi alla base di ogni scenario, così l’area finance può esaminarle.
Esplorate Alli Scenario PlannerDomande frequenti sul marketing mix modeling bayesiano
Che cos’è una prior nell’MMM bayesiano?
Una prior è l’ipotesi di partenza del modello su un effetto prima di vedere i dati, come un intervallo plausibile per il ritorno di un canale o per la durata del suo impatto.
L’MMM bayesiano è migliore dell’MMM tradizionale?
Non automaticamente. Gestisce l’incertezza e le conoscenze pregresse in modo più esplicito, il che aiuta quando i dati sono limitati, ma i risultati dipendono da prior ben scelte e da dati di qualità.
L’MMM bayesiano può usare i risultati degli esperimenti?
Sì. I risultati dei test di lift o dei test geografici possono essere usati come prior, il che collega il modello a evidenze causali.
Che aspetto ha l’output di un MMM bayesiano?
Per ogni canale fornisce una distribuzione di effetti probabili, di solito sintetizzata come valore più probabile e intervallo, ad esempio un intervallo di credibilità.
Ultimo aggiornamento: Torna al glossario