Marketing Mix Modeling (MMM): מה זה, איך זה עובד ומתי זה מתאים לעסק שלכם
בקצרה: Marketing Mix Modeling, או MMM, הוא מודל סטטיסטי שמעריך כמה מהמכירות של עסק נבעו מכל ערוץ שיווק, וכמה היו מתקבלות גם בלי פרסום. הוא עובד על נתונים מצטברים, כלומר הוצאה שבועית לכל ערוץ מול הכנסה שבועית, ולא על מעקב אחרי משתמשים בודדים. לכן הוא לא תלוי בעוגיות, בפיקסלים או בהסכמת גולשים. המחיר הוא שהוא דורש היסטוריה ארוכה, עונה על שאלות תקציב ולא על שאלות קמפיין, ונותן הערכה עם טווח אי ודאות ולא מספר מדויק.
המדריך הזה מיועד למפרסמים ולמנהלי שיווק שרוצים להבין מה המודל עושה לפני שמחליטים אם להשקיע בו. נסביר איך הוא עובד, מה צריך כדי להריץ אותו, במה הוא שונה מייחוס רגיל, ומה עושים כשהעסק קטן מדי בשבילו.
מה זה Marketing Mix Modeling
MMM הוא ניתוח רגרסיה על סדרת זמן. לוקחים את ההכנסה של העסק לאורך תקופה ארוכה, ומנסים להסביר את התנודות בה באמצעות הגורמים שהשתנו באותה תקופה: כמה הוצא בכל ערוץ פרסום, מתי היו מבצעים, מה הייתה העונתיות, מתי השתנה מחיר, ומה קרה בשוק. התוצאה היא פירוק של ההכנסה לשני חלקים. החלק הראשון הוא קו הבסיס, כלומר מכירות שהיו מתקבלות גם בלי פרסום, בזכות מותג, לקוחות חוזרים וביקוש טבעי. החלק השני הוא התרומה של כל ערוץ מעל קו הבסיס.
השיטה עצמה ותיקה, והיא שימשה מפרסמים גדולים בטלוויזיה, ברדיו ובדפוס הרבה לפני הפרסום הדיגיטלי. היא חזרה למרכז הבמה כי המדידה ברמת המשתמש נחלשה. מגבלות ה-ATT של Apple, חלונות הסכמה וחוסמי מעקב צמצמו את החלק מהמסע שפלטפורמות הפרסום רואות בפועל. חשוב לדייק: גוגל לא ביטלה בפועל את עוגיות הצד השלישי בכרום, אך שיעור הכיסוי של המדידה מבוססת העוגיות ירד ממילא. את הפער הפלטפורמות משלימות באומדן, והרחבנו על כך במאמר על המרות מוערכות מול הכנסה בפועל.
איך MMM עובד: שלושה מושגים שצריך להכיר
מודל שרק משווה הוצאה שבועית להכנסה שבועית יטעה, כי פרסום לא עובד באופן מיידי ולא באופן ליניארי. שלושה מנגנונים מתקנים את זה.
- השפעה נגררת (Adstock). מודעה שנצפתה השבוע ממשיכה להשפיע גם בשבועות הבאים, בעוצמה הולכת ופוחתת. המודל מעריך לכל ערוץ כמה מהר ההשפעה דועכת. בדרך כלל חיפוש ממומן דועך מהר, ווידאו ומודעות מותג דועכים לאט.
- רוויה (Saturation). השקל הראשון בערוץ מניב יותר מהשקל האחרון. המודל בונה לכל ערוץ עקומת תגובה שמראה איפה התשואה השולית מתחילה לרדת. זו התוצאה השימושית ביותר של MMM, כי ממנה נגזרת ההמלצה לאן להעביר תקציב.
- משתני בקרה. עונתיות, חגים, מבצעים, שינויי מחיר ואירועים חיצוניים נכנסים למודל כדי שעלייה במכירות בנובמבר לא תיוחס בטעות לערוץ שבמקרה קיבל יותר תקציב באותו חודש.
אילו נתונים צריך כדי להריץ MMM
הדרישה העיקרית היא היסטוריה. מקובל להמליץ על שנתיים לפחות של נתונים שבועיים, כדי שהמודל יראה כל עונה יותר מפעם אחת. מעבר לאורך, המודל צריך שונות: אם התקציב בכל ערוץ היה כמעט קבוע לאורך כל התקופה, אין למודל ממה ללמוד מה קורה כשמשנים אותו.
| סוג נתון | מה בדיוק | מאיפה מגיע | הטעות הנפוצה |
|---|---|---|---|
| הכנסה | הכנסה בפועל לשבוע, רצוי אחרי החזרות וביטולים | מערכת החנות או הנהלת החשבונות | שימוש בהכנסה שפלטפורמת הפרסום מדווחת במקום בהכנסה מהחנות |
| הוצאת מדיה | הוצאה שבועית לכל ערוץ בנפרד | Google Ads, Meta, ערוצים נוספים | איחוד של חיפוש ממותג וחיפוש כללי לערוץ אחד |
| פעילות לא ממומנת | דיוור, אורגני, שיתופי פעולה | מערכת הדיוור, Search Console | השמטה, ואז התרומה שלהם מיוחסת לערוץ ממומן |
| מבצעים ומחיר | תאריכי מבצעים, שיעור הנחה, שינויי מחיר | יומן שיווקי פנימי | אין תיעוד, ומשחזרים מהזיכרון |
| עונתיות ואירועים | חגים, חופשות, אירועים חריגים | לוח שנה ונתונים חיצוניים | התעלמות מחגים שזזים בין שנה לשנה בלוח הלועזי |
הנקודה האחרונה רלוונטית במיוחד בישראל. ראש השנה, סוכות ופסח נופלים בכל שנה בתאריך לועזי אחר, ולכן משתנה עונתיות שמבוסס על מספר השבוע בשנה לא יתפוס אותם. צריך לסמן אותם במפורש.
MMM מול ייחוס ומול ניסויי תוספתיות
שלוש השיטות עונות על שאלות שונות, והן משלימות זו את זו ולא מתחרות.
| ייחוס ברמת המשתמש | MMM | ניסוי תוספתיות | |
|---|---|---|---|
| על מה עונה | איזה קמפיין או מודעה נגע בלקוח לפני הרכישה | איך לחלק את התקציב בין הערוצים | האם ערוץ מסוים באמת מוסיף מכירות |
| על מה נשען | מעקב אחרי קליקים וצפיות | נתונים מצטברים לאורך זמן | קבוצת ביקורת שלא נחשפה לפרסום |
| תלות בעוגיות ובהסכמה | גבוהה | אין | נמוכה |
| רמת פירוט | קמפיין, קבוצת מודעות, מודעה | ערוץ, לעיתים סוג קמפיין | ערוץ או קמפיין אחד בכל ניסוי |
| מהירות | יומית | רבעונית או חודשית | כמה שבועות לניסוי |
| החולשה המרכזית | מייחס גם מכירות שהיו קורות בכל מקרה | מתאם ולא סיבתיות, ורגיש להנחות המודל | עונה על שאלה אחת בכל פעם, ועולה במכירות שמוותרים עליהן |
השילוב המקובל הוא כזה: ייחוס משמש לאופטימיזציה היומית בתוך כל ערוץ, MMM משמש להחלטה הרבעונית על חלוקת התקציב בין הערוצים, וניסויי תוספתיות משמשים לכיול המודל. כשתוצאת ניסוי סותרת את מה שהמודל העריך לאותו ערוץ, מתקנים את המודל ולא את הניסוי.
מה MMM לא יודע לעשות
- הוא לא מוכיח סיבתיות. המודל מזהה דפוסים בנתונים היסטוריים. אם התקציב ב-Meta תמיד עלה בדיוק בתקופות של מבצע, המודל יתקשה להפריד בין השפעת המבצע להשפעת הפרסום.
- הוא לא עובד ברמת הקמפיין. אין מספיק נתונים כדי להעריך בנפרד עשרות קמפיינים. מי שצריך לדעת איזו מודעה לעצור, צריך כלי אחר.
- הוא מתקשה בערוצים שזזים יחד. כשההוצאה בשני ערוצים עולה ויורדת באותו קצב, המודל לא יכול לדעת מי מהם אחראי לתוצאה.
- הוא רגיש להחלטות של מי שבנה אותו. בחירת המשתנים, צורת עקומת הרוויה וקצב הדעיכה משפיעים על התוצאה. שני אנליסטים עם אותם נתונים יכולים להגיע למסקנות שונות, ולכן חשוב לדרוש טווח אי ודאות ולא רק מספר.
- הוא מסתכל אחורה. ערוץ חדש, קריאייטיב חדש או שינוי באלגוריתם של פלטפורמה לא מיוצגים בהיסטוריה.
כלים פתוחים להרצת MMM
בעבר MMM היה פרויקט ייעוץ יקר. היום קיימות ספריות קוד פתוח שמורידות את עלות הכניסה, בתנאי שיש בצוות מי שיודע לעבוד עם נתונים וסטטיסטיקה: Robyn של Meta, Meridian של Google ו-PyMC-Marketing. הכלים חינמיים, אבל העבודה האמיתית היא איסוף הנתונים, ניקוי שלהם, בדיקת ההנחות ופירוש התוצאה. כלי פתוח לא מחליף שיקול דעת.
מתי MMM לא מתאים, ומה עושים במקום
MMM שווה את המאמץ כשיש כמה ערוצים פעילים במקביל, תקציב שמשתנה לאורך זמן, והיסטוריה של שנתיים לפחות. עסק עם ערוץ אחד או שניים, תקציב יציב או פחות משנה של נתונים לא יקבל מהמודל תשובה אמינה. במצב כזה יש שלושה צעדים פשוטים יותר שנותנים את רוב הערך.
- עוקבים אחרי MER. מחלקים את סך ההכנסה מהחנות בסך הוצאות הפרסום, שבוע אחרי שבוע. המדד לא מפריד בין ערוצים, אבל הוא לא תלוי בייחוס של אף פלטפורמה, ולכן הוא מראה אם הפרסום כולו מחזיק את העסק. פירטנו עליו במדריך על KPI לסוכנות דיגיטל.
- משנים תקציב בכוונה ורושמים. מעלים או מורידים תקציב בערוץ אחד לתקופה מוגדרת, משאירים את השאר קבוע, ובודקים מה קרה להכנסה הכוללת. זה לא ניסוי מבוקר, אבל זה מייצר בדיוק את השונות שמודל עתידי יצטרך.
- מודדים רווח ולא רק הכנסה. חלוקת תקציב לפי הכנסה מתעלמת מכך שלמוצרים שונים יש מרווח שונה. הרחבנו על כך במאמר על עלות סחורה ורווחיות בחנות.
הצעד הראשון: סדרת נתונים אחת שאפשר לסמוך עליה
לפני שמתחילים עם MMM, צריך מקור נתונים מאוחד. SFB Insights אוסף את כל הנתונים מכל הפלטפורמות למקום אחד, ומציג את הוצאת הפרסום לצד ההכנסה בפועל מהחנות. המערכת עצמה אינה מריצה מודל MMM. היא נותנת את הבסיס שבלעדיו אין למודל על מה לרוץ, ואת מדד ה-MER שמשמש בינתיים כבדיקת שפיות. נקודת המוצא המעשית היא בדרך כלל דשבורד מכירות שבו ההכנסה בפועל כבר יושבת לצד הוצאת המדיה, כי בלי סדרת נתונים היסטורית ואמינה של השניים אין ל-MMM על מה לרוץ.
שאלות נפוצות
מה זה MMM בשיווק?
MMM, קיצור של Marketing Mix Modeling, הוא מודל סטטיסטי שמעריך כמה מהמכירות נבעו מכל ערוץ שיווק וכמה היו מתקבלות גם בלי פרסום. הוא נשען על נתונים מצטברים לאורך זמן, כמו הוצאה שבועית והכנסה שבועית, ולא על מעקב אחרי משתמשים בודדים.
מה ההבדל בין MMM לייחוס (Attribution)?
ייחוס עוקב אחרי קליקים וצפיות של משתמשים ומשייך כל המרה לקמפיין או למודעה. MMM לא עוקב אחרי משתמשים בכלל, אלא מנתח את הקשר בין הוצאה להכנסה לאורך זמן ברמת הערוץ. ייחוס מתאים לאופטימיזציה יומית בתוך ערוץ, ו-MMM מתאים להחלטה על חלוקת התקציב בין הערוצים.
כמה נתונים צריך כדי להריץ MMM?
מקובל להמליץ על שנתיים לפחות של נתונים שבועיים, כדי שהמודל יראה כל עונה יותר מפעם אחת. חשוב לא פחות שהתקציב בכל ערוץ השתנה לאורך התקופה. אם ההוצאה הייתה כמעט קבועה, למודל אין ממה ללמוד.
האם MMM מתאים לעסק קטן?
בדרך כלל לא. עסק עם ערוץ פרסום אחד או שניים, תקציב יציב או פחות משנה של נתונים לא יקבל תשובה אמינה. במצב כזה עדיף לעקוב אחרי MER, לשנות תקציב בערוץ אחד בכל פעם ולתעד את התוצאה, ולמדוד רווח ולא רק הכנסה.
האם MMM תלוי בעוגיות או בפיקסל?
לא. המודל משתמש בנתונים מצטברים של הוצאה והכנסה, ולכן הוא לא מושפע מחסימת עוגיות, ממגבלות ATT של Apple או מחלונות הסכמה. זו הסיבה המרכזית שהשיטה חזרה לשימוש נרחב.
באילו כלים אפשר להריץ MMM?
קיימות ספריות קוד פתוח כמו Robyn של Meta, Meridian של Google ו-PyMC-Marketing. הן חינמיות, אבל דורשות ידע בנתונים ובסטטיסטיקה. עיקר העבודה הוא איסוף וניקוי הנתונים ופירוש התוצאה, לא הרצת הכלי.
רוצים לראות ROAS אמיתי ותובנות חכמות?
התחילו עם SFB Insights - הדשבורד שמחבר את כל הנתונים שלכם למסך אחד.
התחל עכשיו →