营销组合建模的完整指南

开始和我们的专家交谈

驾驶所有营销计划的单数旨在最大限度地提高某些产品或服务的生产,销售和分配。因此,有效的营销可以定义为在合适的时间在正确的时间内拥有合适的产品,以合适的价格提供。营销组合战略的概念是在1960年通过营销专家Edmund Jerome McCarthy提出的。营销组合元素可以分解为:

产品

产品可以是满足特定客户需求的有形产品或无形服务。

价钱

价格是客户预期为产品支付的实际金额。

晋升

促销包括市场传播策略,如广告,优惠,公共关系等。

位置

地点是指公司销售产品的地点以及如何将产品交付市场。

制定营销组合的重要性在于,市场上的产品或服务的成功或失败也可以追溯到其营销组合的准确和高效程度。以下是您公司需要了解创建营销组合的重要性以及如何在2020年为您的产品开发赢取营销混合策略的完整指南。

1秒主

什么是营销组合建模?

一个准确的营销组合模式可以决定一个产品的成败!

营销组合建模定义

营销组合模型的主要目的是了解各种营销活动如何推动产品的业务指标。它被品牌用作决策工具,用于评估各种营销计划在提高投资回报率(RoI)方面的有效性。

营销组合模型如何工作?

营销组合模型分解了业务指标,以区分来自营销和促销活动(增量驱动因素)和其他(基础)驱动因素的贡献。这些影响营销组合的因素可以定义为:

增量驱动因素:营销活动产生的商业成果,如电视和平面广告、数字消费、价格折扣、促销、社交推广等。

基地的司机:没有任何广告的基础结果是实现的。这是由于多年来建造的品牌股权。除非有任何经济或环境变化,否则通常是固定的基本结果。

其他司机:它们是基线因素的子组成部分,并且由于营销活动的长期影响而被测量为在一定时间内积累的品牌价值。
营销组合模型的重要性

营销混合建模为营销人员提供了几个重要的益处:

mainsec1img1

1.更好地分配营销预算

这个工具可以用来确定最合适的营销渠道(例如:电视,网络,印刷,广播等),以实现营销目标,并获得最大的回报。

mainsec1img1

2.更好地执行广告活动

通过MMM,市场可以建议高效营销渠道的最佳支出水平,以避免饱和。

mainsec1img1

3.业务场景测试

MMM可以用来预测基于计划的营销活动的业务指标,然后模拟各种业务场景,如支出增加10%,实现业务指标提升10%所需的支出水平等。

老师

变量对营销组合模型的影响

只有考虑到这些主要变量,才能做出准确的销售预测。

营销组合元素分为三个变量:增量,基地和其他。这三个类别进一步细分为一系列可能影响产品或服务市场性能的因素。了解这些变量对营销人员来说至关重要,以准确预测促销活动和产品分布的影响。

基数变量

基线是独立于营销组合变量实现的任何影响。它们受到各种因素的影响,如品牌价值、季节性和其他非营销因素,如GDP、增长率、消费者情绪等。确定基线结果对于理解营销活动对产品性能和产品分销的影响至关重要。

一些基本变量包括:

sec2 topimage

1.价格:在决定营销组合策略的其他要素时,价格是一个非常重要的因素。价格决定目标消费群体以及广告、促销和分销策略。

定价模式是影响营销组合的关键因素之一,因为:

  • 定价将产品的价值传达给客户,并对业务绩效产生直接影响
  • 对定价的影响取决于产品的弹性
第2节中间图像

2.分配:在营销组合模型中,分销指的是产品可用的商店或地点的数量,库存单位(分类)的数量和货架寿命(速度)。分销战略受市场结构、企业目标、资源,当然还有整体营销战略的影响。

产品的分销是关键,因为:

  • 强大的产品分销链加上有针对性的营销活动直接导致有效的业务结果。
  • 强烈的产品分类,使消费者有多种选择,积极研究和购买。
第2节无热老化

3.季节性:季节性是指周期性发生的变化。季节性机遇是巨大的,而且往往是一年中商业上最关键的时候。例如,大部分的电子产品销售都是在假期期间。

阅读我们的博客和假日购物分析的信息图表,了解季节性对销售的影响。

第2节底部图像

4.宏观经济变量:宏观经济因素极大地影响着企业,从而影响着企业的营销策略。了解宏观因素,如GDP、失业率、购买力、增长率、通货膨胀和消费者情绪,是非常关键的,因为这些因素不受企业控制,但会对企业产生重大影响。

增量变量

所有营销组合元素都可以在三类中大致分类:

abovebelow

1.ATL(线上)营销:线上广告包括基本上没有针对性且影响广泛的广告活动。ATL活动的主要目标是帮助建立品牌,并建立消费者意识和熟悉度。

ATL营销的例子包括电视广告、广播广告、平面广告(杂志和报纸)和产品投放(电影院和剧院)。

线上营销的优势:

  • 量身定制以达到巨大的观众
  • 伟大的创造意识
  • 长期品牌建设

2.BTL(线下)营销:线下广告包括针对目标消费者群体的非常具体、令人难忘和直接的广告活动。线下营销策略通常被称为直接营销策略,它更关注转化率,而不是打造品牌。

BTL活动包括促销、折扣、社交媒体营销、直邮营销活动、店内营销、活动和会议。

线下营销的优势

  • 专门针对个人客户
  • 驱动器直接影响
  • 帮助衡量活动的有效性和转化率

3. TTL(通过线)营销:线上广告包括使用ATL和BTL营销策略。市场上最近的消费趋势要求ATL和BTL战略的整合以获得更好的结果。

TTL活动的例子包括360°营销——以品牌建设、转换和数字营销(数字广告和视频)为目标的营销活动。

其他变量

几个营销举措的长期影响可以分为以下几类:

1.竞争

密切关注竞争是保持品牌优势的关键。

市场竞争可以是直接的,也可以是间接的。

  • 直接竞争对手:直接竞争对手是具有相同产品的业务。例如。Apple iPhone作为三星Galaxy的竞争
  • 间接竞争对手:间接竞争对手是指那些不提供类似产品但以另一种方式满足相同需求的人。例如,亚马逊Kindle和平装书是间接竞争,因为它们是替代品

2.光环和自相残杀的影响

光环效应是什么?

光环效应是一个术语,指消费者对某个品牌的产品的偏爱,因为他们对同一品牌的其他产品有过积极的体验。光环效应可以被视为衡量一个品牌的实力和品牌忠诚度。例如,消费者之所以青睐苹果iPad平板电脑,是因为他们对苹果iphone有着积极的体验。

什么是同类相食效应?

食人族

同类相食效应是指同一品牌的其他产品的性能对某一品牌的产品产生的负面影响。这主要发生在品牌拥有多个同类产品的情况下。例如,消费者对iPad的偏爱可能会蚕食MacBook的销售。

在营销组合模型中,对同一品牌的其他产品的基本变量或增量变量进行测试,以了解光环或相残对所考虑产品的业务结果的影响。

新的变量涌现

随着营销环境的变化,出现了许多新的平台,品牌在这些平台上积极与客户互动,尤其是千禧一代客户. 这也导致需要考虑新的营销组合变量。

其中一些变量是

  • 产品/市场趋势:市场趋势/产品趋势是驱动产品的基线结果和理解消费者对产品的需求的关键。
  • 产品发布:营销人员谨慎投资,将新产品推向市场,并计划营销策略,以支持新产品的推出。
  • 活动和会议:品牌需要寻找机会与潜在客户建立关系,并通过定期的活动和会议推广他们的产品。
  • 行为指标:接触点、在线行为指标和回购率等变量为企业提供了更深入的客户洞察。
  • 社会指标:Twitter、Facebook、YouTube、博客和论坛等社交平台上的品牌影响力或知名度可以通过追随者、页面浏览量、评论、浏览量、订阅量和其他指标来衡量社交媒体数据.其他社交媒体数据,如你所在行业的对话类型和趋势,可以通过社交倾听收集。

阅读我们关于社交媒体分析和监控的博客,了解新渠道如何影响企业营销

第3节主要图像

营销组合的方法

数据准备可以帮助您确定能够影响您的营销组合模型的关键可测量指标。

在制定强大的营销组合战略时,包括的每个变量类别都涉及一组用于衡量不同营销活动绩效的指标

类别 变量 韵律学
基线 底价 它在市场上销售的产品的未折扣价格
平均销售价格 产品在市场上销售的折扣价格
分类(SKU) 商店/市场中用于跟踪产品库存的产品库存单位数量
速度 产品在商店中可用时的移动速率(单位/商店)
分配 产品的分配-编号。或否。的位置,该产品是可用的
促销 打折促销 没有提供的优惠或不提供的日子或不提供优惠券,免费送货,价格匹配保证,美元等促销活动。
折扣 平均价格折扣 特定时间段内产品的平均价格折扣
加权折扣 基于产品销售额份额加权的产品平均价格折扣
季节性和假期 季节性和假期 虚拟变量,用于捕获感恩节、圣诞节、新年、返校、劳动节、总统日、黄金日等零售商促销日期间KPI的峰值/峰值。
媒体活动 电视花费 电视广告的营销费用
达到 接触广告的消费者总数
频率 用户接触广告的次数
电视GRP 到达距离和频率的乘积
数字花费 营销花费数字广告
数字印象 广告的不含次广告为客户接触
数字点击 没有点击在线广告
数字-其他 许多其他变量可作为数字广告的衡量指标,如点击率、富媒体、视频浏览率、点击成本、视频喜好、视频评论等。
搜索花费 搜索营销费用
搜索印象 在搜索产品加载页面时计算印象
打印花 营销在杂志,报纸等中的媒介中花费产品
无线电费用 营销花费广播广告
竞争 基础 竞争的基本指标,如定价、分销、季节性、活动、发布等。
媒体活动 比赛媒体活动,如花费,GRP,印象等。
提供 统计不同平台上的竞争
折扣 竞争对手提供的产品折扣
其他 社交媒体 在社交媒体上捕获品牌或产品活动的指标,如页面浏览量、关注者、情绪评分、评论、喜欢、评论、转发等。
外部因素 影响KPI的外部变量,如宏观经济因素
趋势 产品类别或产品在一段时间内的趋势
周期性 指标以捕获如正弦或余弦功能(如正弦或余弦功能)
活动和启动 用于捕获重要产品发布,特殊活动,会议等的指示性变量

要了解更多关于数据在营销组合建模中的重要性,请阅读我们的博客“基于客户的营销活动中的数据驱动方法”。

在某些情况下,有两个特定的例子会阻碍营销人员基于上述指标开发一个完整的营销组合模型:

  • 缺失值
  • 异常值
缺失值处理
缺失的值是什么?

其中的一个数据分析的挑战缺少值。缺失值是指变量中特定观测或计算的数据不可用。通常,发生这种情况的原因是记录数据时出错或数据不可用。缺少值可能会导致有偏差的变量,这反过来可能会影响业务结果。

缺值原因

要解决缺少的值,我们首先需要理解它为什么首先发生。缺少值的一些最常见原因是:

  • 在整个分析期间,数据可能不可用。
  • 第三类的事件。
  • 人们在调查中跳过了一些问题的回答。
  • 调查中问题的不适用性。
  • 在随机性中遗漏。

方法来处理丢失的值

  • 归责:Imputation是一种用估计值来填充缺失数据的方法。均值、中位数和模态是常用的归因方法。
  • 预测:时间序列预测可用于预测/反向预测不可用的记录范围。除了预测,我们还可以使用4周移动平均值来估计缺失值。
  • 替换为零:当数据仅在一天内发生交易或促销活动时可用时,我们应该简单地将丢失的数据替换为零,以表示当天没有交易或促销活动。
  • 删除:调查是删除可以修复缺失值的实例的最佳示例。在调查中,我们无法猜到人们的选择,因此删除具有缺失数据的行是明智的。
  • 其他:如果需要,还可以使用其他复杂的缺失值处理技术,如预测和KNN插补。

异常值

MMM的关键目标之一是尝试并解释峰值,也就是所谓的异常值。异常值可能随机出现,也可能不随机出现。
出现异常值的原因可能是季节性、新产品发布、活动、促销、折扣、竞争对手行为等。这也可能是由于随机性。通过将随机异常值与特定因素引起的异常值区分开来,您可以在模型中包含正确的变量,并对它们进行测试,以检查它们是否能够解释异常值。
例子:在产品发布和圣诞节、感恩节等节日期间,电子产品的销售额要高得多。

阅读我们关于营销组合建模:挑战和最佳实践的博客,了解如何解决营销人员在开发模型时面临的其他常见问题。

第4节主要图像

营销组合建模中的分析类型

通过探索性分析,营销人员可以了解他们的营销活动的结果。

理解各种营销活动结果所涉及的统计分析可大致分为两种不同类型:

  • 单变量分析
  • 双方分析

单变量分析

单变量分析是一种定量评估的形式,其中所分析的数据只包含一个变量。单变量分析主要用于描述从营销组合变量中获得的数据,并发现存在于其中的模式。

可以使用以下方式解释在变量的单变量分析中找到的模式:

  • 中心趋势(平均值、中值和模式)
  • 分散(范围与差异)
  • 最大值和最小值
  • 四分位数
  • 标准差

采用单变量分析法进行预测

分析数据中的模式:例如,仅在假日期间提供更高的折扣

确定创建新变量的可能性:例如,如果在假日期间和非假日期间提供的折扣有明显的不同,可以创建两个单独的折扣变量——假日折扣和非假日折扣,以测试它们的影响

识别数据中的任何异常值–使用

  • 频率分布表
  • 条形图
  • 直方图
  • 饼图
  • 线型图

双方分析

单变量分析可视化

折线图

图形嗯
电视收视率 频率
1-50 20.
51 - 100 17
101-150 21
151-200 7
201-250 1

饼图电视收视率

饼状图

条形图

条形图

直方图

直方图

双方分析是了解营销组合元素中两个不同变量之间的关系的分析。

在MMM中,双变量分析帮助我们

  • 确定与从属变量呈现良好关系的关键变量
  • 确定变量与因变量之间的关系类型

双变量分析类型:

  1. 数值和数值变量:可以使用散点图和线图来可视化两个数值变量之间的关系。
  2. 数字和分类变量:数字变量和分类变量之间的关系可以使用折线图或组合图可视化。
  3. 分类和分类变量:分类变量和分类变量之间的关系可以使用堆叠柱形图和组合图可视化。
蝴蝶

数据转换

通过数据转换使最准确的预测和高效的营销组合模型。

数据转换是用变量的函数替换变量。例如,可以用X的平方根或对数替换变量X。

本质上,转换代表了响应曲线。某些变量与销售额没有线性关系。例如,电视GRP通常与销售额存在非线性关系。TV GRP的增加只会在一定程度上增加销售额,之后增长将达到饱和。

双方分析是了解营销组合元素中两个不同变量之间的关系的分析。

数据转换通常有两个实际应用:

  • adstock效果
  • 滞后效果
什么是adstock效果?

广告广告量是一个术语,用来衡量从首次投放广告时开始的记忆效应。营销人员可以使用广告广告量作为一个变量在销售反应模型,如回归分析。它代表了广告的半衰期。

什么是滞后效应?

当滞后变量的观测值存在某种固有顺序时,滞后效应用于表示滞后变量先前值的影响。这种效应在一项研究中很有用,在该研究中,不同的受试者被给予不同的治疗序列,并且你想调查前一阶段的治疗对于理解当前阶段的结果是否重要。

了解adstock效应和滞后效应有助于开发营销组合模型,以衡量广告支出的影响。例如,在电视上播放的广告可能比在数字模式下播放的广告被记住的时间更长。

S曲线变换的重要性:

事实上,大多数广告活动都会对KPI产生非线性影响,并且呈现出收益递减的模式。研究表明,在达到某个阈值之前,初始广告支出几乎不会产生影响,在此阈值之后,可以观察到对KPI的显著影响。当支出达到饱和点时,这种影响趋于减小,而饱和点的影响最小。整个影响可以通过s曲线变换的形式捕捉。从营销组合的角度来看,Gompertz、Chapman Richards、Weibull和Morgan Mercer Flodin的转型通常更好。

电灯泡
营销组合建模技术

想知道如何建立最有效的营销组合模型?这些技术可以帮助您开始!

虽然营销组合的重要性是清楚的,但大多数营销人员仍然不确定如何建立营销组合模型。一种被称为“回归”的技术可以预测所有营销变量的最有效组合。在回归分析中,数据被分为两类:因变量(DV)和自变量(IDV)。分析自变量如何影响因变量的结果是回归的关键。通过这样做,营销人员将能够提供一个准确的估计营销组合对公司的净利润。

最常用的营销组合建模回归技术有:

  • 线性回归
  • 乘法回归

1.线性回归模型

当DV连续且DV和IDV之间的关系假定为线性时,可以应用线性回归。

可使用以下等式定义关系:

公式1

这里'y'是要估计的依赖变量,x是独立变量,ε是错误项。βi是回归系数。观察结果Y和预测结果Y之间的差异被称为预测误差。回归分析主要用于:

  • 原因分析
  • 预测变化的影响
  • 预测发展趋势

然而,由于该方法对离群值、多重共线性和互相关敏感,在大量数据上效果不佳。

2.乘法回归模型

可加模型意味着每增加一个解释变量单位的绝对效应是恒定的。只有当业务发生在更稳定的环境中,且不受解释变量之间的交互影响时,它们才适用。但在某些情况下,比如当定价为零时,销售额(DV)将变成无限的。
为了克服线性模型固有的局限性,乘法模型通常是首选的。这些模型提供了比附加线性模型更真实的现实表现。在这些模型中,idv相乘而不是相加。

有两种乘法模型:

  • 半对数模型
  • 对数模型

半对数模型

在对数线性模型中,自变量的指数是相乘的。

销售价格=交易价格(截距)*交易价格(β1*价格)*交易价格(β2*分销价格)*交易价格(β3*中间价格)*交易价格(β4*折扣价格)*交易价格(β5*季节性)*交易价格(β6*促销价格)*…

这也可以重写为

Salest=exp(截距+β1*价格+β2*分销+β3*中间+β4*折扣+β5*季节性+β6*促销+…)

目标变量的对数变换线性化模型形式,又可以估计为添加剂模型。从属变量是对数转换的;添加剂模型与半对数模型之间的唯一区别。

Ln(销售)=截距+β1*价格+β2*分销+β3*中间+β4*折扣+β5*季节性+β6*促销+…

对数线性模型的一些好处是:

  • 系数β可以解释为自变量中业务成果(销售额)的百分比变化与单位变化之间的关系。
  • 模型中的每个自变量都是在其他驱动因素已经实现的基础上工作的。因此,它们更接近于实时场景。A.

对数模型

在对数-对数模型中,除目标变量外,自变量也要进行对数变换。

salest = exp(拦截)*β1* pricingt *β2*分布* exp(β3* mediat)* exp(β4*折扣驱动器)* exp(β5*季节性)* exp(β6*促销)* ...

将模型写成线性形式,

ln(salest)=截距+β1* ln(pricingt)+β2* ln(分布)+β3* mediat +β4*折扣+β5*季节性+β6*促销+ ...

对数-线性模型和对数-对数模型的主要区别在于对响应系数的解释。在Log-Log模型中,系数被解释为业务结果(销售额)的百分比变化对1%的自变量变化的响应

β=%Δ因变量/%Δ解释变量

这意味着目标变量对解释变量具有恒定的弹性。在对数线性模型中,不能直接估计弹性,但可以根据每个时间段的系数β·X计算弹性。它的绝对值随解释变量的增加而增加。

铅笔

模型改进技术

错误会影响您的营销组合模型的准确性。了解这些技术如何帮助您最小化模型中的错误。

不可避免的是,错误经常出现在营销组合模型预测和实际结果。在许多情况下,模型可能在训练数据上表现良好,但在验证(测试)数据上表现不佳。为了解决这个问题,营销人员需要确保存在偏差-差异的权衡。

什么是偏见?

偏差是我们模型的平均预测值与我们试图预测的实际值之间的差异。具有高偏差的模型可能会导致训练和测试数据中的错误。

方差是什么?

方差是由于对训练集中的微小变化敏感而产生的误差。具有此错误的模型在测试数据或训练数据上表现非常好,但在测试数据上有很大的错误。

偏差-方差权衡

在模型中,有两个常见的缺陷可能发生。该模型可以有底部(其中模型无法捕获基础参数)或具有过度装箱(其中模型捕获噪声以及参数)。底层模型可以具有高偏差和低方差。另一方面,过度符合的模型可以具有低偏差和高方差。因此,营销人员需要在两者之间取得平衡,并偏离差异权衡来开发准确的模型。

数据的正则化

为了达到这种平衡,正规化是一个重要的工具。通过正则化,可以在目标函数中添加惩罚项,并利用该惩罚项完全控制模型的复杂性。

有两种主要的市场组合建模回归技术的正规化是:

  • 套索回归
  • 岭回归
  • 弹性净回归

套索回归

在套索回归中,我们可以通过添加惩罚项(系数绝对值之和)最小化目标函数。这也称为最小绝对偏差法。通过惩罚绝对值,估计系数收缩到零,从而避免过度拟合,加快学习速度。

岭回归

在岭回归中,我们试图通过添加惩罚项(系数的平方和)来最小化目标函数。当预测变量之间存在多重共线性问题时,一个变量的系数取决于模式中包含的其他预测变量。通过增加惩罚项,共线变量的系数将缩小,但其中的显著预测因子除外。

弹性净回归

弹性网回归是岭和套索的混合,结合了两者的惩罚。这通常是首选方法,因为它结合了两种模型的优点。

钥匙

选型

了解为您的业务选择最合适的型号。

选择最合适的营销组合模型对营销人员做出准确的预测和估计至关重要。
选择模型时,需要考虑两个主要因素:

业务逻辑

市场组合模型必须反映实际市场情景。该模型应能适应随时间变化的市场。
例如,智能手机的价格可能是有弹性的,所以这款智能手机的销售可能严重依赖于价格。如果价格大幅上涨,可能会对智能手机的销售产生负面影响。在这种情况下,产品价格可以作为模型中的变量来捕捉这种趋势。

从我们在开发营销组合模型方面的丰富经验,这些是需要实施的关键特征:

  • 该产品的媒体广告在模型中应具有正系数。
  • 光环或自相残杀可能会因该品牌的其他产品促销而发生。
  • 其他产品的光环影响应低于营销活动对产品的影响。
  • 由于TVCS拥有更高的品牌回忆,TVCS的AD股票价值应大于数字广告。
  • 折扣和促销将对销售产生直接影响
  • 产品可以由创建产品的品牌以及销售该产品的合作伙伴来推广。

您还可以阅读我们的博客,使用Analytics迎合多点接触点客户,以帮助您构建最有效的营销组合模型。

统计显著性

一旦生成模型,应检查其有效性和预测质量。根据问题的性质,使用各种模型统计数据进行评估。
以下是营销组合建模中最常见的统计措施。

1.平方

R平方是数据与拟合回归线的接近程度的统计度量。它也被称为决定系数。
R角始终在0到100%之间:
0%表示该模型无法解释其平均值周围响应数据的任何变化。
100%表示该模型解释了其平均值附近响应数据的所有变异性。
r²的一般公式是

r的平方

其中sse =平方误差和
SST=总平方和

2.调整后的R平方:

调整后的R平方是R平方的一个改进版本,该版本因模型中预测因子的数量而受到惩罚。只有当新的预测器改进模型时,它才会增加。调整后的R平方可用于比较包含不同数量预测因子的回归模型的解释力。

3.系数:

回归系数是未知总体参数的估计值,描述预测变量和响应之间的关系。在线性回归中,系数是与预测值相乘的值。
各系数的符号表示预测变量与响应变量关系的方向。
一个积极的信号表明随着预测变量的增加,响应变量也会增加。
负号表示随着预测变量的增加,响应变量减小。

4.可变通胀因子

方差膨胀因子(VIF)检测回归分析中的多重共线性。多重共线性是指模型中的预测变量(即自变量)之间存在相关性。VIF估计由于模型中的多重共线性,回归系数的方差被夸大了多少。模型中的每个变量将与所有其他可用变量进行回归,以计算VIF。VIF通常计算为

可变因子

其中,Ri2是通过将预测变量i与所有其他变量进行回归得到的r平方值。

5.平均绝对误差(MAE)

MAE测量一组预测中误差的平均大小。它是预测和实际观察之间绝对差异的平均值,所有个体差异的权重相等

meanerror

当你的时候,你的实际值是't'和
ŷt是时间't'的预测值

6.平均绝对百分比误差(MAPE)

MAPE是每个观测值或预测值的平均绝对百分比误差减去实际值除以实际值:

绝对误差

当你的时候,你的实际值是't'和
ŷt是时间't'的预测值

钥匙

驾驶员影响的量化

您的营销组合模型是否表现为您的意图?这些技术可以帮助您计算营销组合模型的成功。

一旦模型被应用,营销人员需要分析可用的数据来判断模型的性能。

有两种广泛的分析方法:

1.贡献的计算

由于季节性和其他因素,业务指标分解为基础贡献和贡献。营销组合模式有助于确定销售的关键驱动因素。计算贡献将取决于所用的模型类型:

线性模型

假设数据以周为粒度,

  • 从MMM中,我们可以得到回归方程(业务指标=基本+1*Driver1+2*Driver2…)
    式中®为每个驱动器对应的系数
  • 每周计算预测值(预测值=基本+1*Driver1+2*Driver2…)
  • 乘法系数(®)在每周级别的相应驱动器值计算驱动程序贡献=®1*驱动器1,®2*驱动器2 ...

对数线性模型

假设数据以周为粒度,

  • 从MMM,我们将获得回归方程式LN(业务度量标准)= Base +®1*驱动器1 +®2*驱动器2 ...其中®是每个驾驶员的相应系数
  • 每周计算预测值(预测值=基本+1*Driver1+2*Driver2…)
  • 乘法系数(®)在每周级别的相应驱动器值计算驱动程序贡献=®1*驱动器1,®2*驱动器2 ...

2.由于分析

“原因分析”解释了不同时期各驱动因素对业务指标贡献的变化。借助尽职调查分析,您可以从驱动因素中解释增长的年环比或季度环比变化对业务指标的贡献。

阅读我们关于如何在没有控制小组的情况下衡量活动成效的博客,了解如何成功地评价和衡量活动的成功。

省钱

预算优化

这些因素对于优化营销组合模式的预算非常重要。

优化是从所有可行解列表中得出最理想解的过程。
根据约束的类型、变量的性质、所涉及的方程的性质、变量的允许值、目标函数的个数等,可以将优化问题划分为不同的类别。
设计营销组合优化问题涉及多个步骤。

1.构建一个模型

这一步包括为问题指定模型目标、模型变量和模型约束。

  • 目标:这是要最小化或最大化的模型性能的度量。例如,对于MMM,目标函数通常是最大化KPI(销售)。
  • 变量:变量是要优化的模型的组件。例如,电视花费,在线花费等营销司机是模型的变量。
  • 约束:这些函数描述变量之间的关系,并定义变量的允许值。例如,2017财年的总支出将少于1亿美元。

2.识别优化算法

一旦建立了模型,就会根据优化问题的性质选择合适的算法进行优化。有许多可用于优化问题的解算器。其中一些(基于问题类型)是:

  • 非线性约束优化:IPOPT, GRG非线性,ANTIGONE, CONOPT, KNITRO, SNOPT等。
  • 线性优化:BDMLP、Clp、Gurobi、OOQP、CPLEX等。
  • 全局优化:ASA, BARON, ico, PGAPack, scip等。

3.优化解

优化的结果可以是全球性的或本地的。这取决于所用求解算法的类型。因此,对于相同的目标,不同的求解器返回不同类型的解决方案。基于业务环境选择最佳的解决方案。

  • 全球最佳:这是一个解决方案,其中优化引擎尝试所有可能的变量值,并最终得到目标的一个最佳解决方案。
  • 局部最优:在这种解决方案中,优化引擎拥有大量变量选项,并在解决时,在邻近的一组解决方案中最终得到次最优解决方案。

阅读我们的博客对CMOS的数据分析:使用数字数据进行消费者见解

优化范围

营销优化是改进营销工作以最大化预期业务成果的过程。由于MMM的本质主要是非线性的,因此使用非线性约束算法进行优化。营销组合优化的一些用例包括:

  • 要提高X%的当前销售水平,不同营销渠道所需的花费程度是多少?例如。增加销售额10%,投资电视广告或折扣或销售促销费用多少?
  • 如果当前支出水平增加x%,结果指标(销售、收入等)会发生什么?如果在电视上额外投入2000万美元,能增加多少销售额?这些额外的支出将在哪里分配?

您还可以阅读我们的博客,了解转化率优化如何影响您的销售,以了解优化在营销组合建模技术中的重要性。

这些用例回答了战略计划的关键领域,比如

  • 营销杠杆的影响
  • 跨不同营销渠道的优化
  • 跨时间段优化
小组研究

MMM - 优化案例研究

通过营销组合建模示例,我们可以更有效地理解营销组合的概念。考虑一家领先的零售公司的产品ABC。2017年7月至12月,ABC产品的营销数据可用(下表)。在现有数据的基础上,建立了以销售额为结果变量的市场组合模型,得到了最终的市场组合模型方程。

销售额 定价 分配 竞争折扣 竞争网络的印象 电视GRP 在线印象 促销活动 折扣
07/01/2017 30,503 $ 1,067 48 1.12% 105.68米 0 22.82米 27 6.93%
07/08/2017 27,037 $ 1,068 47 4.33% 0.00米 0 0.00米 5 8.55%
07/15/2017 30646年 1038美元 42 1.89% 0.00米 0 0.00米 6 9.64%
07/22/2017 40,887 954美元 35 1.10% 0.00米 0 0.00米 6 13.75%
07/29/2017 48,947 912美元 31 4.56% 0.00米 0 0.00米 10 16.57%
08/05/2017 37,910 1010美元 38 3.64% 66.62米 One hundred. 127.65米 12 11.15%
08/12/2017 40,436 1007美元 37 1.66% 124.18米 93 125.34米 8 11.42%
08/19/2017 49343年 994美元 33 2.50% 96.87米 95 150.62米 10 12.90%
08/26/2017 32,371 1,078美元 39 5.08% 109.01米 90 206.28米 11 7.24%
09/02/2017 28,665 1060美元 40 1.10% 115.16米 12 595.09米 2 7.20%
09/09/2017 29,079 1,061美元 42 0.00% 157.02米 17 284.73米 13 6.35%
09/16/2017 22,794 1098美元 41 0.15% 145.53米 11 46.09米 7 5.74%
09/23/2017 26,607 $ 1,048 36 0.02% 105.84米 0 13.62米 10 8.91%
09/30/2017 21,153 $1,100 39 0.00% 118.05米 0 36.95米 11 5.99%
10/07/2017 20,704 1092美元 42 0.00% 62.06米 0 16.33米 10 6.49%
10/14/2017 19364年 1082美元 44 2.10% 73.75米 0 13.50米 11 4.94%
10/21/2017 25881年 $ 1,050 53 3.13% 115.28米 0 4.19米 17 6.51%
10/28/2017 25,903 1018美元 46 2.30% 78.39米 0 5.77米 11 8.96%
11/04/2017 42,168 996美元 54 1.08% 78.04米 0 8.84米 37 10.43%
11/11/2017 36524年 1002美元 57 7.11% 90.22米 0 11.58米 18 10.29%
2017/11/11 35,647 1014美元 55 7.44% 145.45米 0 20.57米 21 9.39%
11/25/2017 98,776. 948美元 41 16.57% 180.83米 128 167.81米 10 13.89%
12/02/2017 110,717. 935美元 52 5.62% 165.39米 115 215.72米 29 13.26%
12/09/2017 43,575 1039美元 56 0.00% 155.02米 106 255.36米 17 8.71%
12/16/2017 55115年 $1,000 52 5.19% 176.43米 94 373.02米 30. 9.61%
12/23/2017 82,843 961美元 40 4.87% 164.09米 16 424.45米 40 11.40%
12/30/2017 38,610 $ 1,072 53 2.07% 143.84米 0 173.51米 30. 6.75%

利用每周营销数据和市场组合模型方程,可以对各种商业案例进行营销优化。

客观的

当电视grp从目前的880个grp水平增加20%,折扣从目前的9.37%水平增加10%时,销售额(DV)增加了多少?

程序

目标是使目标变量(销售额)最大化。由于TV GRP和折扣是要优化的变量,因此对这些变量应用了约束条件。

  • 电视grp的每周最大值将由s形曲线决定(基于饱和点)。总电视grp被设定为当前水平的10%
  • 每周最大折扣设置为基于历史值的值。平均折扣设置为当前水平的20%

下表列出了IDV的当前级别和约束级别

优化输入 实际值 目标值
变量 开始日期 结束日期 最低限度 最大限度 价值 最低限度 最大限度 价值
电视GRP 2016年7月7日 12/30/2016 0 128 880. 0 256 1052
折扣 2016年7月7日 12/30/2016 4.94% 16.57% 9.37% 0 20% 10.31%

这些约束将反馈给解算器并进行优化。解决方案为有效的营销计划提供优化结果

结果

基于优化结果的业务建议如下:

  • TV grp增加20%,折扣增加10%,有效分销后销售额增加21.90%。
  • 更多的电视grp花费在假期(11 - 12月)有效销售
  • 节假日期间保持高折扣,其他期间不打折

目标变量和优化变量的数据汇总如下

输出 韵律学 最低限度 最大限度 平均 总和
实际的 19364年 110,717. 40822年 1,102,204
销售(DV) 优化 15,733 148,732 49,761 1,343,554
升力% -18.75% 34.33% 21.90% 21.90%
实际的 4.94% 16.57% 9.37% 252.97%
折扣 优化 0.00% 20.00% 10.31% 278.37%
升力% -100% 20.68% 10% 10%
实际的 0 128 32 880.
电视GRP 优化 0 210 38 1052
升力% 0% 64.30% 20% 20%

目标变量和优化变量的每周分布如下图所示

linesone
linestwo
第三行

您可以阅读我们的博客,了解预测如何改变行业内的业务,以了解开发强大的营销组合模型的重要性。

结论

市场组合建模技术可以将新产品发布或扩展的风险降到最低。开发一个全面的营销组合模式是一个公司长期可持续发展的关键。它将成为商业战略的关键驱动力,并能提高公司营销活动的盈利能力。虽然有些公司通过内部营销和分析部门开发模型,但许多公司选择与外部公司合作,为他们的业务开发最有效的模型。

营销组合模型的开发人员需要完全了解他们所处的营销环境以及最新的先进市场研究技术。只有这样,他们才能充分理解营销组合模型中需要考虑和计算的众多营销变量的复杂性。尽管数字和统计方面的专业知识无疑至关重要,但对市场研究和市场环境的深刻理解对于开发全面准确的营销组合模型同样重要。有了这些技术,您就可以开始开发无懈可击的营销组合模型,从而最大限度地提高新产品的性能和销售。

营销组合模型是对所有营销活动的分析,考虑到产品增长的各种指标。它基本上衡量产品的成败。营销组合模型的四个重要元素是产品(可以是产品或服务)、客户支付的价格、公司采取的营销策略的促销以及产品分销的地点。此外,营销模型评估各种营销活动,以检查这些策略是否有助于提高投资回报率。

营销组合是分析营销举措及其相应结果的过程。例如,考虑一个产品A,它可以是满足客户需求的产品或服务。接下来,调查价格为客户支付特定产品的金额。在一段时间内收集产品的营销详情,例如根据促销范畴的广告和论坛。还要考虑将产品销售的地方以及如何交付给特定的地方对于构建模型很重要。现在,使用直接销售和其他一些因素,建立了营销组合模型。

营销组合优化是在考虑多种可能的解决方案后选择一种可行方案的过程。这些问题分为不同的部分,如变量的性质、涉及的方程、函数的数量等等。分析分类的各种因素有助于在适当考虑后最终确定解决方案。

营销组合模型分析公司的产品绩效。为此,分配了一组指标,通过起草模型来评估性能。这些指标可以是产品的基价、销售价格、折扣、平均销售额等。这些设定因素一起分析,模型区分营销活动和其他基本因素,以检查产品在产品中的有效运行。

营销组合模型是检查产品性能的过程。有一些指标,如销售价格,折扣,平均销售等。这些值被分配用于模型的等式。通过模型数据,如果需要,审查营销计划并进行必要的更改。

营销组合模型需要考虑许多因素,如直销、平均销售额、产品促销和折扣,以优化数据。数据是在一段特定的时间内收集的,比如每周或每月。通过优化营销数据,公司可以分析其营销战略并相应地完善其计划。

要建立营销模式,首先要确定营销模式的目标。目标可以是增加销售额。接下来,修正模型变量,如产品支出、销售价格等。应优化这些变量。稍后,确定定义这些变量关系的模型约束。然后,根据问题类型确定优化算法。

营销组合模型有一些局限性,例如难以获得准确的数据,并且没有创建模型的特定标准。此外,这种方法非常耗时且成本高昂。

营销组合建模是根据产品的营销策略对产品性能进行的统计分析,而归因是分析数字营销渠道的营销组合模型的子集。

相关的博客