上億行銷預算的決策引擎：在德國擔任行銷分析師的學習 (2)
Marketing 不只有轉化顧客才算
我們在第一篇提到基本的行銷歸因(Marketing attribution)概念，但這些歸因法則其實受惠於線上追蹤系統的興起，Google Analytics，Mapp或是公司內建的追蹤都可以讓行銷人員理解：消費者的點擊，瀏覽與交易，但把視野只放在線上蹤跡是很片面的，包含幾個主要原因
- 有些業態多數交易在線下，或是線上線下混合，消費者在線下的活動難以被追蹤，以可追蹤的軌跡推估消費者行為全貌，斷定行銷績效相當危險
- 只看可追蹤的行銷活動會讓行銷決策變得「短視近利」，對於剛起步的電子商務或是APP企業來說，行銷預算確實會大量投入在「轉化客戶」為主的通路上，但如果不花行銷預算在建立品牌，強化消費者印象，到某個時間點會發現能轉化的顧客到達了上限，缺乏品牌經營或口碑會導致成長停滯
- 線上足跡的追蹤日益受限，不論是蘋果作業系統iOS的更新，歐洲GDPR法規的推行，分析單一消費者足跡已經相當受限，例如在iOS 14更新以後，有近八成的消費者選擇不再分享數據，斷掉的軌跡若被忽略，行銷決策絕對失去全貌
因此，行銷人員常會發現，如果只用線上軌跡的歸因方式，怎麼還有一大部分無法解釋，賺100塊錢裡面，大概只有20~30塊錢是從行銷活動來的？直客真的這麼多？當然不是，很多行銷預算在這個框架下解釋不了，這時候我們先回頭盤點我們有的行銷活動
從行銷漏斗（Marketing Funnel）來理解行銷活動的上下手
行銷人總相信蝴蝶效應，要證明這個蝴蝶效應帶來的是一場風暴，還是一陣微風，我們必須理解行銷活動上下手之間的關係。舉一台Dyson的吸塵器為例，我先在「捷運站裡的看板」看到這個產品，帶給我一點 「印象」，接著我在Yahoo首頁看到雙11的宣傳，我看到活動後產生了「興趣」，在雙11來到時，我上網各處搜尋，點擊了幾個不同商城的關鍵字廣告，比價網站，最後我「下單」了一台吸塵器
從印象到購買，每個行銷活動都扮演著不太一樣的角色，位在比較上層的行銷通路（Upper Funnel Marketing Channel）主要目的在大量曝光，例如捷運看板，電視等等，這些行銷活動跟消費者下單的連結較低，而位在下層的行銷通路（Lower Funnel Marketing Channel）通常在強化消費者的購買動機，最終直接引導消費者購買，這些通路
回到行銷歸因的討論中，我們會發現可被追蹤的軌跡大多落在比較下層的行銷通路，既然有一環扣一環的可能性，那我們是否應該重新分配下層行銷通路的功勞呢？藉由Marketing Mix Modeling（行銷組合模型）可以有效的解決這個困境
Marketing Mix Modeling 行銷組合模型
Marketing Mix Modeling起源已久（簡稱MMM），目的就是為了理解各個行銷活動對於業績的影響，主要以「行銷活動成本或是帶來的曝光量」跟「業績的相關性」來進行分析，雖無法精確定位每個消費者個消費軌跡，但可用來描繪每個行銷活動對於業績產生的影響
如果把Multi-Touchpoint Attribution (MTA) 比喻成實名制，每個人的軌跡都清清楚楚，那MMM就很像是疫情的細胞簡訊，只能「大概的描繪，把某個時間點在那附近的人都通知一輪」，兩者可以並存，但盡可能不重疊，所以在設計MTA跟MMM的時候可以思考：是不是在MTA已經可以追蹤到的這些行銷通路就不需要再使用MMM來衡量了呢？
像德國生鮮廚房新創Hello Fresh的分析師所做的示意圖可以看出，哪一些行銷通路適合重新歸因，例如關鍵字搜尋（SEO），品牌關鍵字廣告（SEA – Brand），直客（Direct）等等，這些的來客都已經對品牌產生印象，重新歸因有助於解釋：這些通路的客人，品牌印象從何而來？（延伸閱讀：德國生鮮廚房新創Hello Fresh的MMM建模法）
商業假設讓模型更能反映真實
MMM數據模型的部分，大多公司採用Baysian Model來做（模型概念可以參閱Hello Fresh的文章），一大好處是可以放入很多商業假設來調整模型的真實性，舉幾個例子：
- 邊際效益遞減（Saturation Curve）: 廣告下越多，曝光越多，不代表業績會越好，通常會觀察到邊際效益遞減的現象，這個假設可以限制住過度廣告的效益
- 廣告長尾效益（Ad-stock effect）：很多看到廣告的人不會馬上下單，通常會延遲幾天甚至幾週，有許多數據模型可以用來分析Ad-Stock Effect (延伸閱讀：Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects)
- 供給與需求：如果面臨旺季，公司增加貨量，多開班次等等都有助於業績成長，是評估業績自然波動很重要的要素
- 定價：定價越高，需求越低，定價越低，需求越高，所以定價的數據也相當重要
把這些假設放入MMM的模型中以後，就可以描繪出許多行銷活動的效益，隨著近年演算法跟運算效能的進展，MMM模型可以做到到每週更新，更能跟隨行銷人員決策的步調
但最後終究會遇到一個問題：跟行銷人員溝通時，你要怎麼驗證這些數據是對的？我們怎麼靠實驗來修正行銷模型？我們下篇再繼續討論行銷分析的究極武器：市場實驗
感謝你的閱讀，喜歡這篇文章的話請追蹤，點閱，或按讚我們的專題喔!
