مدل‌سازی آمیخته بازاریابی (MMM) در حال حاضر توجه بسیاری از برندها و فعالان حوزه تبلیغات را به خود جلب کرده است. این مدل‌ها در صورت استفاده درست، می‌توانند برندها را از فرهنگ سنجشی که اعتبار بیش از حدی برای «کلیک» قائل است، نجات دهند؛ به‌ویژه در کانال‌هایی که کلیک کردن هرگز هدف اصلی آن‌ها نبوده است. با این حال، بسیاری از بازاریابان انتظار دارند مدل‌های MMM به پرسش‌هایی پاسخ دهند که اصلاً برای حل آن‌ها طراحی نشده‌اند. اگرچه این مدل‌ها می‌توانند مشخص کنند که آیا تبلیغات در تلویزیون‌های متصل (CTV) اثربخش بوده است یا خیر، اما همیشه قادر نیستند دلیل این اثربخشی یا عدم اثربخشی را توضیح دهند.

عبور از تله کلیک و ورود به دنیای سنجش کل‌نگر

تمرکز بیش از حد بر شاخص کلیک همواره یکی از چالش‌های بزرگ سنجش در بازاریابی بوده است. یک کلیک می‌تواند تصادفی، با هدف کم یا صرفاً به دلیل سهولت در ثبت آن باشد. برای مثال، هر کسی که اینستاگرام را باز کرده باشد، احتمالاً به طور ناخواسته روی یک ریلز (Reel) یا تبلیغ ضربه زده است. با این حال، پلتفرم همچنان این اقدام را ثبت می‌کند، مدیریت ارشد این آمار را می‌بیند و یک سیگنال ضعیف در نهایت به استدلالی برای تخصیص بودجه تبدیل می‌شود.

مدل‌های MMM در صورت پیاده‌سازی صحیح، دیدگاه جامع‌تری به بازاریابان ارائه می‌دهند تا متوجه شوند کانال‌های مختلف چگونه به رشد کسب‌وکار کمک می‌کنند، بودجه‌ها در کجا تاثیر فزاینده (incremental impact) ایجاد می‌کنند و بخش‌های مختلف ترکیب رسانه‌ای چگونه با یکدیگر تعامل دارند. این رویکرد به‌ویژه زمانی مفید است که بخش زیادی از فعالیت‌های بازاریابی روی دستگاه‌های تلفن همراه رخ می‌دهد، در حالی که بسیاری از تبدیل‌ها (conversions) همچنان در بسترها و دستگاه‌های دیگر انجام می‌شوند. یک مصرف‌کننده ممکن است تبلیغی را روی گوشی خود ببیند، بعداً آن را از طریق لپ‌تاپ جستجو کند و در نهایت خرید خود را روی رایانه رومیزی نهایی سازد. نگاه کردن صرف به آخرین اقدام قابل مشاهده (last-click)، نحوه واقعی ایجاد تقاضا را نادیده می‌گیرد.

علاوه بر این، بهترین نمونه‌های مدل‌سازی MMM به بازاریابان کمک می‌کنند تا تاثیر نهایی یا حاشیه‌ای (marginal impact) را درک کنند؛ یعنی نه تنها متوجه شوند که آیا یک کانال در مجموع کارآمد بوده است یا خیر، بلکه بدانند با اضافه شدن دلار بعدی به بودجه چه اتفاقی رخ می‌دهد. این انضباط تحلیلی به‌شدت برای تلویزیون‌های متصل (CTV) مورد نیاز است.

پیچیدگی‌های ساختاری تلویزیون‌های متصل و محدودیت‌های MMM

مشکل اصلی این است که در بسیاری از مدل‌ها، تلویزیون متصل (CTV) به عنوان یک کانال واحد در نظر گرفته می‌شود، در حالی که در عمل هرگز مانند یک کانال واحد رفتار نمی‌کند. یک کمپین تبلیغاتی در تلویزیون‌های متصل ممکن است در صدها شبکه، ده‌ها یا صدها بخش از مخاطبان هدف، دستگاه‌های متعدد، مسیرهای مختلف تامین موجودی تبلیغاتی، سطوح فرکانس متفاوت و چرخش‌های خلاقانه گوناگون اجرا شود. دو کمپین مختلف که هر دو برچسب «CTV» دارند، ممکن است از نظر عملیاتی شباهت بسیار کمی به یکدیگر داشته باشند.

اگر یک مدل MMM نشان دهد که تلویزیون متصل تاثیر فزاینده مثبتی داشته، این نتیجه امیدوارکننده اما ناقص است. حالت معکوس آن حتی خطرناک‌تر است؛ اگر مدل نشان دهد که CTV عملکرد ضعیفی داشته است، این نتیجه‌گیری ساده‌انگارانه می‌تواند گمراه‌کننده باشد. یک برند ممکن است این نتیجه را به عنوان شکست کل کانال تفسیر کند، در حالی که مشکل اصلی ناشی از ضعف در برنامه‌ریزی، مسائل مربوط به زنجیره تامین تبلیغات، عدم تطابق مناسب مخاطبان، نمایش بیش از حد تبلیغ به یک بخش خاص یا طراحی نادرست آزمون بوده است.

به عنوان مثال، برندی را تصور کنید که یک کمپین را در پلتفرم هولو (Hulu) و کمپین دیگری را در پیکاک (Peacock) اجرا می‌کند. یکی از این کمپین‌ها منجر به افزایش دسترسی فزاینده و بهبود شاخص‌های پایین‌دستی می‌شود، در حالی که دیگری چنین دستاوردی ندارد. یک گزارش در سطح کانال ممکن است هر دو کمپین را در یک سبد واحد به نام CTV ادغام کند. نتیجه حاصل شاید از نظر فنی درست باشد، اما به بازاریاب نمی‌گوید که در گام بعدی باید با بودجه خود چه کار کند.

آزمون‌های جغرافیایی و چالش‌های کالیبراسیون

در اینجاست که مدل‌های MMM باید به عنوان ابزارهای کالیبراسیون و تنظیم دقیق نگریسته شوند، نه داوران نهایی تصمیم‌گیری. یک ابزار کالیبراسیون خوب می‌تواند به برندها نشان دهد که چه زمانی تعادل برقرار نیست یا کدام بخش از ترکیب رسانه‌ای نیاز به توجه دارد، اما نمی‌تواند تک‌تک اجزای درون یک کمپین پیچیده را ایزوله کند.

آزمون‌های جغرافیایی (Geo-testing) لایه دیگری از پیچیدگی را به این فرآیند اضافه می‌کنند. اگر یک برند یک بازار خاص را از کمپین خود حذف کند، اما به دلیل سیگنال‌های مکانی ناقص یا عدم تطابق دقیق بین دستگاه‌ها، مقدار کمی از تبلیغات همچنان به دست مخاطبان آن بازار برسد، کل آزمون ممکن است آلوده شود. زمانی که افزایش مورد انتظار کوچک باشد، حتی نشت بسیار جزئی داده‌ها نیز می‌تواند نتیجه ارزیابی را تغییر دهد. تفاوت بین یک رشد ۲ درصدی که در گزارش‌ها ۱.۸ درصد ثبت می‌شود، ممکن است روی کاغذ ناچیز به نظر برسد، اما می‌تواند بر تصمیم‌گیری‌های برنامه‌ریزی بودجه به ارزش میلیون‌ها دلار تاثیر بگذارد.

رویکرد گام‌به‌گام برای سنجش اثربخشی CTV

این چالش‌ها به معنای مخالفت با مدل‌های MMM نیست؛ بلکه بازاریابان تلویزیون‌های متصل باید بیشتر به سمت آن‌ها حرکت کنند. سنجش مستقل تاثیر فزاینده، وزنه تعادلی ضروری در برابر گزارش‌های انتساب (attribution) خود پلتفرم‌ها است، به‌ویژه در کانالی که کلیک‌محور نیست. این مدل‌ها به بازاریابان کمک می‌کنند تا از آرامش کاذب گزارش‌های مبتنی بر آخرین کلیک رها شوند و به تیم‌های مالی روش معتبرتری برای ارزیابی سرمایه‌گذاری رسانه‌ای ارائه دهند.

راهکار بهتر، استفاده از مدل‌های MMM در توالی و ترتیب درست است. مدل همواره باید برای دقیق‌تر کردن پرسش بعدی استفاده شود، نه برای پایان دادن به گفتگوها. این فرآیند باید مراحل زیر را طی کند:

  • ابتدا با مدل شروع کنید تا سهم کلی کانال و تاثیر حاشیه‌ای آن را درک کنید.
  • از ابزارهای تشخیصی دقیق‌تر و جزئی‌تر استفاده کنید تا متوجه شوید چرا این نتیجه حاصل شده است.
  • ترکیب شبکه‌ها، ترکیب مخاطبان، فرکانس نمایش، میزان مواجهه با خلاقیت‌های تبلیغاتی، توزیع دستگاه‌ها، تحویل جغرافیایی و رابطه بین CTV و سایر سیگنال‌های تقاضا را بررسی کنید.

تلویزیون‌های متصل نیازی ندارند با همان معیارهایی سنجیده شوند که خرید تبلیغات در موتورهای جستجو و شبکه‌های اجتماعی را آسان کرده بودند. از سوی دیگر، این کانال نباید به دلیل دشوارتر بودن سنجش، از پاسخگویی معاف شود. تلویزیون متصل می‌تواند تقاضا ایجاد کند، بر سایر کانال‌ها تاثیر بگذارد و نتایج تجاری به همراه داشته باشد. اثبات این امر مستلزم رویکرد سنجشی است که به پیچیدگی‌های نحوه خرید و مصرف رسانه احترام بگذارد.

مدل‌های MMM مفید هستند زیرا وابستگی صنعت تبلیغات به کلیک را کاهش می‌دهند، اما زمانی خطرناک می‌شوند که یک ساده‌سازی مفرط را جایگزین ساده‌سازی مفرط دیگری کنند. برای تلویزیون‌های متصل، پرسش درست هنگام استفاده از MMM این است: «چه چیزی آموختیم، چه مواردی نیاز به اصلاح دارد و دلار بعدی بودجه باید در کجا هزینه شود؟» این همان پاسخی است که بازاریابان واقعاً می‌توانند از آن استفاده کنند.