Marketing mix modeling-software til e-handel
Media Marketing Mix (MMM) er en bayesiansk marketing mix-model, som AmICited tilpasser til dig med Googles open source-motor Meridian. Du vælger et resultat og dine kanaler i appen. Den estimerer, hvad hver kanal har tilført, hvor de næste 1.000 af budgettet gør mest nytte, og om betalt søgning ændrer din organiske trafik. Ingen kode og intet data science-team til at sætte det op.
Brands, der følger, hvordan AI-svar nævner dem — samplet dagligt på hver flade, hvor deres købere spørger.
Læs kundecases →Media mix modeling på dine egne data
Modellen arbejder på ugebasis. Du vælger ét resultat og derefter de kanaler, der skal forklare det: forbrug og visninger importeret fra dine tilsluttede annoncekonti, egne marketingomkostninger for kanaler uden integration og kampagnegrupper, der deler én platform op i flere kanaler.
- Resultater — butiksomsætning, butiksordrer, GA4-købsomsætning, GA4-køb eller en hvilken som helst GA4-konverteringshændelse, talt eller med en værdi pr. konvertering, så modellen kan rapportere afkast på forbrug.
- Fem annonceintegrationer — Google Ads, Microsoft Advertising, Meta Ads, LinkedIn Ads og ChatGPT Ads, koblet via de samme integrationer med annonceplatforme, som resten af AmICited bruger.
- Kampagnegrupper — del for eksempel brand- og ikke-brand-kampagner i Google Ads op efter ID’er eller en navneregel. En gruppe kræver mindst 8 uger med visninger, og appen foreslår grupper for kampagner med 5 % eller mere af en platforms forbrug.
- Op til 256 kanaler — selv om færre, større kanaler giver modellen mere signal pr. estimat.
Bidrag, ROI og responskurver
For hver kanal rapporterer modellen dens estimerede bidrag til resultatet med et 90 % troværdighedsinterval samt dens ROI som omsætning pr. enhed brugt. Responskurver viser, hvordan resultatet forventes at ændre sig, når forbruget bevæger sig fra nul til tre gange dagens niveau, så du kan se, hvor afkastet flader ud.
- Hvor de næste 1.000 gør mest nytte — en dom pr. kanal om at øge, reducere eller uklart, baseret på det marginale afkast ved nuværende forbrug.
- Bedste fordeling af dagens budget — samme samlede beløb, omfordelt mellem kanalerne for det højeste modellerede resultat.
- Scenarier — sæt hver kanal et vilkårligt sted fra 0× til 3× af dens forbrug, og sammenlign den modellerede ændring med dens 90 % interval. Et scenarie er ikke en omsætningsprognose, og det ændrer aldrig budgetter på dine annonceplatforme.
- Diagnostik, du kan kontrollere — konvergens (R-hat, effektiv stikprøvestørrelse, divergenser), genberegninger af følsomhed over for priors, en automatisk ugentlig gentræning og gemte versioner til sammenligning.
Betalt til organisk: løfter eller kannibaliserer PPC?
Modellen for betalt til organisk stiller et spørgsmål, som de fleste attributionsværktøjer springer over: hæver eller sænker dit forbrug på betalt søgning din organiske søgetrafik? Sæt resultatet til GA4 organiske sessioner, organiske klik fra Search Console eller organiske klik fra Bing Webmaster Tools, og modellen estimerer den organiske trafik med og uden PPC over tid.
- PPC-effekt over tid — en modelleret baseline uden PPC ved siden af den observerede serie.
- Bidrag med fortegn — betalt søgning kan tilføje organiske klik, tage fra dem eller vise ingen klar effekt.
- Omkostning pr. ekstra organisk klik — vises kun, hvor effekten er positiv og identificeret, aldrig tvunget.
- Passer sammen med hulrapporter — søgetermer, du betaler for uden nogen organisk side overhovedet, oplistes i Paid-Proven Gaps.
Hvor meget historik marketing mix modeling kræver
En standardmodel kræver 164 hele uger: 156 ugers resultat plus 8 ugers forsinkelse i efterdønninger. Med mindre træner en tilstand med begrænset historik på 24 eller flere hele uger, men den kan ikke pålideligt lære årlig sæsonvariation, læner sig mere op ad sine forudgående antagelser og mærker sine anbefalinger som kun vejledende. Google Ads gemmer ca. 13 måneders historik, så de fleste nye konti starter i tilstand med begrænset historik, medmindre ældre forbrug indtastes som egne omkostninger.
- Beredskabstjek først — hele uger, valuta, kildedækning, fastholdelse og variation mellem kanaler kontrolleres før enhver træning. Kanaler, der brugte penge i for få uger, udelades.
- Omsætning, ikke profit — ROI er omsætning pr. enhed brugt. For afkast, der tager højde for dækningsgrad, se Meta Profit-true ROAS.
- Estimater, ikke bevis — en model adskiller kanaleffekter ud fra observationsdata. En lift-test er stadig det stærkere bevis for en enkelt kanal.
- Abonnementer og pris — tilgængelig på abonnementerne Premium og Enterprise. Et tilbagevendende gebyr for modelpakken starter, når du bekræfter den første træningskørsel, og beredskabstjek og træning bruger målte warehouse-kreditter.
hele uger til en standardmodel, eller 24 for at starte i tilstand med begrænset historik
Platformsrapporterede konverteringer fortæller dig, hvad hvert annoncenetværk hævder. Modellen estimerer, hvad hver kanal tilførte, når de andre er regnet med.
Se Meta Attribution Reality