Словарь медиамикса: термины простыми словами

MMM (marketing mix modeling) – статистический метод, который по истории продаж и рекламных затрат оценивает, какую часть продаж дал каждый канал и как изменится результат при другом распределении бюджета.

Работает с суммарными данными по периодам, поэтому охватывает и каналы без переходов – наружную и ТВ-рекламу. В нашей программе модель по умолчанию байесовская (при истории от 30 наблюдений): вклад каналов показывается с 90-процентным диапазоном правдоподобия. Подробнее – как устроен метод.

Адсток – перенос эффекта рекламы на следующие периоды: реклама продолжает влиять на продажи после выхода, и этот эффект постепенно затухает.

В программе перенос описывается геометрическим затуханием – его скорость оценивается по данным – или формой Вейбулла с заданной формой; по умолчанию способ подбирается автоматически.

Насыщение – снижение отдачи канала с ростом вложений: после некоторого уровня каждый следующий рубль даёт меньше предыдущего.

В программе насыщение описывается кривой Хилла, её параметры оцениваются по данным.

Предельная отдача – прирост целевого показателя от следующего рубля, вложенного в канал, при текущем уровне затрат.

Она отличается от средней окупаемости: у насыщенного канала средняя окупаемость может быть высокой, а предельная – низкой. Программа ищет распределение бюджета по предельной отдаче каналов и показывает её с диапазоном.

Инкрементальность – дополнительный результат, который дала реклама по сравнению с ситуацией без неё.

Прямо её измеряет эксперимент с контрольной группой; MMM оценивает тот же дополнительный вклад по истории наблюдений. Результаты экспериментов можно учесть в модели как дополнительное наблюдение. Подробнее – MMM или сквозная аналитика.

Медиасплит – распределение рекламного бюджета между каналами: какая доля идёт на ТВ, наружную рекламу, интернет-видео, поиск и другие.

MMM помогает выбрать медиасплит по предельной отдаче каналов в границах, которые вы задаёте.

ROI (return on investment) – окупаемость вложений; в отрасли её обычно считают как отношение полученного результата за вычетом затрат к затратам. ROMI (return on marketing investment) – та же величина для маркетинговых затрат.

Для ROMI важно, какой доход считать дополнительным, – здесь и нужна оценка вклада канала. В отчёте программы окупаемость канала – доход, который модель отнесла на канал, делённый на затраты на него, без вычета затрат: 1 – канал вернул вложенное, выше 1 – больше вложенного. Если целевой показатель – выручка, это окупаемость по выручке, а не по прибыли. Программа показывает её с 90-процентным диапазоном правдоподобия. Подробнее – MMM или сквозная аналитика.

R-hat – показатель сходимости байесовского расчёта: он сравнивает разброс значений внутри каждой цепи расчёта и между цепями.

Значение, близкое к единице, означает, что цепи пришли к одному ответу. В программе версии 2.5.11 модель помечается ненадёжной, если наибольший R-hat среди параметров равен 1,05 или выше; порог пересматривается по итогам проверки метода.

Дивергенция – сбой шага сэмплера при байесовском расчёте, признак того, что часть распределения расчёт мог пропустить.

В программе версии 2.5.11 модель помечается ненадёжной, если дивергенций больше 1 % от всех сохранённых выборок всех цепей, а если это меньше 20 – больше 20. Если дивергенции есть, но их меньше порога, совет даётся с оговоркой.

Интервал правдоподобия – диапазон, в котором с заданной вероятностью лежит оцениваемая величина, по результатам байесовского расчёта.

В программе используется 90-процентный интервал: для вклада и окупаемости каналов, предельной отдачи, прогноза сценария. Широкий интервал означает, что данных для уверенного вывода мало.

Проверка на истории – способ узнать, как модель предсказывала прошлое: её переобучают на данных до определённого момента и сравнивают прогноз следующего отрезка с фактом, и так несколько раз.

В программе нужно не меньше трёх отрезков; программа сравнивает точность с наивным прогнозом и считает, как часто факт попадает в 90-процентный интервал.

Апостериорное среднее – среднее значение параметра модели по результатам байесовского расчёта, то есть с учётом и данных, и априорных допущений.

Оптимизатор программы ищет распределение бюджета по апостериорным средним, поэтому рекомендуемые суммы и прогнозный прирост – точечные.

Априорное распределение – допущение о возможных значениях параметра до учёта ваших данных, например о скорости затухания рекламы.

Байесовская модель уточняет его по данным. Чем короче история, тем больше вес допущений в оценке – это видно по ширине диапазонов. Параметры модели вместе с приорами можно выгрузить отдельным файлом.

Эффективное число выборок – сколько независимых значений по точности стоят выборки байесовского расчёта: соседние выборки цепи похожи друг на друга, поэтому полезной информации в них меньше, чем их число.

В программе низкое эффективное число выборок ведёт к совету с оговоркой, но не к отказу.