Marknadsavdelningens nya AI-system: Meridian, MMM och Python

Jag har grävt ner mig rejält i MMM på sistone. MMM svarar på frågan vad marknadsföringen faktiskt gav, utan att behöva följa varje användare. I en värld där spårningen blir sämre för varje år är det precis det vi behöver.

Mycket för att man borde kunna använda samma metod i små bolag nu, när MMM tidigare bara fanns för marknadsavdelningar med gigantiska budgetar. Det var bakgrunden till att jag grottade ner mig i Googles verktyg Meridian. Det kan hjälpa mig att jobba med MMM i en lean organisation.

Men först lite bakgrund om vad jag ser hända i marknadsteamen just nu.

Marknadsteamen anställer utvecklare

Jag ser fler och fler marknadsavdelningar som lägger till fullstackutvecklare i sina marknadsteam.

Det är ingen slump. Man sätter upp ett strömlinjeformat flöde för content och optimerar och automatiserar sedan resten. Utvecklaren bygger systemet. Marknadsförarna styr det.

Det är en ganska stor förändring i hur ett marknadsteam ser ut. För några år sedan var det copywriter, designer, performance och kanske en analytiker. Nu är det lika naturligt att ha någon som bygger automationer och kopplar ihop verktyg.

I den nya uppsättningen blir Meridian och MMM en viktig del. Det är där teamet får veta vad allt det nya innehållet faktiskt ger. Låt oss hoppa ner i det här ramverket.

Vad är Meridian?

Meridian är Googles marketing mix model. Den är open source, gratis att använda och byggd för den fråga som alla marknadschefer får från sin CFO förr eller senare: vad gav pengarna faktiskt?

Kort sagt tar modellen din historiska data om spend per kanal, försäljning och yttre faktorer som säsong och pris. Sen räknar den ut hur mycket varje kanal bidrog till resultatet. Den bygger på statistik över tid, så klick och cookies behövs inte.

Det är det som är grejen. Och Meridian gör det tillgängligt för fler än bara de stora bolagen med egna data science-team.

Den riktigt intressanta biten

Det som fångade mig mest är att man kan mata in det man redan vet.

Har du kört ett geotest eller ett lift-test på Meta? Då kan du lägga in resultaten i modellen som utgångspunkt. Modellen lär sig alltså av dina egna experiment, och du slipper en svart låda som spottar ur sig siffror.

Den kan dessutom räkna på regionnivå och ta hänsyn till räckvidd och frekvens. Och sist men inte minst kan den föreslå hur du borde fördela budgeten framåt.

Det är där det blir användbart på riktigt.

Ett tänkbart use case

Tänk dig ett mellanstort svenskt e-handelsbolag. De lägger pengar på Meta, Google, TikTok, lite influencers och en poddkampanj i kvartalet.

Varje kanal rapporterar sina egna siffror. Och alla kanaler tar åt sig äran för samma köp.

Med Meridian kan de se vilken kanal som faktiskt driver försäljning och vilken som bara tar åt sig äran. De kan hitta punkten där mer pengar i en kanal slutar ge mer effekt. De kan simulera vad som händer om de flyttar 20 procent av budgeten från en kanal till en annan. Och de kan gå till ledningsgruppen med ett underlag som inte kommer från plattformarna själva.

Det blir ett helt annat samtal än "Meta säger att ROAS var 4,2".

Behöver man kunna Python som marknadsförare?

Här kommer haken. Meridian är ett Python-bibliotek. Det finns inget snyggt gränssnitt där du drar och släpper. Du sitter i en notebook, laddar in data, sätter parametrar och kör.

Så behöver man kunna Python?

Mitt ärliga svar: nej, inte för att förstå värdet. Men ja, någon i teamet behöver kunna det för att det ska bli av.

Du behöver inte bli utvecklare. Men du behöver förstå vad modellen gör, vilken data den behöver och hur du ska läsa resultatet. Annars blir det ännu en rapport som ingen litar på.

Hur kan man göra processen enklare?

1. Börja med datan

Det mesta av jobbet i en MMM är att få fram ren data per vecka och kanal. Det kan en oteknisk marknadsförare göra i ett kalkylark, långt innan någon skriver kod.

2. Använd AI som kodkompis

Med Claude eller ChatGPT kan du få hjälp att skriva och förstå koden steg för steg. Du behöver inte kunna skriva den själv, men du behöver kunna ställa rätt frågor.

3. Kör i Google Colab

Där finns inget att installera. Du öppnar en notebook i webbläsaren och kör.

4. Ta in rätt kompetens

Här gör utvecklaren i marknadsteamet stor skillnad. Utvecklaren sätter upp flödet en gång, och sedan kan marknadsförarna köra det själva.

AI-systemet. Vad är det?

När jag pratar om ett AI-system menar jag ett flöde där flera delar hänger ihop. Ett enskilt verktyg räcker inte långt. Jag tror att systemet behöver bestå av fyra delar.

1. Research

Omvärldsbevakning, konkurrenter, sökbeteende, vad målgruppen pratar om. Allt det som tidigare tog en hel dag kan nu sammanställas automatiskt varje vecka.

2. Content

Text, bild och video. Här har det hänt mest det senaste året. Det som förr krävde en produktionsbyrå kan i dag tas fram på ett par timmar.

3. Uppföljning och analys

Det är här Meridian passar in. Det räcker inte att producera mer. Du måste veta vad som fungerar, annars skalar du bara upp det som inte gör det.

4. Automatisering

Limmet som håller ihop allt. Det som gör att research blir till brief, brief blir till content och content blir till data som går tillbaka in i nästa beslut.

Saknas en av delarna haltar hela systemet. Mycket content utan uppföljning är bara brus. Bra analys utan automatisering blir en rapport som ligger i en mapp.

Stacken jag ser överallt just nu

Flera av de Skool-communities jag är med i bygger på samma grund: n8n och Higgsfield. n8n sköter automatiseringen och kopplar ihop allt, från research till publicering. Higgsfield tar fram bild och video i en takt som inte var möjlig för bara ett år sedan.

Runt de två återkommer samma verktyg i nästan varje flöde jag tittat på:

Research: Apify och Perplexity

Apify skrapar sajter, annonsbibliotek, YouTube och recensioner, så att flödet får veta vad som faktiskt fungerar i din kategori. Perplexity används för snabb webbresearch inne i flödet.

Text: Claude

Claude skriver briefar, manus och inlägg. Allt fler använder dessutom Claude Code för att bygga själva n8n-flödena.

Röst och avatar: ElevenLabs och HeyGen

ElevenLabs gör röster och voiceovers. HeyGen gör videor där en avatar pratar, ofta med din egen klonade röst.

Navet: Airtable och Slack

Airtable fungerar som databasen där idéer, briefar och färdigt content samlas. Slack är där en människa godkänner innan något publiceras.

Det går fort. Och det är relativt billigt för vad man får.

Lägg till en modell som Meridian på analyssidan, så har du plötsligt alla fyra delarna på plats: research, content, uppföljning och automatisering.

Så, vad gör man nu?

Du behöver inte bygga allt på en gång. Börja med en del. Men fler och fler marknadsförare skulle behöva sätta sig ner och förstå Python och den här typen av ramverk. Det finns en hävstång i det här arbetssättet som jag tror blir svår att slå.

Om jag skulle välja en del: börja med uppföljningen. Ta fram din spend och försäljning per vecka för de senaste två åren. Bara det kommer att ge dig insikter, även innan du kört en enda rad kod.

Resten kan du bygga på därifrån.