Marketing mix modeling (MMM) för dig som inte är dataanalytiker

Marketing mix modeling, MMM, har länge varit något för bolag med analysavdelningar och mediebjudbudgetar med en extra nolla. Inte längre. Verktygen har blivit billigare, datakraven lägre, och samtidigt har det gamla sättet att mäta — klickbaserad attributering — slutat fungera. Här är vad MMM faktiskt är, utan en enda ekvation.

Problemet den löser

Den klassiska frågan i marknadsföring har varit: vilket klick gjorde försäljningen? Attributering svarade på den, så länge resan faktiskt gick via klick. Det gör den inte längre. Runt 60 procent av alla Google-sökningar slutar utan klick. Research sker i AI-chattar som aldrig besöker din sajt. Integritetsregler mörkar en växande del av resan. Så frågan flyttas från "vilket klick" till en ärligare och svårare: hur mycket bidrar varje kanal egentligen?

Vad MMM faktiskt gör

En mixmodell läser din historik och försöker förklara försäljningen. Förenklat: försäljning = bas + säsong + pris + varje kanals bidrag. Modellen plockar isär den summan och uppskattar hur mycket varje kanal bidrog, för sig. Tre saker kommer ut som faktiskt är användbara: ROI per kanal, alltså vilka kanaler som betalade för sig; responskurvor, alltså hur mycket nästa miljon i en kanal sannolikt ger; och möjligheten att simulera, alltså att testa en budgetflytt i modellen innan du gör den på riktigt.

Varför nu

Tre saker har ändrats. För det första försvinner signalerna: samtyckeskrav och integritetsregler gör att färre klick går att följa, och det som mäts blir en allt mindre andel av verkligheten. För det andra flyttar researchen: när köparen frågar en AI-chatt istället för att söka finns inget klick att tillskriva någon. För det tredje granskas mediebudgetar hårdare än på länge: ekonomens fråga är inte vilken kanal som fick klicket utan vilken kanal som skapar tillväxt, och den frågan behöver ett svar per kanal.

Vad den kan — och inte kan

MMM är bra på tre saker: att svara på kanalnivå, att hantera offline, och att vara ärlig om kanaler utan spårbara klickdata — utomhus, radio, varumärkesbyggande. Den är dålig på tre saker: den säger inget om kvaliteten på det du producerar (modellen ser kanalen, inte idén); den blir opålitlig med för lite historik — räkna med minst två, helst tre år av veckodata; och den visar samband, inte orsaker. En modell som tittar bakåt kan aldrig tala för en kanal du aldrig testat.

Fem steg utan att anställa en analytiker

Ett: samla veckodata. Försäljning per vecka, spend per kanal, och den pris- och säsongdata du har. Två till tre år tillbaka är guld. Två: börja med tre kanaler. En modell med femton variabler och två års data är gissningslek i kostym. Tre: använd öppna verktyg — Metas Robyn och Googles Meridian är gratis, dokumenterade, och det industrin bygger på. Fyra: validera mot verkligheten. Kör ett geotest eller ett kanalstop och jämför med vad modellen tror; är de oense, lita på experimentet. Fem: bestäm en rytm. En mixmodell som inte används för budgetbeslut minst en gång per kvartal är en rapport, inte ett verktyg.

En ärlig brasklapp

MMM visar medelvärden, inte lyft. Den säger att en kanal bidrog med X i snitt, men inte om nästa kampanj i kanalen gjorde nytta. Kombinera därför modellen med experiment, och stryp inte långsiktigt varumärkesbyggande bara för att modellen inte ser effekten direkt — det är precis det misstag Binet och Field dokumenterat. MMM är en kompass, inte en GPS. Kompassen tar dig långt, så länge du minns att den visar riktning, inte väg.