Pazarlama karma modellemesi: MMM adımları ve bütçe kararı

MMM nedir, hangi soruya yanıt verir?

Pazarlama karma modellemesi (Marketing Mix Modeling, MMM), pazarlama harcamalarının ve diğer etkenlerin satışlara katkısını istatistiksel olarak ayrıştırmaya yarayan bir yöntemdir. Temel soru şudur: satışlarımızın ne kadarı televizyon, dijital reklam, fiyat, promosyon, mevsim ve rakip hareketleri gibi etkenlerden geliyor, bütçeyi başka dağıtsaydık ne olurdu?

MMM, bireysel kullanıcı verisine değil, haftalık ya da günlük toplulaştırılmış verilere dayanır. Bu özelliği, bireysel izlemenin zorlaştığı ortamlarda yöntemi yeniden önemli kılar. Çevrimdışı kanallar ile çevrimiçi kanalların etkisini aynı çerçevede karşılaştırabilmesi de güçlü yanıdır.

MMM bir tahmin aracından çok bir karar destek aracıdır. Amacı en küçük hatayla tahmin yapmak değil, bütçe kararlarına güvenilir bir yön vermektir.

Veri hazırlama ve özellik mühendisliği

MMM'in kalitesi büyük ölçüde veriye bağlıdır. Tipik veri kalemleri şunlardır.

• Hedef değişken: satış, sipariş ya da dönüşüm gibi ölçülen sonuç.
• Medya değişkenleri: kanal bazında harcama, gösterim ya da erişim.
• Fiyat ve promosyon verisi.
• Dış etkenler: mevsimsellik, tatiller, rakip faaliyetleri, ekonomik koşullar.

Ham harcamayı doğrudan modele vermek yanıltıcıdır. Reklamın etkisi harcama anında bitmez; zamana yayılır (taşıma etkisi, adstock). Ayrıca her ek harcama aynı ölçüde katkı sağlamaz; bir noktadan sonra getiri azalır (doygunluk). Özellik mühendisliği bu iki gerçeği modele katmaktır. Ayrıca veri tutarlı zaman aralığında olmalı, kanal tanımları değişmemeli ve eksik hafta ya da kanal kayıtları giderilmelidir. Sık atlanan üç iş de sonucu değiştirir: kanal harcamalarını aynı hafta tanımı ve aynı para birimiyle birleştirmek, fiyat değişikliklerini ve kampanya başlangıçlarını takvimde işaretlemek, olağandışı haftaları (stok tükenmesi, sistem kesintisi, beklenmedik haber akışı) ayrı bir değişkenle etiketlemek. Bu etiketler olmadan model, olağandışı bir haftanın etkisini yanlışlıkla bir reklam kanalına yazabilir.

Klasik doğrusal yöntem

Klasik MMM çoğunlukla çoklu regresyona dayanır. Satış, medya harcamalarının dönüştürülmüş halleri, fiyat, promosyon ve mevsimsellik terimlerinin ağırlıklı toplamı olarak modellenir. Her değişkenin katsayısı, o etkenin satışa katkısını gösterir.

Bu yaklaşımın avantajı yorumlanabilirliğidir: katkıyı kanal bazında okumak ve yönetime anlatmak kolaydır. Zayıf yanı ise kanallar birbirine bağlı hareket ettiğinde (aynı kampanya içinde birlikte artan harcamalar) katsayıların kararsız çıkmasıdır. Bu durum çoklu doğrusal bağlantı sorunudur ve kanalların etkisini birbirinden ayırmayı zorlaştırır.

Modelin geçerliliği; açıklayıcılık göstergeleri, hata analizi ve zaman içinde dışarıda bırakılan veriyle sınama ile kontrol edilir.

Bayesian MMM ve belirsizlik yönetimi

Bayesian yaklaşımda katsayılar tek bir sayı olarak değil, olasılık dağılımı olarak tahmin edilir. Böylece "bu kanalın katkısı şu aralıkta olabilir" gibi belirsizliği açıkça gösteren sonuçlar elde edilir. Bu, karar vericiye tek nokta tahminden daha dürüst bir tablo sunar.

Bayesian yöntemin bir diğer gücü, önceki bilgiyi modele katabilmesidir. Örneğin daha önce yapılmış bir deneyin sonucu ya da sektör bilgisi, katsayı için ön dağılım olarak tanımlanır. Veri yetersiz ya da gürültülü olduğunda bu bilgi tahmini dengeler. Ön bilgi seçimi ise şeffaf belgelenmelidir; çünkü sonuçları etkileyebilir.

Bayesian modeller daha fazla hesaplama gücü ve istatistiksel olgunluk gerektirir, ama kararsız kanal etkisi sorununa daha dayanıklıdır.

Deneysel doğrulama: modele neden tek başına güvenilmez?

MMM gözlemsel veriden çıkarım yapar; yani nedensellik kanıtı üretmez, ilişki tahmin eder. Bu nedenle sonuçlar mümkün olduğunda deneylerle doğrulanır. Örneğin bir coğrafi bölgede reklamı geçici olarak kısmak ya da artırmak ve satışa etkisini ölçmek gibi kontrollü sınamalar yapılabilir. Deney sonucu ile model tahmini örtüşüyorsa güven artar; ayrışıyorsa model gözden geçirilir.

Bu döngü, MMM'i bir kez kurulan rapordan sürekli kalibre edilen bir karar sistemine dönüştürür.

Gerçek bir örnek: bütçe yeniden dağıtımı

Örneğin bir perakende markası televizyon, arama reklamı ve sosyal medya arasında bütçe dağıtıyor. Yönetim, hangisine daha fazla pay ayırmak gerektiğini bilmiyor.

Analitik ekip geçmiş döneme ait haftalık veriyi toplar, medya değişkenlerine taşıma ve doygunluk dönüşümlerini uygular, fiyat ve promosyon etkisini ayırır ve modeli kurar. Sonuçta arama reklamının belirli bir noktadan sonra doygunluğa ulaştığı, sosyal medyanın ise henüz doygun olmadığı görülür. Ekip senaryolar çalıştırır: bütçe sabit kalırsa hangi dağılım en yüksek katkıyı verir? Sonuç, belirsizlik aralıklarıyla yönetime sunulur. Bölgesel bir test, önerilen kaymanın gerçek etkisini doğrular.

Önemli olan, modelin tek bir doğru yanıt vermesi değil, karar riskini azaltmasıdır.

Bütçe optimizasyonu ve kurumsal uygulama

Kurulan model, bütçe optimizasyonunun temelidir. Her kanalın doygunluk eğrisi bilindiğinde, sabit bir toplam bütçenin kanallara nasıl dağıtılacağı için senaryolar çalıştırılabilir. Optimizasyon, iş kısıtlarını da içermelidir: minimum yatırım zorunlulukları, kanal kapasitesi, marka kampanyası taahhütleri.

Kurumsal uygulamada en büyük zorluk teknik değil, paydaş yönetimidir. Pazarlama, finans ve satış ekipleri farklı veri ve beklentilerle gelir. Varsayımların açıkça anlatılması, belirsizliğin saklanmaması ve sonuçların karar sürecine entegre edilmesi, modelin gerçekten kullanılmasını sağlar. Modelin düzenli güncellenmesi ve yeni verilerle yeniden eğitilmesi de süreçte planlanmalıdır.

Sık yapılan hatalar ve Mindset programı

Sık yapılan hatalar şunlardır. • Ham harcamayı taşıma ve doygunluk dönüşümü olmadan kullanmak. • Birbirine bağlı kanalları ayırt etmeden yorumlamak. • Modeli deneyle doğrulamamak. • Çok kısa bir veri dönemiyle çok fazla değişken kurmak. • Sonucu belirsizlik aralığı olmadan tek sayı olarak sunmak. • Modeli bir kez kurup güncellememek.

Mindset kataloğundaki Pazarlama Karma Modellemesi (Marketing Mix Modeling) programı; MMM ve deneysel validasyon, MMM temelleri ve iş değeri, veri hazırlama ve özellik mühendisliği, klasik doğrusal MMM yöntemi, Bayesian MMM ile belirsizlik yönetimi, bütçe optimizasyonu ve senaryo planlaması ile kurumsal MMM uygulaması ve paydaş yönetimi başlıklarını işler.