Media Mix Modeling จากข้อมูลสู่กลยุทธ์เพิ่มยอดขายปรับปรุง ROI การตลาด

• Facebook
• X
• Line

Media Mix Modeling หรือมีชื่อในภาษาไทยเท่ๆ ว่า “โมเดลส่วนผสมการตลาด” คือการใช้สมการทางคณิตศาสตร์เพื่อวิเคราะห์ และประเมินผลกระทบของการใช้จ่ายทางการตลาดในช่องทางต่าง ๆ เช่น โทรทัศน์ วิทยุ รวมถึง OmniChannel โดยพิจารณาผลของแต่ละกิจกรรม ต่อยอดขายหรือประสิทธิภาพอื่น ๆ ที่ใช้ในส่วนของสมการ Multiple Regression การวิเคราะห์อนุกรมเวลา (Time Series) และอื่นๆ ในการสร้างโมเดลนี้ ซึ่งในตอนนี้ได้มีการนำมาใช้งานในวงกว้างและแอดวานซ์มากยิ่งขึ้นเรื่อยๆ รวมถึงช่วยในการวิเคราะห์และทำนายประสิทธิภาพของทำ Digital marketing อีกด้วย

โดย Media Mix Modeling หรือ MMM จะช่วยให้เราเข้าใจว่ากิจกรรมส่งเสริมการขายหรือ CRM แต่ละกิจกรรม ส่งผลกระทบอย่างไรหรือมากน้อยขนาดไหนต่อยอดขาย ทำให้ภาคธรุกิจสามารถประเมินได้ว่าควรลงทุนในการทำ Advertising อย่างไรสำหรับแต่ละผลิตภัณฑ์อย่างละเอียด ส่งผลให้เราสามารถสร้างกลยุทธ์เพิ่มยอดขาย และปรับปรุง ROI ได้อย่างมีประสิทธิภาพ

ซึ่งในบทความนี้นิกจะพาไปทำความเข้าใจแบบเจาะลึก (แต่ไม่ยากนะคะ^^) ถึงหลักการที่อยู่เบื้องหลัง MMM ดูตัวอย่างของการใช้งานโมเดลนี้ ในการวิเคราะห์ และพัฒนากลยุทธ์ทางการตลาด ร่วมกับการนำข้อมูลเหล่านั้นมาทำ Marketing เพื่อช่วยเพิ่มยอดขายของสินค้าที่เราต้องการกันค่ะ 😊🙂

และแถม!! สำหรับท่านใดที่หลังจากอ่านเรื่องราวของการใช้ Media Mix Modeling ในการวิเคราะห์ข้อมูลเพื่อสร้างกลยุทธ์เพิ่มยอดขายปรับปรุง ROI การตลาดแล้วได้แรงบันดาลใจอยากทดลองเล่นกับ Google’s LightweightMMM: Python เพื่อเอาไปใช้งานกับลูกค้าของตัวเอง => เราจะมาลองทำไปพร้อมๆ กันในส่วนท้ายของบทความค่ะ^^

หลักการ Media Mix Modeling ในการประเมินยอดขายจากการทำการตลาด

🚂🚂 ต่อไปนี้เราจะเรียก Media Mix Modeling ด้วยชื่อเล่นของเขาว่า “MMM” นะคะ^^

“เงินกว่าครึ่งของฉันที่ใช้ไปกับการโฆษณานั้นสูญเปล่า; ปัญหาคือฉันไม่รู้ด้วยซ้ำว่าครึ่งไหน”

John Wanamaker (1838–1922)

เป็นตัวอย่างที่ดีในการแสดงให้เห็นว่าการตลาดอะไรก็ตามที่ไม่ได้มีการวิเคราะห์ข้อมูลร่วมด้วย ทำให้การกระทำนั้นสูญเปล่า –> แต่ก็แน่นอนค่ะยุคนั้นคงยังไม่ได้มีการเก็บ Data อย่างปัจจุบัน

ในการที่ MMM จะเข้าใจและประเมินได้ว่ากิจกรรมการตลาด หรือการทำ Advertising แบบไหนที่เหมาะสมกับสินค้าอะไรมีหลายเทคนิคด้วยกันค่ะ (แต่ละเทคนิคจะประกอบไปด้วยสมการทางคณิตศาสตร์ที่แตกต่างกันยุบยับ^^) แต่ทุกวิธีเหล่านั้นล้วนพุ่งเป้าไปที่ Objective เดียวกันคือ การรับรู้ให้ได้ว่าช่องทางไหนที่ให้ ROI สูง เพื่อให้ทีมการตลาดจัดสรรงบประมาณได้อย่างมีประสิทธิภาพ ซึ่งสิ่งนี้เป็นเรื่องที่ค่อนข้าง Challenge มากๆ เนื่องจาก Journey ของลูกค้าที่ค่อนข้างซับซ้อน และการเปลี่ยนแปลงนโยบายความเป็นส่วน (Digital privacy) ของแต่ละแพลตฟอร์ม

ซึ่งแนวทางหนึ่งที่นักการตลาดน่าจะคุ้นเคยกันดีคือการทำ A/B Test เพื่อพิจารณาว่าโฆษณาหรือแคมเปญใดที่สร้างผลตอบแทนจากการลงทุน (ROI) สูงสุด ตัวอย่างเช่น แผนกการตลาดสร้างแคมเปญ Google Ad สองแคมเปญแยกกัน แต่โฆษณาแต่ละรายการจะมีหมายเลขโทรศัพท์ที่แตกต่างกันเพื่อให้ผู้ใช้สามารถโทรหาได้ ซึ่งเราสามารถวัดได้ว่าสิ่งใดที่ให้ ROI ที่ดีที่สุดแก่คุณด้วยจำนวนการโทรที่ได้รับนั่นเองค่ะ 😇☺

แต่วิธีนี้ก็ยังมีข้อจำกัดหากเราต้องการติดตามลูกค้าที่มี Smart Devices หลายๆ เครื่อง หรือเข้าถึงข้อมูลจากหลายแพลตฟอร์ม เช่น ลูกค้าสามารถดูโฆษณาบนแอพ Facebook ค้นหาบนแท็บเล็ตผ่าน Google จากนั้นจึงย้ายไปที่คอมพิวเตอร์เพื่อทำการซื้อ หรือแม้แต่ไปซื้อผ่านช่องทาง Offline หลังจากหาข้อมูล ทำให้ระบุแหล่งที่มาภายในช่องทางเป็นเรื่องยาก

เลยเป็นที่มาของวิธี Media Mix Modelling (MMM) ที่ถูกสร้างมาเพื่อแก้ปัญหาจากวิธี A/B Test และช่วยให้ทีมการตลาดได้รับข้อมูลเชิงลึกมากขึ้นเกี่ยวกับประสิทธิภาพของช่องทางการตลาดแต่ละช่องทาง บทความนี้จะใช้ Google Lightweight MMM ที่มีองค์ประกอบที่เรียกว่า “Bayesian MMM” ในการประเมิน “ตัวแปร” ที่เป็นกิจกรรมการตลาด หรือช่องทาง Ads ต่างๆ ต่อยอดขายหรือ KPI อื่น ๆ อย่างไร

โดยจะเริ่มที่การ Prepare Dataset สำหรับโมเดล ซึ่งสามารถให้ข้อมูลที่เราทำการตลาดผ่านช่องทางต่างๆ ได้แก่ Facebook,Tiktok, Google, IG หรืออีเมล์ เป็นฟีเจอร์ที่ใช้ประเมิน

และจากการที่แต่ละแพลตฟอร์มมีความละเอียดของการเก็บข้อมูล และ Duration ของการแสดงผลไม่เท่ากัน ลำดับต่อไปเราจึงต้องกำหนด “กรอบเวลา” ให้กับ MMM เพื่อให้ข้อมูลแต่ละชุดอยู่บนกรอบเวลาเดียวกัน เช่น ใช้จ่ายเป็นการใช้จ่ายรายวัน และการติดตั้งตามจำนวนการซื้อหรือใช้งานที่เกิดขึ้นในแต่ละวันเป็นต้นต้น

หลังจากที่ทำการเตรียมข้อมูล ของโมเดล MMM แล้ว ก็จะเข้าสู่การ Train model และ Test model เพื่อดูผลลัพธ์ของการใช้ MMM ในการทำนาย (Forecast) ยอดขายจากผลกระทบและยอดเงินที่เราลงทุนไปในการทำ Advertising ในแต่ละช่องทาง และประเมิน Performance ของ MMM โมเดล จาก Dataset ที่เป็น Raw data จำนวนมากกับข้อมูลในอดีต เพื่อดูว่า MMM ตัวนั้น Accurate และสามารถทำนายยอดขายได้อย่างมีประสิทธิภาพ เพื่อนำไปทำ Optimization ของโมเดลต่อตามภาพด้านล่างค่ะ

สมการทางคณิตศาสตร์ภายใน Media Mix Modeling

หลักจากนี้เพื่อความเข้าใจเชิงลึกยิ่งขึ้นไปอีก (สำหรับท่านที่สนใจนะคะ^^) นิกขออนุญาตเล่าเพิ่มเติมในเรื่องของสมการทางคณิตศาสตร์ที่อยู่เบื้องหลัง MMM เพื่อให้เพื่อนๆ ที่จะนำไปใช้สามารถจัดเก็บ และจัดเตรียมข้อมูลที่จะมาเป็น Input ให้กับโมเดลได้อย่างมีประสิทธิภาพมากยิ่งขึ้นค่ะ

1. Multiple Regression (สมการการถดถอยเชิงพหุ) จะใช้ในการคำนวณความสัมพันธ์ระหว่างตัวแปรอิสระ (การใช้จ่ายทางการตลาดในช่องทางต่าง ๆ) กับตัวแปรตาม (ยอดขาย)
   ซึ่งมีหน้าตาของสมการทั่วไปดังนี้:
   
   𝑌=𝛽0+𝛽1𝑋1+𝛽2𝑋2+𝛽3𝑋3+⋯+𝛽𝑛𝑋𝑛+𝜖Y=β0​+β1​X1​+β2​X2​+β3​X3​+⋯+βn​Xn​+ϵ
   
2. Time Series Analysis (การวิเคราะห์อนุกรมเวลา) ซึ่งใช้ในการวิเคราะห์ข้อมูลที่มีลำดับเวลา เช่นยอดขายในแต่ละช่วงเวลา โดยเราจะคำนึงถึงความสัมพันธ์เชิงเวลา (Durational correlation) กับตัวแปรที่เกี่ยวข้อง ซึ่งในบางครั้งเราอาจต้องพิจารณาฤดูกาล (Seasonality) และแนวโน้ม (Trend) ร่วมด้วย ซึ่งตัวอย่างสมการจะเป็นตาม Equation ด้านล่างนี้ค่ะ:
   
   𝑌𝑡=𝛽0+𝛽1𝑋1,𝑡+𝛽2𝑋2,𝑡+⋯+𝛽𝑛𝑋𝑛,𝑡+𝛾1𝑆𝑡+𝛾2𝑇𝑡+𝜖𝑡Yt​
   =β0​+β1​X1,t​+β2​X2,t​+⋯+βn​Xn,t​+γ1​St​+γ2​Tt​+ϵt เมื่อ:
   ​
   • 𝑌𝑡Yt​ คือยอดขายในเวลาที่ 𝑡t
   • 𝑋1,𝑡,𝑋2,𝑡,…,𝑋𝑛,𝑡X1,t​,X2,t​,…,Xn,t​ คือการใช้จ่ายในช่องทางต่าง ๆ ในเวลาที่ 𝑡t
   • 𝑆𝑡St​ คือฤดูกาลในเวลาที่ 𝑡t
   • 𝑇𝑡Tt​ คือแนวโน้มในเวลาที่ 𝑡t
   • 𝛾1,𝛾2γ1​,γ2​ คือค่าสัมประสิทธิ์ของฤดูกาลและแนวโน้มตามลำดับ
   • 𝜖𝑡ϵt​ คือส่วนที่ผิดพลาดในเวลาที่ 𝑡t
     
3. การใช้ Bayesian Regression หรือ การถดถอยแบบเบย์เซีย ใน LightweightMMM ซึ่งเป็นการถดถอยที่รวมความน่าจะเป็นก่อนหน้าเข้ากับข้อมูลที่มีอยู่ (observed data) เพื่อให้ได้การประมาณหรือทำนายค่าที่มีค่าความเชื่อมั่นมากขึ้น
   โดยสมการเบื้องต้นของ Bayesian Regression เป็นดังนี้: p(θ∣y)∝p(y∣θ)p(θ)
   
4. การหาค่าสัมประสิทธิ์ (Coefficient Estimation) การหาค่าสัมประสิทธิ์ใน MMM ทำได้โดยการหาค่าที่ทำให้ฟังก์ชันการสูญเสีย (loss function–> ชื่ออาจจะเป็น Loss fuction นะคะ แต่จริงๆ แล้วเป็นการคำนวณความคลาดเคลื่อนของค่าจากการประมาณการและค่าจริงค่ะ) ต่ำสุด ซึ่งมักใช้วิธี Least Squares หรือ Maximum Likelihood Estimation (MLE)
   โดยฟังก์ชันการสูญเสียของ Least Squares พิจารณาได้ดังสมการ:
   
   Loss=∑𝑖=1𝑛(𝑌𝑖−𝑌𝑖^)2Loss=i=1∑n​(Yi​−Yi​^​)2 เมื่อ:
   
   • 𝑌𝑖Yi​ คือค่าจริงของยอดขาย
   • 𝑌𝑖^Yi​^​ คือค่าที่คาดการณ์จากโมเดล

ดังนี้ในการจัดเตรียมข้อมูลที่จะนำมาใส่ใน Media Mix Modeling จะต้องเตรียมในลักษณะของตัวแปร X (เช่น ยอดเงินในการยิงแอดของช่องทางต่างๆ, ช่วงเวลาในการทำ CRM, etc.,) ที่จะเป็น “ฟีเจอร์” ในสมการ และตัวแปร Y ซึ่งก็คือ ยอดขาย หรือค่า KPI ที่เราต้องการคาดการณ์จากข้อมูลในอดีต ซึ่งเป็น Time Series Data นั่นเองค่ะ

การใช้งาน MMM ช่วยเพิ่มยอดขาย ปรับปรุง ROI การตลาด

จากข้อมูลที่ผ่านการประมวลผลด้วย MMM เสร็จเรียบร้อยแล้ว เราจะได้ข้อมูลค่าประมาณการของสิ่งที่เราต้องการ ได้แก่ จำนวนยอดขายที่เพิ่มขึ้นจากปัจจัยแต่ละตัว, ตัวเลข ROI สำหรับการวิเคราะห์ว่าเงินที่ลงไปในแต่ละปัจจัยคุ้มค่าและมีประสิทธิภาพหรือไม่ ผ่านกราฟแสดงความสัมพันธ์ระหว่างยอดค่าใช้จ่ายในแต่ละสื่อกับระดับ ROI ซึ่งสิ่งนี้เองค่ะ ที่เป็นสิ่งสำคัญมากๆ ที่จะทำให้ทราบได้ว่า เมื่อไหร่ที่เราควรหยุดลงทุนในช่องทางหนึ่ง หรือเพิ่มการลงทุนในอีกช่องทางหนึ่ง (จากการดูกราฟความสัมพันธ์ของ ROI ที่ควรมีลักษณะพุ่งขึ้นเมื่อ Spend Money มากขึ้นค่ะ: credit Thomas Georgiou)

ซึ่งตรงจุดนี้เองค่ะ ที่เราจะใช้เป็นข้อมูลที่ใช้ในการปรับกลยุทธ์เพิ่มยอดขายปรับปรุง ROI การตลาดให้เหมาะสม (ยิ่งถ้ามีข้อมูลประเภท individual personal ของลูกค้าร่วมด้วยจะดีมาก) เพราะเราจะสามารถเพิ่มกิจกรรม promotion ที่ set ได้ถูกต้องตามช่วงเวลา ทั้งในส่วนของช่องทาง Online และ Offline ให้สามารถจัดสรรงบประมาณทางการตลาดได้อย่างมีประสิทธิภาพ 🤗🤗 และใน Paragraph ต่อไป เราจะมาลองใช้งาน MMM ในการพยากรณ์ยอดขาย และประเมิน ROI ที่เพิ่มขึ้นผ่านช่องทางการตลาดต่างๆ กันค่ะ^^

🤗 🐈 มาลองเล่น Media Mix Modeling กัน

Let’s go! “MMM” เพื่อเอาไปประยุกต์ในการคาดการณ์ หรือ Forecast ยอดขาย, ประเมิน ROI จากช่องทาง Advertising ต่างๆ กันค่ะ (ถึงไม่ใช่ low code แต่ไม่ยากเกินไปแน่นอนค่ะ,,,,)

โดยตัวที่เราจะลองใช้กันจะเป็น Opensource ที่ชื่อว่า Google’s LightweightMMM รันด้วย Python นะคะ ซึ่งความพิเศษหลักๆ ของ Google’s LightweightMMM คือ Library นี้ใช้งานง่าย และถูกออกแบบมาเพื่อให้เราสามารถ Train และ Evaluate โมเดลได้อย่างรวดเร็ว และมีประสิทธิภาพ โดยที่ไม่จำเป็นต้องเข้าใจสมการทางคณิตศาสตร์ก็ได้ (แต่ถ้าเข้าใจก็จะดีนะคะ^^) อีกทั้งโมเดลนี้สามารถรองรับการวิเคราะห์ข้อมูลจากช่องทางการตลาดหลายช่องทาง

โดยสามารถใช้ Python script ตาม link นี้ => https://github.com/google/lightweight_mmm

แล้วเข้าไปที่ https://colab.research.google.com/ แล้วรันโค้ดด้วยข้อมูลของเราตามใน Github ได้เลยค่ะ 😎😄

Last but not Least..

ท้ายสุด นิกหวังเป็นอย่างยิ่งค่ะว่าหลายๆ ท่านจะได้ไอเดียในการใช้ Media Mix Modeling ไปประยุกต์ใช้กับการวิเคราะห์หาตัวเลขความสัมพันธ์ที่บอกว่า ปัจจัยทางการตลาดแบบใด หรือช่องทางการตลาดไหน ที่ส่งผลกระทบทั้งเพิ่ม และเฉยๆ กับยอดขาย เพื่อวางกลยุทธ์ทางการตลาดได้อย่างเหมาะสม และมีประสิทธิภาพสำหรับการตลาดในยุค Digital Marketing ซึ่งข้อมูลทุกอย่างมีคุณค่าเสมอ….

• Facebook
• X
• Line