Marketing mix modelling is een statistische methode om te bepalen welk deel van je omzet wordt veroorzaakt door specifieke marketinginspanningen. Je analyseert historische data over uitgaven en resultaten om de impact van verschillende kanalen te scheiden van externe factoren zoals seizoensinvloeden.
Technische werking
- Dataverzameling. Je verzamelt wekelijkse cijfers over uitgaven per kanaal en de totale verkoop. Dit gebeurt op geaggregeerd niveau, niet per individuele bezoeker.
- Variabelen definiëren. Je voegt externe factoren toe die de verkoop beïnvloeden, zoals feestdagen, het weer of prijsveranderingen van concurrenten.
- Modelbouwwerk. Met regressieanalyse zoek je naar de correlatie tussen de marketinguitgaven en de stijging in omzet over een bepaalde periode.
- Correctie voor vertraging. Je rekent uit hoeveel tijd er zit tussen een advertentie en de uiteindelijke aankoop, zodat de impact op de juiste datum valt.
- Validatie. Je test het model door een deel van de data weg te laten en te kijken of het model de resultaten van die periode correct kan voorspellen.
Belangrijke begrippen
Adstock
De nawerking van advertenties. Een klant ziet vandaag een spotje, maar koopt pas over drie dagen iets; adstock rekent die impact terug naar de oorspronkelijke investering.
Saturation curve
Het punt van verminderde meeropbrengst. Meer geld in een kanaal pompen levert niet oneindig meer omzet op, omdat de doelgroep op een gegeven moment verzadigd is.
Baseline sales
De omzet die je sowieso zou draaien als je helemaal geen marketing zou inzetten. Dit is het nulpunt waarboven je de extra groei meet.
Incremental sales
De werkelijke meerverkoop die direct toe te schrijven is aan een specifieke actie. Het verschil tussen je totale omzet en de baseline.
Multicollineariteit
Een statistisch probleem waarbij twee kanalen tegelijkertijd sterk stijgen en dalen. Het model kan dan niet meer zien welk van de twee kanalen nu echt voor de groei zorgt.
Praktijkvoorbeeld
Stel je voor dat example.nl een webshop is die verkoopt via Google Ads, Facebook en radioadvertenties. De eigenaar ziet dat de omzet in november enorm stijgt, maar weet niet of dit komt door de extra Facebook-budgetten of simpelweg omdat mensen zich voorbereiden op december.
Door data van twee jaar te gebruiken, ziet het model dat de radioadvertenties een piek veroorzaken in zoekvolume op Google, terwijl Facebook vooral zorgt voor directe verkopen van specifieke producten. De baseline laat zien dat 40% van de omzet altijd vaststaat, ongeacht de advertenties.
// Vereenvoudigd voorbeeld van een modelberekening:
Totale Omzet = Baseline + (Impact_Google * Budget_Google) + (Impact_FB * Budget_FB) + (Impact_Radio * Budget_Radio) + Seizoensfactor
Als de eigenaar nu het budget voor radio verdubbelt, kan hij via de saturation curve zien dat dit slechts 5% extra omzet oplevert, terwijl een kleine verschuiving naar Google Ads mogelijk 12% groei geeft.
Veelgemaakte fouten
- Te weinig datapunten. Met slechts vier weken aan data kun je geen betrouwbaar model bouwen; je hebt minimaal een jaar nodig om seizoenseffecten te scheiden van marketingimpact.
- Alleen naar digitale kanalen kijken. Als je offline marketing negeert, schrijft het model de impact van die radio- of tv-campagnes onterecht toe aan de digitale kanalen die de klant daarna bezoekt.
- Blind vertrouwen op correlatie. Een stijging in omzet tijdens een campagne betekent niet altijd dat de campagne de oorzaak is; het is mogelijk dat er toevallig een concurrent failliet ging.
- Het negeren van verzadiging. Denken dat een lineaire groei blijft aanhouden is gevaarlijk; op een gegeven moment bereik je iedereen in je doelgroep en kost elke extra klik exponentieel meer.
Gebruik en afwegingen
Je gebruikt deze methode als je grote budgetten over meerdere kanalen verdeelt en wilt weten waar de volgende euro het meeste rendement oplevert. Het is de enige manier om de impact van kanalen te meten die niet trackbaar zijn, zoals televisie of buitenreclame.
Je gebruikt het niet als je een kleine startup bent met weinig historische data. Zonder een stabiele basis van cijfers over een langere periode is de uitkomst van het model puur gokwerk.
Kies voor deze aanpak als privacyregels tracking op gebruikersniveau onmogelijk maken. Omdat je alleen naar totalen kijkt en niet naar individuele cookies, omzeil je alle problemen met privacy-instellingen.
Controle van de werking
- Vergelijk met historische data. Voer het model uit op data van vorig jaar en kijk of de voorspelde omzet overeenkomt met wat er daadwerkelijk is gebeurd.
- Voer een experiment uit. Zet in één specifieke regio alle advertenties stop (een Geo-lift test) en kijk of de daling in omzet overeenkomt met de voorspelling van het model.
- Check de residuele fouten. Kijk naar de verschillen tussen de voorspelde waarden en de werkelijke cijfers; als deze fouten een patroon vertonen, mist er een belangrijke variabele in je model.
- Schoon de data op. Controleer of er uitschieters zijn, zoals een eenmalige enorme B2B-order die de hele wekelijkse omzet vertekent en het model in de war brengt.
Voeg niet te veel variabelen toe, want dan wordt het model onnodig complex en neemt de betrouwbaarheid af.
Houd je model simpel door alleen de grootste kostenposten en de meest duidelijke externe factoren mee te nemen.
Zet je wekelijkse uitgaven en omzet van het afgelopen jaar in een spreadsheet om te zien of er patronen zichtbaar zijn.
