Začíná další MeasureCamp sezóna. Jak to vypadalo loni v Bratislavě?

• Dominik Jirotka


• 11 Bře 2024

Nová sezóna MeasureCampů pomalu začíná. Pokud zvažujete, zda se letos na některý podíváte, přečtěte si, jak proběhl loňský ročník v Bratislavě. Sepsal jsem pro vás postřehy, které jsem načerpal. A že je toho plno! Na akci mě nejvíc překvapila komunita, která se kolem (nejen) webové analytiky vytvořila. Nabízí prostor pro nové kontakty a zajímavý networking.

Tučňáčí analytický tým nemohl jinak, než do programu přispět svými přednáškami. Tomáš si vzal na starosti diskuzi o vzdělávání juniorních analytiků a Adam se věnoval své oblíbené inkrementalitě. Přednášky si nachystáme i na letošní ročník, takže se máte na co těšit!

Konference je specifická ve vytváření obsahu účastníky přímo na místě. Vyslechl jsem erudované přednášky o současných i budoucích nástrojích a postupech, zúčastnit se meditačních setkání, diskuzí či tvorby vlastního rodokmenu.

Marketing Mix Modeling – nová budoucnost?

Mnoho přednášek směřovalo k Marketing Mix Modelingu (zkráceně MMM). Hovořili o jeho možné použitelnosti, výhodách, nevýhodách, ale i možnostech navázání na služby třetích stran či externí řešení. Osobně jsem se zúčastnil přednášky od Marka Kobulského, Tomáše Putnokého a Zuzany Čepcové.

MMM pro začátečníky

Marek Kobulský představil koncept MMM od základů, takže do problematiky mohl proniknout i úplný nováček. Zdůrazňoval především perfektní znalost reklamních kanálů. Musíme vědět:

• Jaké placené a neplacené kanály máme
• Kolik nás který kanál stojí
• Baseline revenue
• Kontextuální proměnné (počasí, inflace, nezaměstnanost atd.)
• Kategorické proměnné (black friday, black swan události atd.)

Vhodné je začínat modelování pouze s nastavením kanálů a nezahrnovat kontextuální proměnné. Model totiž může dát neúměrnou váhu, výsledek tak bude zkreslený a nepřesný.

S perfektní znalostí našich dat a kampaní souvisí i povědomí, co jaký kanál dělá a jak se chová. Pokud například zjistíme, že některý silně koreluje s celkovými příjmy, jedná se pravděpodobně o remarketing.

MMM rovněž nepracuje dobře s negativními efekty, ktere je potřeba otočit na pozitivní.

K MMM můžeme využít experimentální modely od Mety nebo Googlu, které ale musíme dobře nastavit, a také do nich nahrát správná data. Každý z kanálů pracuje na jiné architektuře – Meta používá jazyk R a Google běží na Pythonu. Robyn (Meta) je složitější a náročnější na výpočetní výkon. Hodí se na hloubkové a složité analýzy. LightweightMMM (Google) je jednodušší a přístupnější i pro méně technicky zdatné. Jednoduchost je ale vykoupena nižší mírou customizace a použitelnosti.

Marek se věnoval i porovnání MMM s atribučním modelováním. Jako nevýhodu u MMM vidí složitější a komplexnější modely, výhodou naopak existenci baseline, možnost modelování offline kanálů a pohled do budoucnosti. Oproti atribuci je MMM vhodný na dlouhodobé plánování v rámci měsíců.

Pozornost věnoval i složité implementaci do marketingových týmů, protože MMM a inkrementalita ukazují, co dělal celou dobu marketingový tým špatně.

Technický pohled na MMM

Tomáš Putnoký a Zuzana Čepcová zmínili technický pohled a navrhli konkrétní řešení MMM. Přednášku zahájili informací, že až polovina utracených peněz za marketing je zbytečná, protože jsou kampaně neefektivní. MMM je aktuální téma, které šetří firmám peníze.

MMM se dá přirovnat k analýze fotbalového zápasu – jednotlivé reklamní kanály mezi sebou hrají fotbal a MMM analyzuje, kdo dal nejvíce gólů, přihrávek a v konečném důsledku, kdo byl nejlepším hráčem na hřišti.

Celá přednáška by se dala shrnout do několika bodů:

• Konverze z kanálů chodí opožděně (každá kampaň má svoji setrvačnost)
• Na pozadí MMM běží složitý statistický model
• Velmi důležitý je sběr dat, jejich příprava a validace
• Je potřeba nastavit správný split mezi kanály – potřebujeme minimálně 100 konverzí v rámci každého kanálu a velikost jednotlivých kanálu by měla být mezi 5 – 30 %
• Nedostatek konverzí můžeme suplovat např. leady
• Každý reklamní kanál má svoji saturaci – při plném saturování kanálu se snižuje výkonnost

Jakmile je vše připravené a nastavené, výstupem MMM by mělo být několik modelů. Našim úkolem je porovnat, který model je nejvhodnější. Když se od sebe jednotlivé modely liší o vyšší jednotky, či dokonce desítky procent, přichází na řadu inkrementalita, která celé modelování zpřesňuje. Lze ji používat v celém procesu modelování, jen tak totiž dosáhneme přesných výsledků. Pro celý MMM je proto klíčová.

Pro správné fungování MMM potřebujeme perfektně znát data, kampaně a především business – bez těchto základních znalostí nebude fungovat sebelepší model.

Tomášova premiéra – přístup k juniorům v procesu vzdělávání

I pro mého kolegu Tomáše se jednalo o první MeasureCamp. O to víc je obdivuhodné, že se rozhodl uspořádat diskuzi, ve které se věnoval přístupu k juniorům v prostředí webové analytiky. Diskuze se zúčastnili junioři, medioři, ale i senioři. Každý měl co říct a přidat zkušenosti a poznatky do diskuze.

V plodné rozpravě jsme se všichni shodli, že je pro juniory přínosný mentoring. Nováček se tak učí sám, prozkoumává nové cesty a možnosti. Mentor působí jako ukazetel směru a dává podněty k dalšímů zkoumání a učení se.

Marek Lecián měl dobrou poznámku o potřebě pracovního volna, ve kterém se junior sebevzdělává. I když je v oboru webové analytiky velmi dlouho, nechává si pondělí a pátek na učení.

Junior musí být samostatný. Nejhorším přístupem (především v agenturách) je, když se nováček nepokusí úkol ani vyřešit a hned si žádá pomoc od staršího kolegy. Právě vlastním objevováním se naučíme nejvíc.

Po práci zábava

Po akci jsme v klasické bratislavské hospodě jsme zapili úspěšný den a bavili se nejen o analytických věcech. Shodli jsme se, že další rok se opět sejdeme na značkách, ať už se bude jubilejní MeasureCamp konat v Praze či v Brně. A třeba se potkáme i na dalších konferencích o analytice!