4. Vad som krävs för att lyckas med MMM

Kundcasen visar att MMM kan skapa värde på flera olika sätt, men också att värdet inte uppstår av modellen ensam. För att en Marketing Mix Model ska bli robust, trovärdig och användbar krävs rätt förutsättningar runt omkring modellen: relevant data, en tillräckligt heltäckande bild av mediemixen, rätt kompetenser och en organisation som är redo att agera på insikterna.

4.1 Budget och mediemix

En bra MMM bygger på en så komplett bild som möjligt av hur verksamheten och marknadsföringen har utvecklats över tid. Det innebär att modellen behöver spegla hur investeringarna faktiskt har fördelats mellan olika kanaler, underkanaler, kampanjer och taktiska aktiviteter.

Utöver själva mediespenden behöver modellen också tillgång till aktivitetsdata. Beroende på kanal kan det handla om impressions, klick, GRP:er, räckvidd, frekvens eller andra relevanta mått som beskriver vilken exponering marknadsföringen faktiskt har skapat.

För att få en helhetsbild bör hela mediemixen inkluderas. Det gäller både offlinekanaler som TV, radio, print och OOH, och digitala kanaler som search, social, display och video. Där det är relevant bör även egna och förtjänade kanaler inkluderas, till exempel CRM-utskick, organisk trafik och varumärkessökningar.

Det är också viktigt att modellen inte bara speglar media, utan den bredare affärskontexten. Kampanjer, rabatter, prissättning, distribution, produktlanseringar och konkurrenters aktiviteter kan alla påverka resultatet och behöver därför dokumenteras på ett sätt som gör dem möjliga att inkludera i modellen.

4.2 Datakrav och datakvalitet

MMM bygger på tidsseriedata, där veckodata ofta är standard. Daglig data kan ge högre precision, men ställer också högre krav på datakvalitet, konsekvens och tillgänglighet.

En vanlig utgångspunkt är att modellen behöver minst två till tre år av historisk och konsekvent data. Det gör det möjligt att fånga säsongsmönster, variationer i efterfrågan och mer långsiktiga effekter av marknadsföringen.

Först behöver man tydligt definiera vilken affärs-KPI modellen ska förklara. Det kan till exempel vara försäljning, intäkter, konverteringar, appinstallationer eller abonnemang. Därefter behöver marknadsföringsdata, affärsdata och övriga förklarande variabler struktureras på samma tidsnivå och med jämförbara definitioner.

För att isolera effekten av marknadsföringen krävs också kontrollvariabler. Det kan handla om säsongsvariationer, helgdagar, väder, lönehelger, prisförändringar, distribution, konkurrentaktivitet och bredare ekonomiska indikatorer som inflation eller konsumentförtroende.

Datakvalitet är en avgörande framgångsfaktor. Datan behöver vara komplett, konsekvent och jämförbar över tid och mellan källor. Det kräver tydliga definitioner, dokumentation, versionshantering och ansvar för datastyrning. Utan en gemensam förståelse för vad olika variabler betyder riskerar modellen att bygga på osäkra eller inkonsekventa antaganden.

4.3 Kompetenser som krävs

För att omsätta datan i en trovärdig och användbar modell krävs flera kompetenser som arbetar tillsammans.

Data scientists och ekonometriker står för den analytiska kärnan. De behöver kompetens inom exempelvis tidsserieanalys, Bayesiansk modellering och hierarkiska modeller, ofta med stöd av moderna MMM-ramverk som Robyn, LightweightMMM eller PyMC.

Datatekniker och analytiker säkerställer att datan finns tillgänglig i rätt format. De bygger pipelines, strukturerar datan och ansvarar för kvalitetssäkring, så att modellen kan uppdateras och utvecklas över tid.

Minst lika viktig är den affärsnära kompetensen. Marknadsstrateger, mediespecialister och konsulter behövs för att tolka resultaten, översätta dem till konkreta rekommendationer och stötta beslut om hur budgetar bör omfördelas.

Slutligen krävs förmåga att visualisera och kommunicera resultaten. MMM-resultat är ofta komplexa och behöver göras begripliga för marknads-, planerings- och ledningsteam för att kunna påverka faktiska beslut.

4.4 Organisatoriskt åtagande

MMM skapar inte värde enbart genom att modellen byggs. Värdet uppstår först när organisationen är beredd att använda insikterna i planering och beslutsfattande.

Det kräver ett tydligt stöd från ledningen och en gemensam förståelse för vilken roll MMM ska spela. Det kräver också ett nära samarbete mellan funktioner som marknad, media, strategi, finans och data.

För att modellen ska vara relevant över tid behöver datan uppdateras löpande, ofta månadsvis eller kvartalsvis. På så sätt kan MMM bli en del av ett kontinuerligt optimeringsarbete snarare än en engångsanalys.

Det behövs också en tydlig beslutsrytm, där insikter från modellen regelbundet diskuteras och omsätts i justeringar av investeringar, både under året och i den årliga planeringen.

MMM bör dessutom kombineras med ett test-och-lärande-arbetssätt. Modellen kan visa riktning och prioritera hypoteser, medan experiment, till exempel geografiska tester eller A/B-tester, kan användas för att validera och förfina rekommendationerna.

I grunden handlar det om förändringsledning. Att gå från ett arbetssätt där budgeten ofta baseras på föregående år till ett mer evidensbaserat beslutsfattande kan vara en stor omställning. Men det är också där den verkliga potentialen med MMM finns.

4.5 Sammanfattning: vad behöver vara på plats?

För att lyckas med MMM behöver organisationen säkerställa att följande finns på plats: