Creare un ciclo di feedback tra i test di incrementalità e i modelli di marketing mix con modelli basati su agenti

‍

Le aspettative dei dipartimenti di marketing nei confronti dei MMM si sono evolute in modo significativo negli ultimi anni. Gli inserzionisti ora richiedono:

• risultati più granulari, poiché sono disponibili più dati e vi è la reale necessità di raggiungere un livello di precisione sufficiente per consentire il processo decisionale,
• aggiornamenti più frequenti, in quanto i MMM devono supportare non solo le decisioni strategiche ma anche quelle tattiche, in particolare per quanto riguarda i canali digitali, per i quali la fine dei cookie di terze parti può essere compensata dall'uso della modellazione,
• risultati comprensibili per i team di marketing, che devono moltiplicare, far propri e fidarsi degli angoli di analisi,
• consigli frequenti sulle strategie future da attuare.

‍

Con la loro metodologia granulare, i modelli basati su agenti consentono una modellizzazione, una misurazione e un processo decisionale precisi. Tuttavia, la modellazione granulare non è priva di sforzi e di dati rilevanti. Per fornire informazioni preziose con questi approcci, la fase di calibrazione deve essere intrapresa in modo approfondito. 

‍

Sebbene gli approcci MMM classici calibrino i modelli confrontando la previsione del modello di un KPI mirato con i dati storici reali, la calibrazione ABM confronta un elenco molto lungo di metriche con le previsioni del modello. Certamente il KPI mirato (ad esempio il fatturato) sarà una di queste metriche, ma l'ABM permette di andare molto oltre. Se l'inserzionista ha un programma di fidelizzazione, possiamo integrare questa informazione nella definizione dell'agente e confrontare i risultati del modello su questa sottopopolazione di consumatori con le entrate effettive generate da questa popolazione. All'interno dello stesso modello, possiamo anche recuperare facilmente i risultati per categoria di prodotto o per segmenti di clienti. Questi sono solo alcuni esempi di calibrazione su dati storici. 

‍

Una volta calibrato, l'ABM può essere utilizzato per simulare la strategia a un livello molto granulare (geografico, segmenti di clienti, bacini di utenza, ...) per aiutare a scegliere la migliore linea d'azione possibile. Poiché tale processo decisionale è altamente strategico, i test di incrementalità sono una soluzione naturale per convalidare le conclusioni dell'ABM. Utilizzando i risultati dei test di incrementalità, si può calibrare ulteriormente l'ABM. Infatti, poiché l'ABM è altamente granulare, può facilmente simulare/replicare i test di incrementalità eseguiti allo stesso identico livello di granularità e quindi mettere a punto i suoi parametri aggiornando i parametri del modello per avvicinarsi alla realtà. Nell'approccio classico, il risultato del test di incrementalità può essere utilizzato per mettere a punto il modello, ma in misura minore, poiché il modello non può simulare allo stesso livello di granularità. Tuttavia, poiché la soluzione ABM, per sua stessa concezione, simula il comportamento del consumatore, qualsiasi calibrazione migliorerà la pertinenza a livello di consumatore e quindi il modello nel suo complesso.

‍

In conclusione, l'ABM è una soluzione naturale per mettere in produzione un MMM per il processo decisionale granulare con un miglioramento retroattivo utilizzando il test di incrementalità.