ジョン・レッドマン氏は、すべてのマーケティングとeコマースのデータを1か所に集約するAI搭載マーケティングプラットフォームASK BOSCOのCEOである。
サードパーティクッキーがデジタルマーケティングにおける影響力を失い、プライバシー規制が強化される中、マーケターはデータを失ったわけではない。失ったのは自信である。かつて明確性を約束した決定論的アトリビューションモデルは、今や断片化し、遅延し、あるいはプラットフォームの壁の中に閉じ込められている。データは依然として存在するが、測定と照合が困難になり、信頼が損なわれた。
グーグルはChromeにおけるサードパーティクッキーの完全廃止計画を中止し、代わりにユーザー選択モデルを採用したが、シグナルはすでに大幅に減少している。SafariとFirefoxはデフォルトでクッキーをブロックしている。グーグルの立場に関係なく、プライバシーファーストのブラウジングへの傾向は続いている。
サードパーティクッキーは、マーケティング効率を追求するために個人のプライバシーに関する懸念を回避する。さらに悪いことに、それらはすべての問題を解決すると主張する決定論的アトリビューションモデルに貢献した。
マーケターは今、アトリビューションがプロセスの一部に過ぎないことに気づいている。日々の迅速で戦術的な意思決定に使用できるが、マーケティング・ミックス・モデリング（MMM）や実験などの信頼できる測定モデルと組み合わせて初めて、必要な実用的インサイトが得られる。
アイデンティティなしでアトリビューションモデルが苦戦する理由
決定論的アトリビューションモデルは理想的なソリューションのように見えた。ユーザーがタッチポイントに到達したタイミングを示し、これらのタッチポイントのどれがコンバージョンを引き起こすかを教えてくれるはずだった。ユーザーが広告を見たことは示すが、それがどのように影響を与えたかは教えてくれない。ユーザー行動と付随的価値の確実性を提示するが、実際には確実とは程遠い。今やシグナルが失われ、幻想は打ち砕かれた。
サードパーティクッキーからの移行だけが原因ではない。2021年に開始されたアップルのApp Tracking Transparencyフレームワークは、アプリが他社のアプリ間でユーザーを追跡する前に許可を求めることを要求している。初期データによると、米国のユーザーは96%の確率で追跡をオプトアウトしており、広告主がターゲティングと測定に依存していたユーザーレベルのデータを奪っている。
もちろん、ギャップを埋めるのに役立つ方法や技術はある。クリーンルームを使用すると、広告主とプラットフォームがユーザーデータを匿名かつ安全に共有し、データプライバシーを損なうことなくインサイトを得ることができる。機械学習へのアクセスが増えることで、モデル化されたコンバージョンを作成してユーザー行動を推測し、パターンを学習することもできる。しかし、これらは部分的なソリューションに過ぎない。どちらもプラットフォームのロジックに制約され、使用しているプラットフォームによって課される規則に基づく仮定と制限がある。どちらもビジネスの現実に合わせて調整されていない。
現代のMMMがどのように変化したか
MMMはアトリビューションモデルと比較すると限定的に見えるかもしれないが、そのシンプルさこそが機能する理由である。売上とコンバージョンという成果に基づいてマーケティングの影響を評価する。個人データに依存しないという意味で、不確実性を前提に設計されている。集約データを使用し、各チャネルの成果を見て、その価値について論理的な仮定を立てる。インクリメンタリティに焦点を当て、実施していることのオフライン、ブランド、長期的な効果を捉える。プライバシーファーストの環境において、MMMは回避策ではなく、新しいルールに構造的に適合している。
MMMはかつて大企業専用だったが、MetaのRobynやグーグルのMeridianなどの機械学習駆動型オープンソースプラットフォームの導入により、すべてが変わった。はるかに高速になり、データとモデリングのより定期的な更新が可能になった。
また、より自動化されており、ベイズ統計と機械学習を使用して小規模なデータセットとより高速なフィードバックループを処理し、「読み取り」時間を数か月から数週間に短縮している。自動的に分析と再トレーニングを行うことで、モデルは時間の経過とともにより機敏で多用途になり、何が機能し、何が機能していないかを学習しながら改善される。
MMMを効果的に使用する方法
他のモデルと同様に、MMMは万能薬ではない。機能させるには、実験とクリエイティブテストが鍵となる。MMMの真の価値は、意思決定者が行った変更の下流への影響を確認できることである。たとえば、YouTubeをオフにすると、検索ボリュームは減少するか。ユーザーレベルで測定する決定論的アトリビューションモデルは「いいえ」と答えるが、それはタッチポイントのみを見ているからである。一方、MMMはチャネル全体を見て、YouTubeへの支出の減少と、それが検索需要にどのように影響したかとの関連性を確認する。
MMMを測定に統合することはプロセスである。ビジネスの現実に合わせて調整する前に、テストする必要がある。どのモデルも、現実に「強制的に」一致させるまでは単なる推測に過ぎない。MMMを調整するには、リフトテストを実行してマーケティングの影響を判断する。たとえば、ある地域でFacebookへの支出を停止して売上がどうなるかを確認し、その結果に合わせてモデルを強制的に調整する。
新しい測定スタック
最終的に、MMMの価値はデータの規律、思慮深い解釈、他の測定アプローチとの統合に依存する。従来のMMMはアナリストの高価で信頼性の低い意見に依存していたが、現在はすべての人が利用でき、学習されたパラメータに基づいている。機械学習により、モデルがドリフトし始めて精度が低下すると、変更が加えられるため、顧客行動や季節性に対応できる。しかし、単独では機能しない。新しい測定スタックが必要である。
• 予算配分のためのMMM：大局的に考える。MMMは、資金をどのように、どこに使うかを理解するのに役立つ。クロスチャネルレベルで予算を増減させる影響を見る。反応的ではなく、プロアクティブである。
• ペーシングのためのアトリビューション：アトリビューションを使用して、短期的な質問に答える。クリエイティブの変更によってアクションあたりのコストはどのように影響を受けたか。クリエイティブの影響は衰え始めたか。アトリビューションは、支出のペースを決定し、進行中に変更を加えるのに役立つ。
• 検証のためのリフトスタディ：リフトスタディによる実験は、モデルを検証し、実際に起こっていることに適応させるのに役立つ。テストを行うほど、モデルは向上する。
クッキーレス時代は、監視ベースのマーケティングからの広範な移行を示しており、それに伴いMMMのようなモデルへの回帰を示している。オープンソースツールがこの移行をアクセス可能にし、戦略的マーケターに真の戦略的財務決定を行うためのツールを提供している。
MMMは一部の人にとって静かに復活しているかもしれないが、多くの人にとっては決して時代遅れになることはなかった。
