Phần mềm nguồn mở đã làm cho mô hình hóa marketing mix trở nên dễ dàng chưa?

Các gói nguồn mở và tác nhân AI đã giúp việc xây dựng mô hình hỗn hợp tiếp thị (MMM) trở nên dễ dàng, nhưng chúng không giúp việc biết liệu mô hình đó có đúng hay không trở nên dễ dàng hơn. Rào cản đã chuyển từ việc xây dựng mô hình sang giám sát nó: hiệu chỉnh nó dựa trên các thử nghiệm, so sánh các mô hình và nêu tên ai ký vào con số. Đông Nam Á, với lịch sử dữ liệu ngắn và nhiều kênh trên mỗi đồng đô la tiếp thị, có mức độ hiển thị cao nhất.

Những điểm chính

• Giờ đây, tác nhân AI có thể lấy gói nguồn mở, tải dữ liệu chi tiêu và doanh thu, đồng thời tạo ra mô hình hỗn hợp tiếp thị hoạt động mà hầu như không có nền tảng thống kê.
• Robyn (Meta) yêu cầu người dùng ít nhất, Meridian (Google) cần mã hóa khoa học dữ liệu và PyMC Marketing cần kiến ​​thức chuyên môn về Bayesian; tác nhân xóa khoảng cách thiết lập nhưng không xóa khoảng cách giải thích.
• Trong mười lăm thí nghiệm quảng cáo lớn do Gordon, Zettelmeyer, Bhargava và Chapsky nghiên cứu, các phương pháp quan sát đã sai lệch gấp ba lần hoặc hơn trong khoảng một nửa số nghiên cứu.
• Các mô hình thường phá vỡ dữ liệu trước khi bắt đầu lập mô hình: giới thiệu trợ lý AI không có người giới thiệu, xây dựng thương hiệu không phải trả tiền và thông tin đầu vào về đối thủ và đối thủ cạnh tranh cũ.
• Giám sát có nghĩa là hiệu chỉnh các thử nghiệm, coi sự bất đồng giữa các mô hình như một phát hiện và nêu tên người ký vào con số.

Điều gì đã thay đổi trong mô hình marketing mix?

Xây dựng mô hình marketing mix đã trở thành việc mà hầu như ai cũng có thể làm được. Việc biết liệu mô hình đó có nói thật hay không vẫn còn rất hiếm. AdExchanger gần đây đã đề cập đến sự phát triển của mô hình kết hợp tiếp thị nguồn mở, đặt nhãn OS MMM trong quá trình phát triển và sự phấn khích đằng sau tác phẩm là có thật. Nó chỉ không được chỉ vào thành tích phù hợp.

Julian Runge tại Trường Medill của Northwestern đã đưa ra một phiên bản của lập luận này đáng được chú ý nhiều hơn. Giờ đây, tác nhân AI có thể được nhắc kéo gói mô hình nguồn mở, tải dữ liệu chi tiêu và doanh thu của khách hàng, đồng thời tạo ra một mô hình hỗn hợp tiếp thị hoạt động mà hầu như không cần nền tảng thống kê. Bất kỳ ai đã trả cho công ty tư vấn sáu con số và chờ đợi một phần tư để có câu trả lời cho một câu hỏi đơn giản như kênh nào đang thực sự hoạt động nên tạm dừng việc đó một lát.

Sau đó là phần lập luận không được truyền tải tốt trong một slide tóm tắt. Những gì trở nên rẻ là hành động sản xuất một mô hình. Những gì vẫn có giá chính xác như những gì nó luôn có giá là đúng về một thứ.

Phần nào của mô hình hỗn hợp tiếp thị thực sự rẻ hơn?

Runge và Koen Pauwels đã xuất bản một so sánh thực tế về các gói nguồn mở chính trong năm nay và nó rõ ràng một cách bất thường về những gì mỗi gói yêu cầu. Robyn, do Meta xây dựng, kết hợp hồi quy sườn núi với quy trình tìm kiếm tiến hóa. Nó yêu cầu ít người dùng nhất và có thể trả về một mô hình hoạt động trong vòng chưa đầy một ngày. Meridian của Google mong đợi khả năng mã hóa khoa học dữ liệu thực sự. PyMC Marketing yêu cầu kiến ​​thức chuyên môn Bayesian đích thực và thường mất vài tuần để hoạt động bình thường.

Tác nhân AI sẽ xóa khoảng cách thiết lập giữa ba công cụ này. Nó không làm gì để xóa bỏ khoảng cách giải thích. Nếu có bất cứ điều gì thì nó sẽ mở rộng nó, bởi vì bây giờ cả ba cách tiếp cận đều có thể tạo ra một biểu đồ trông có vẻ tự tin vào cuối tuần và mọi biểu đồ trong số đó đều trông đáng tin cậy như nhau trên một trang trình bày.

Tại sao bạn không thể tin tưởng vào kết quả đầu ra của mô hình?

Hình ảnh kịch bản. Một đại lý đã chạy qua đêm và một bộ bài sạch sẽ đang nằm trong hộp thư đến vào buổi sáng. Một kênh quay lại báo cáo lợi tức chi tiêu quảng cáo là 4.1. Tìm kiếm thương hiệu quay trở lại tại 0.9. Ai đó trong phòng muốn phân bổ lại ngân sách vào cuối tuần và hỏi một câu thực sự quan trọng. Con số đó có đúng không?

Không ai trong phòng có thể trả lời điều đó chỉ từ đầu ra, bởi vì đầu ra không đưa ra dấu hiệu nào về độ tin cậy của chính nó.

Quy mô của những gì có thể xảy ra ở đây không phải là mới. Các nhà nghiên cứu Gordon, Zettelmeyer, Bhargava và Chapsky đã tiến hành mười lăm thử nghiệm quảng cáo quy mô lớn bao gồm khoảng nửa tỷ quan sát thử nghiệm của người dùng và hơn một tỷ rưỡi lần hiển thị, sau đó so sánh kết quả với các phương pháp quan sát mà ngành thường dựa vào. Trong khoảng một nửa số nghiên cứu, mức tăng ước tính bị sai lệch gấp ba lần trở lên. Một chiến dịch có mức tăng thực sự khoảng 2% được ước tính bằng các phương pháp quan sát ở mức hơn 3.000%. Một chiến dịch khác có mức tăng thực sự gần 70% đã thu về ước tính gấp hơn 4 lần con số đó.

Nghiên cứu đó đã được vài năm rồi. Không có gì về AI tác nhân thay đổi được vấn đề tiềm ẩn mà nó đã phát hiện ra. Một quy trình nhanh hơn chạy trên cùng một dữ liệu quan sát sẽ tạo ra cùng một sai lệch. Đơn giản là nó sẽ thực hiện điều đó sớm hơn và có định dạng tốt hơn.

Các mô hình hỗn hợp tiếp thị bị hỏng ở đâu trước khi bắt đầu mô hình hóa?

Hầu hết kết quả mô hình hóa hỗn hợp tiếp thị kém không thực sự là một thất bại của mô hình. Đó là một lỗi dữ liệu mà mô hình sau đó trình bày với độ tin cậy không thể đạt được.

Bắt đầu với các kênh mà mô hình không thể nhìn thấy được. Nếu khách hàng hỏi trợ lý AI như ChatGPT hoặc Perplexity nên mua sản phẩm nào và đến một trang web không có người giới thiệu đính kèm, thì lưu lượng truy cập đó đơn giản là không có cột trong tập dữ liệu. Mô hình này sẽ xếp nó vào nhu cầu cơ bản hoặc âm thầm ghi nhận nó cho bất kỳ chiến dịch nào đang diễn ra gần đó. Điều này đã hiển thị trong dữ liệu. Touchigh, công ty hoạt động về tối ưu hóa công cụ tạo sinh cho người bán xuyên biên giới thâm nhập thị trường Hoa Kỳ, đã báo cáo lưu lượng truy cập giới thiệu AI tăng gần 700% trong mùa nghỉ lễ gần đây nhất, với tỷ lệ chuyển đổi từ giới thiệu trợ lý AI cao hơn mức trung bình của trang web từ 30 đến 40%. Các số liệu chính xác thuộc về một nghiên cứu đó. Điểm cấu trúc thì không. Một kênh đang phát triển với tốc độ gần như vậy và hoàn toàn không có trong tập dữ liệu, là lỗi đặc tả chứ không phải lỗi làm tròn.

Sau đó là dòng chi tiêu không bao giờ xuất hiện. Người sáng lập xuất bản, quyền hạn danh mục được xây dựng dần dần theo thời gian, thói quen lâu dài không phải trả tiền chỉ đơn giản là hiển thị nhất quán trong cuộc trò chuyện của danh mục. Không điều nào trong số đó gây ra chi phí truyền thông, không điều nào trong số đó tạo ra sự bùng nổ rõ ràng và hiệu ứng của nó thường xuất hiện sau một hoặc hai quý, đó chính xác là tình trạng mà một mô hình hỗn hợp tiếp thị xử lý tồi tệ nhất. Nó bị cuốn vào xu hướng và biến mất hoàn toàn khỏi phân tích.

Và sau đó là thất bại ít hào nhoáng nhất. Chất lượng đầu vào. Một mô hình có một bức tranh mỏng manh, lỗi thời về các đối thủ cạnh tranh và hành vi của khán giả sẽ tự tin phân bổ ngân sách cho một thị trường không còn tồn tại. Có một trường hợp được ghi lại liên quan đến Mothercare Singapore đã cắt giảm 80% thời gian dành cho nghiên cứu đối tượng, giải phóng hơn 25 giờ một tuần, đồng thời theo dõi hơn 4 nghìn quảng cáo kỹ thuật số hàng năm trong danh mục của nó. Con số thực sự thú vị ở đó không tiết kiệm được thời gian. Đó là bức tranh thị trường cung cấp cho mọi mô hình hạ nguồn đã trở thành hiện tại thay vì cũ kỹ một phần tư.

Chuyên môn về người mẫu bây giờ đi đâu?

Nó không biến mất. Nó chuyển từ xây dựng mô hình sang giám sát nó. Có ba điều cần khắc phục trước khi chạy mô hình tiếp theo.

Hiệu chỉnh theo thử nghiệm hơn là chống lại bản năng. Meridian và PyMC Marketing đều cho phép nhập kết quả thử nghiệm dưới dạng ưu tiên Bayesian. Robyn hiệu chỉnh thông qua quy trình tối ưu hóa đa mục tiêu của mình, mà Runge và Pauwels đặc biệt gắn cờ là ít được hiểu rõ hơn và ít được kiểm tra nghiêm ngặt hơn nhiều. Google đã giới thiệu cụ thể Meridian GeoX vào tháng 5 2026 để các thử nghiệm địa lý có thể neo trực tiếp một mô hình thay vì đặt cạnh nó như một bài tập riêng biệt.

Hãy coi sự bất đồng giữa các mô hình như một phát hiện tự thân. Việc chạy hai gói khác nhau trên cùng một tập dữ liệu và xem chúng không đồng nhất theo thứ tự cường độ trên một kênh sẽ dạy điều gì đó thực tế về mức độ yếu của kênh đó trong dữ liệu. Hầu hết các nhóm đều chạy chính xác một mô hình và không bao giờ phát hiện ra điều này.

Nêu tên người ký tên vào số đó. Trước khi bất kỳ con số nào đi đến quyết định về ngân sách trực tiếp, ai đó cần phải chịu rủi ro mắc sai lầm về nó. Đây là điều khiển duy nhất mà hầu hết các đội lặng lẽ bỏ qua.

Lớp giám sát đó phải tồn tại ở đâu đó và đối với một cơ quan nhỏ hơn hoặc độc lập, nó thường không tồn tại ở đâu cả, đơn giản vì không có băng ghế phân tích chuyên dụng để tiếp nhận công việc. Khoảng cách đó là một phần lý do khiến các công cụ được xây dựng để cung cấp cho các cửa hàng nhỏ hơn lớp thông minh và tự động hóa của một mạng lớn hơn trở nên phù hợp hiện nay. Thời gian tiết kiệm được khi báo cáo chỉ tạo ra giá trị nếu nó được tái đầu tư vào việc đánh giá thay vì dành cho việc báo cáo nhiều hơn.

Vì sao vùng đất này cứng nhất Đông Nam Á?

Đông Nam Á được hưởng lợi nhiều nhất từ ​​các công cụ lập mô hình miễn phí và chịu nhiều rủi ro nhất khi những công cụ đó được sử dụng mà không có sự giám sát thích hợp. Lịch sử dữ liệu có xu hướng ngắn hơn. Số lượng kênh trên mỗi đô la tiếp thị có xu hướng cao hơn, bao gồm TikTok Shop, Shopee, Lazada, Meta, vị trí Grab và cộng đồng WhatsApp, thường tất cả đều nằm trong một chiến dịch. Ít thị trường hơn đủ lớn để hỗ trợ thử nghiệm nắm giữ thực sự rõ ràng. Một thương hiệu khu vực có thể dễ dàng có nhiều cột kênh hơn trong tập dữ liệu của mình so với số tuần lịch sử rõ ràng đằng sau nó, đó chính xác là điều kiện mà theo đó mô hình hỗn hợp tiếp thị sẽ vui vẻ trả về câu trả lời chính xác, ổn định và sai.

Quyền truy cập miễn phí vào các công cụ này rõ ràng là một tin tốt. Điều đi kèm với khả năng tiếp cận đó là khoảng cách ngắn hơn nhiều giữa một giả định xấu và ngân sách đã được phân bổ lại dựa trên sức mạnh của nó.

Vì vậy, trước khi chạy mô hình tiếp theo, câu hỏi đáng đặt ra trong bất kỳ tổ chức nào đều rất đơn giản. Ai sẽ chịu trách nhiệm nếu câu trả lời sai?

SOMIN phù hợp với điều này ở đâu?

Khoảng cách mà bài viết này mô tả không thực sự là một khoảng cách về mô hình. Đó là một khoảng cách thông minh, khoảng cách giữa một biểu đồ có vẻ tự tin và một biểu đồ đã thực sự được kiểm tra về cách hành xử của mọi người trong thị trường. SOMIN được xây dựng xung quanh việc đóng không gian chính xác đó. Nghiên cứu quan điểm và theo dõi thương hiệu của SoMonitor tồn tại để giữ cho hình ảnh của khán giả bên dưới bất kỳ mô hình nào hiện tại thay vì cũ một phần tư, trong khi quan hệ đối tác SODA và GWI cung cấp cho các nhóm cách để kiểm tra những gì một mô hình đang tuyên bố dựa trên tín hiệu của người tiêu dùng thực sự trước khi con số đó đạt đến quyết định ngân sách. Các công cụ để xây dựng mô hình hỗn hợp tiếp thị đã trở nên dễ tiếp cận hơn nhiều. Phán quyết cần thiết để tin tưởng một người thì không, và đó là phần SOMIN được xây dựng để hỗ trợ.

FAQ

Bài viết liên quan

• Vì sao chiến lược go-to-market của bạn đang thất bại, và cách khắc phục?
• Bạn nên làm gì khi người mua nói giá của bạn quá cao?
• Khoảng trống marketing là gì, và tìm nó như thế nào trong một ngành hàng đông đúc?
• Thuật ngữ thông tin tiếp thị: 57 thuật ngữ chính