Marketing Mix Modeling in Lemonade

要約

マーケティング・ミックス・モデリング（MMM）は、マーケティング・キャンペーンの効果を評価し、マーケティング戦略を最適化するために広く用いられている手法である。ベイズMMMは、事前情報の組み込み、不確実性の定量化、確率的予測を可能にする高度なアプローチである(1)。本稿では、オンライン保険会社LemonadeのベイズMMMモデルを構築するプロセスについて述べる。我々はまず、オンライン広告、ソーシャルメディア、ブランド・マーケティングといったLemonadeのマーケティング活動に関するデータと、パフォーマンス・データを収集した。次に、ベイズのフレームワークを使用して、季節性、市場動向、マクロ経済指標などの様々な要因を考慮しながら、各マーケティング・チャネルの総パフォーマンスへの寄与度を推定した。モデルを検証するために、A/Bテストやスライディング・ウィンドウ・ホールドアウト・データから得られた実際のパフォーマンス・データと予測値を比較した(2)。その結果、予測された各マーケティング・チャネルの貢献度は、A/Bテストのパフォーマンスと一致しており、実行可能であることが示された。さらに、さまざまな仮定に対するモデルの感度をテストし、マーケティング・ミックスの変化が売上に与える影響を評価するために、凸最適化を使用して複数のシナリオ分析を実施した。モデルから得られた洞察により、レモネードはマーケティング戦略を調整し、より効果的に予算を配分することができました。我々のケーススタディは、レモネードのようなデータ駆動型企業において、マーケティングのアトリビューションと最適化のためにベイズMMMを使用することの利点を実証している。このアプローチは柔軟で解釈しやすく、意思決定のための貴重な洞察を提供することができる。

要約(オリジナル)

Marketing mix modeling (MMM) is a widely used method to assess the effectiveness of marketing campaigns and optimize marketing strategies. Bayesian MMM is an advanced approach that allows for the incorporation of prior information, uncertainty quantification, and probabilistic predictions (1). In this paper, we describe the process of building a Bayesian MMM model for the online insurance company Lemonade. We first collected data on Lemonade’s marketing activities, such as online advertising, social media, and brand marketing, as well as performance data. We then used a Bayesian framework to estimate the contribution of each marketing channel on total performance, while accounting for various factors such as seasonality, market trends, and macroeconomic indicators. To validate the model, we compared its predictions with the actual performance data from A/B-testing and sliding window holdout data (2). The results showed that the predicted contribution of each marketing channel is aligned with A/B test performance and is actionable. Furthermore, we conducted several scenario analyses using convex optimization to test the sensitivity of the model to different assumptions and to evaluate the impact of changes in the marketing mix on sales. The insights gained from the model allowed Lemonade to adjust their marketing strategy and allocate their budget more effectively. Our case study demonstrates the benefits of using Bayesian MMM for marketing attribution and optimization in a data-driven company like Lemonade. The approach is flexible, interpretable, and can provide valuable insights for decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL