Pazarlama Karması Modelleme (MMM) Aracı

Pazarlama karması modelleme nedir, bu araç ne yapar?

Pazarlama karması modelleme (MMM), haftalık harcamanızla haftalık sonucunuzu karşılaştırıp her kanalın sonuca ne kadar katkı yaptığını istatistikle tahmin eden yöntemdir. Tıklama ya da kullanıcı düzeyinde kayıt gerekmez. Her haftanın toplam harcaması ve toplam geliri (ya da dönüşümü) yeter. Bu araç aynı mantığı kod yazmadan çalıştıran hafif bir pazarlama karması modelleme sürümüdür.

Haftalık veriyi yapıştırırsınız, araç şu çıktıları üretir:

• Kanal katkısı ve payı: her kanalın sonuca eklediği miktar.
• ROI ve marjinal ROI: ortalama getiri ile bir sonraki birimin getirisi.
• Taşıma ve doyma: etkinin kaç hafta sürdüğü ve harcama arttıkça getirinin nasıl düştüğü.
• Bütçe dağılımı: aynı toplam bütçeyle daha iyi bir kanal dengesi.

Önemli bir uyarı: sonuçlar yön gösterir, hüküm vermez. Araç tam bir Bayesçi modelin yerini tutmaz ve çıktıları artış testleriyle doğrulamanız gerekir. Çıktıyı kampanya ayarlarına çevirmek isterseniz Google Ads yönetimi hizmetimiz bu aşamada devreye girer.

Çerezsiz ölçüm çağında pazarlama karması modelleme neden geri döndü?

Kullanıcı düzeyinde izleme zayıfladıkça tıklama tabanlı ölçüm eksik kalıyor. Tarayıcı kısıtları, uygulamalardaki izleme izni ve onay bannerlarına verilen ret oranı atıf verisinde boşluk açıyor. MMM bu soruna başka bir yoldan yaklaşır, çünkü kişisel veri kullanmaz. Yalnızca toplulaştırılmış bir haftalık tablo ister.

Büyük platformlar da bu yöne döndü. Google, açık kaynaklı Meridian modelini 29 Ocak 2025'te herkese açtı. Duyuruya göre Meridian Bayesçi nedensel çıkarım kullanıyor, deney sonuçlarını öncül bilgi olarak alabiliyor ve erişim ile sıklığı hesaba katıyor. Meta ise açık kaynaklı Robyn paketini sunuyor; Robyn ridge regresyon, Prophet ve Nevergrad ile model arıyor.

İkisinin de bir bedeli var: kod, kurulum ve veri bilimi bilgisi isterler. Ekibinizde bu beceri yoksa ilk bakış hiç gelmeyebilir. Bu araç tam bu boşluğa oturur. Önce hızlı bir fikir verir, ardından Meridian ya da Robyn'e geçmeye değip değmeyeceğine siz karar verirsiniz.

Tıklama tabanlı tarafı da unutmayın. Atıf modeli karşılaştırma aracı kanal sırasını gösterir, MMM ise toplam katkıyı. Atıf penceresi ayarlarını Meta ilişkilendirme ayarları yazımızda ayrıca anlattık.

Taşıma etkisi ve doyma pazarlama karması modelleme aracında nasıl çalışır?

Reklam etkisi harcama yapılan haftada bitmez. Bir video kampanyasını bugün izleyen biri satın almayı iki hafta sonra yapabilir. Araç bunu geometrik adstock ile modeller: her haftanın etkili harcaması, o haftanın harcamasına önceki haftanın etkili harcamasının taşıma oranı kadarını ekler. Taşıma oranı 0 ile 0,7 arasında 0,1'lik adımlarla denenir. 0 etkinin hemen bittiğini, 0,7 uzun sürdüğünü anlatır.

İkinci dönüşüm doyma eğrisidir. Harcamayı ikiye katlamak geliri ikiye katlamaz, çünkü ilk liralar en verimli olandır. Hill eğrisi bu düşüşü yarı doyma noktasıyla tarif eder; bu nokta, getirinin tavanının yarısına ulaştığı harcamadır. Araç onu kanalın ortalama taşınmış harcamasının 0,5, 1, 1,5 ya da 2,5 katı olarak dener. Eğri her zaman içbükeydir, yani her ek lira bir öncekinden biraz daha az getirir. S biçimli eğrileri bilerek kullanmıyoruz, çünkü haftalık veride çoğu zaman gürültüye uyuyorlar. Getiri eğrileri grafiği harcamayı 0 ile şimdiki değerin iki katı arasında gezdirir ve şimdiki noktanızı işaretler.

Katsayıları şöyle buluruz:

• Kanal katsayıları negatif olamaz (NNLS). Bir reklamın satışı azalttığını söyleyen sonuç çoğu zaman gürültüdür. Taban, trend, mevsimsellik ve kontrol terimleri ise eksi işaret alabilir.
• Hafif bir ridge cezası yalnızca kanal katsayılarına uygulanır ve kanallar birlikte hareket ettiğinde uçlara kaçmayı önler.
• Kanalları sırayla gezeriz, en düşük hatayı veren taşıma ve doyma ikilisini seçeriz ve bu turu en fazla dört kez tekrarlarız.
• En az 40 haftalık veride zamanı 8 bloğa böleriz. Her seferinde bir bloğu dışarıda bırakıp modeli yeniden kurarız. ROI aralığı ve Kararlılık sütunu buradan gelir: aralık darsa kanal kararlı, genişse belirsiz görünür. Belirsiz bir kanala bütçe artışı önerildiğinde tablo bunu ayrıca işaretler.

Bu yaklaşım Robyn'in ridge ile düzenleme fikrine benzer. Ancak Bayesçi öncül ve deneyle kalibrasyon yoktur. Kısacası yön doğru çıkabilir, kesinlik sunulmaz.

Haftalık veriyi nasıl hazırlarsınız, kaç hafta yeter?

Her satır bir hafta olmalı, ilk satırda başlıklar yer almalı. Üç grup sütun gerekir: hafta başlangıç tarihi, her kanalın haftalık harcaması ve hedef. Hedef gelirse Gelir, adetse Dönüşüm seçin. Kampanya haftası, indirim, fiyat değişimi ya da stok sorunu gibi etkileri Kontrol sütunu olarak ekleyin. Aksi halde araç bu etkiyi reklama yazar.

Süre için kural basit: en az 52 hafta, ideal olarak iki yıl. Araç 12 haftadan itibaren çalışır, ama 52 haftanın altında uyarır. Meridian belgeleri de veri miktarını model parametre sayısıyla ilişkilendirir; iki yıllık haftalık veri 104 gözlem eder. Daha fazla kanal eklemek daha fazla parametre demektir, dolayısıyla veri ihtiyacı büyür.

• Eksik hafta bırakmayın; harcama yoksa 0 yazın.
• Bütün kanallarda aynı para birimini ve aynı KDV durumunu kullanın.
• Harcamayı gösterim ya da tıklama olarak değil, para olarak girin.
• Kanalları gereğinden fazla bölmeyin; küçük kanalları birleştirmek modeli kararlı tutar.

Kanal bazında temiz veri için kampanya bağlantılarını baştan etiketleyin. UTM oluşturucu bunu dakikalar içinde yapar.

ROI, marjinal ROI ve doyma durumu nasıl okunur?

Tablodaki en sık yanlış okunan sütun ROI'dir. ROI bir ortalamadır: kanalın tüm harcaması için katkı bölü harcama. Marjinal ROI ise bir sonraki birimin getirisidir. Doyma eğrisinde ikisi ayrılır, çünkü ilk lira ile son lira aynı getiriyi vermez. Dönüşüm hedefinde ROI yerine CPA, Marjinal ROI yerine Marjinal CPA görürsünüz; CPA harcamanın katkıya bölümüdür.

Üç okuma kalıbı işinize yarar:

• ROI yüksek, marjinal ROI düşük: kanal doymuş, ek bütçe verimsiz kalır.
• ROI orta, marjinal ROI buna yakın: kanalda hâlâ yer var.
• Gelir hedefinde ROI 1'in altında: harcama katkıyı karşılamıyor. Yine de marjı hesaba katmadan karar vermeyin.

Taşıma sütunu taşıma oranını gösterir, Doyma sütunu ise kanalı büyüme alanı var, orta ya da doymaya yakın diye etiketler. Getiriyi kendi hesabınızla çaprazlamak için ROAS hesaplayıcıyı kullanın. Düşüş varsa ROAS düşüşü yazımızdaki teşhis adımlarına bakın.

Bütçe dağılımı nasıl hesaplanır, ne kadar güvenilir?

Bütçe dağılımı bölümünde Haftalık bütçe kutusu varsayılan olarak şimdiki ortalamayı taşır. İsterseniz başka bir toplam girin. Araç bu toplamı küçük adımlara böler ve her adımı o anda en çok katkı kazandıran kanala verir; böylece kanalların marjinal getirileri birbirine yaklaşır. Düşük marjinal getirili kanaldan yükseğe para kaydırmak toplam katkıyı artırır, bu yüzden marjinal getiriler eşitlenince dağılım durur.

Her kanal ±%50 sınırı kutusu açıkken hiçbir kanal şimdiki harcamasının yarısının altına inmez, bir buçuk katını da aşmaz. Bu sınır önemlidir, çünkü modelin hiç görmediği harcama düzeylerinde eğri yalnızca bir tahmindir. Kutuyu kapatırsanız ve verinizde haftada 2.000 ile 10.000 arası harcama varsa, 50.000 öneren bir sonuca ciddiyetle yaklaşmayın.

Çıktıda şimdiki ve önerilen haftalık harcama ile beklenen değişim yan yana durur. Beklenen değişimi vaat olarak değil, küçük bir yüzde olarak okuyun. Önce tek bir kanalda küçük bir kaydırma deneyin, sonucu ölçün, sonra devam edin. Toplam tutarı belirlemek için Google Ads bütçe hesaplama aracı iyi bir tamamlayıcıdır. Plan mantığı için Google Ads bütçesi nasıl belirlenir yazımıza bakın.

Hafif bir pazarlama karması modelleme neyi söyleyemez?

Dürüst olalım: haftalık veriyle çalışan her MMM ilişkiyi ölçer, nedenselliği kanıtlamaz. Üç sınır öne çıkar.

• Çoklu doğrusallık: Kanallar birlikte yükselip düşüyorsa, örneğin hepsi indirim haftasında artıyorsa, model hangisinin sonucu getirdiğini ayıramaz. Araç iki kanal arasında 0,85 ve üzeri korelasyon görürse Uyarılar bölümünde yazar.
• Az veri: 52 haftanın altında katsayılar oynak kalır. Harcaması hiç değişmeyen kanalı araç modele hiç almaz.
• Modelde olmayan etkenler: Rakip hamlesi, basın ya da hava durumu gibi etkiler reklama yazılabilir.

Çözüm doğrulamadır. Modelin işaret ettiği kanalda coğrafi ya da zaman bazlı bir artış testi kurun ve artımsal etkiyi ölçün. Meta'nın marka yükselişi testi bu tür deneylere bir örnektir. Sayısal karşılaştırma için A/B testi hesaplama aracı işe yarar. Atıf tarafında da aynı dürüstlük geçerli: hiçbir atıf modeli artımsal etkiyi kanıtlamaz, bu yüzden atıf karşılaştırmasını da bir artış testiyle birlikte okuyun.

Meridian, Robyn ya da bu araç: hangisi size uyar?

Seçim, ekibinizin becerisine ve kararın büyüklüğüne bağlıdır. Bütçe büyükse ve veri bilimi ekibiniz varsa Bayesçi bir model ile deney kalibrasyonu gerekir; Meridian bu yolu sunar. R bilen bir ekip Robyn'i deneyebilir. Amacınız yönü görmek, ekibe ilk resmi göstermek ve hangi kanalın doyduğunu anlamaksa hafif bir araç yeter.

Pratik bir yol var:

• Birinci adım: bu araçla ilk bakışı alın ve uyarıları not edin.
• İkinci adım: bulguyu bir artış testiyle sınayın.
• Üçüncü adım: karar büyüyorsa aynı haftalık veriyi Meridian ya da Robyn'e taşıyın.

Aynı tablo üç araçta da işe yarar, o yüzden ilk emeğiniz boşa gitmez. Aşağıdaki tablo üçünü yan yana koyar.