による画像 アップクリャク Freepikで
企業は、消費者の間で製品の認知度や関心を高め、より多くの購入につながるよう、広告に年間数十億ドルを費やしています。 製品の新規顧客を獲得するために、より幅広い視聴者にリーチするために、ターゲットを絞った広告やキャンペーンが開始されます。 広告は複数のメディアを通じて放送され、テレビ、ラジオ、雑誌、オンライン、ソーシャルメディアを通じて放送され、さらには店頭で放送されて幅広い視聴者にリーチすることができます。 選択肢が豊富であり、投資収益率 (ROI) を最大化することが不可欠であるため、広告リソースを効率的に割り当てることが大きな課題となります。 ここで、企業が広告支出を最適化し、RoI を最大化するためにメディア ミックス モデリングが最も重要になります。 特定の目標 (売上やブランド認知度の向上など) を達成するために、特定のメディア チャネルにどれくらいの金額を費やすべきかを見積もることができる、メディア ミックス モデリングは、企業にとって有用なツールです。 これにより、さまざまなチャネルのパフォーマンスを比較し、改善の余地がある箇所を特定し、リソースを賢明に費やすことができます。 データ主導の洞察により、企業はマーケティング アプローチを微調整し、支出の価値を高め、ビジネス目標を達成するプロセスを加速することができます。 メディア ミックス モデリングは、さまざまなメディア チャネルがビジネスの成果に及ぼす影響を理解するために、支出、配信された広告のインプレッションまたはクリック数、製品の売上、新規顧客の獲得などを含む過去の広告データを分析する統計分析手法です。 これにより、企業は広告予算ポートフォリオの最適化を実行し、RoI を向上させることができます。
メディア ミックス モデリングでは、メディア チャネルの影響に加えて、ビジネスが販売促進に影響を与える可能性のあるプロモーション、休日、または特別なイベントを実施したかどうかなどの外部要因も考慮します。 これは、メディア チャネルのパフォーマンスの影響を過大評価することを避けるために行われます。
しかし、企業が対処しメディア ミックス モデルに組み込む必要がある最も重要な要素の XNUMX つは季節性です。
簡単に言うと、季節性は、毎年繰り返される予測可能な規則的な動作を観察できる時系列データの特性として定義できます。 したがって、予測可能で毎年繰り返される行動変動は季節的行動であると言えます。
しかし、季節性は循環効果とどう違うのでしょうか? 周期的影響は、さまざまな期間に及ぶ可能性のある影響です。 水道パイプラインで発生した可能性のある何らかの障害により、ある地域で水ろ過装置の売上が増加した場合など、それらは XNUMX 年より長く続く場合もあれば、短い場合もあります。 この種の影響は定期的または予測可能なものではなく、毎年繰り返されるわけではありません。 一方、インフルエンザの季節によるインフルエンザ薬の売上の増加は、毎年 XNUMX 月から XNUMX 月まで繰り返され、予測できるため、季節性であると特徴付けることができます。
しかし、なぜメディア広告にとって季節性が重要なのでしょうか? 季節性は主に XNUMX つの方法でメディア ミックス モデリングに影響を与えます。 第一に、メディア消費パターンの変化、第二に、広告効果の変化が観察されます。 上で説明したように、メディア ミックス モデリングは、マーケティング担当者がさまざまなメディア チャネルが売上や新規顧客の獲得などの他の重要な業績指標に与える影響を理解するのにどのように役立つかについて説明しました。 これらのモデルに季節性を組み込むことで、広告主は年間を通じて発生する広告パフォーマンスの変化をより正確に反映できるようになります。 たとえば、ホリデー シーズン中には、さまざまなメディア チャネルで視聴者数の増加やエンゲージメントの向上が観察され、それぞれのターゲット視聴者へのリーチがより成功する可能性があります。 広告主は、季節性を認識して考慮に入れることで、メディア割り当て計画の効果を最大化できます。 広告予算、キャンペーン、チャネルの選択を変更して、季節のトレンドや消費者の需要に合わせることができます。 これにより、マーケティング活動が最大の効果を生み出す可能性が最も高い時間帯に集中することが保証され、広告投資収益率が最適化されます。
休日などの特定の季節イベントを表す季節要因またはダミー変数を使用することで、メディア ミックス モデルに季節性を組み込むことができます。 これらの要素は、メディアの反応に対するさまざまな期間の影響を捉え、それに応じてモデルの予測を調整するのに役立ちます。 これらの変数は、メディアの反応に対するさまざまな期間の影響を捉え、モデルの予測に役立ちます。
Python には、として知られる Statsmodel ライブラリがあります。 季節分解、これは季節性変数を生成するのに役立ちます。 ライブラリは、時系列を XNUMX つのコンポーネント (傾向、季節性、残差) に分割します。 季節性は、加算または乗算の XNUMX 種類のモデルで表現できます。
簡単にするために、相加的モデルを扱っていると仮定します。 相加的モデルは、時系列の分散が時系列の異なる値によって変化しない場合に使用できます。 数学的には、トレンド、季節性、残差の個々のコンポーネントが加算される加算モデルを次のように表すことができます。
図 1: 8 か月にわたる収益の季節性分解
トレンド要因
トレンド コンポーネントは、より長い期間にわたって発生する、より体系的な時系列の変化を表します。 これは系列内の基本的な増加または減少を反映し、全体的な傾向と長期にわたって収集されたデータの大きさを示します。 これは、データの基礎となるパターンやデータの方向性を判断するのに役立ちます。 図 1 には、8 か月にわたる収益の季節性分解が示されており、傾向を見ると、XNUMX 年の夏の間に収益が減少していることがわかります。 この洞察は、広告主にとって戦略や支出パターンの変更を考案する上で非常に重要です。
季節性要因
季節性要因とは、短期間 (多くの場合 1 年以内) に発生する反復的なパターンを指します。 これは、天候、休日、その他の文化的イベントなどの外部影響の結果として発生する頻繁な振動を表しています。 季節性の特徴である繰り返しの山と谷は、データ内で予想される規則性を反映しています。 上の図 XNUMX では、隔月ごとにピークがあり、企業が収益に影響を与える外部の影響を特定するのに役立ちます。
残留係数
傾向や季節性に起因することができないランダムで説明のつかない変動は、誤差成分またはノイズ成分とも呼ばれる残差成分によって表されます。 傾向や季節性の要素が考慮された後も、依然として存在する変動や異常が考慮されます。 予測不可能で体系的なパターンが欠けているデータの部分は、残差成分によって示されます。
季節性分析で直面する課題
- 複数の季節性: 特定の時系列データでは、日次、週次、月次レベルで複数の季節性パターンを観察できますが、これは単純な季節分解では捉えるのが難しく、より複雑なプロセスが必要になる場合があります。
- データの疎性: 一定期間にわたってデータが均等に分散されていない場合、つまり、データのサンプリング頻度が低い場合やデータ ポイントが非常に少ない場合は、季節性の推定に影響を与える可能性があります。 したがって、より質の高い季節性推定を行うには、少なくとも 2 年間の日次または週次レベルのデータセットを用意することをお勧めします。
- 非定常性: 時系列データに変化する分散がある場合、季節性の推定に影響します。
特定の季節内のデータ ポイントが限られているかまばらであると、特に短い時系列データやサンプリング頻度の低いデータを扱う場合、季節の影響の正確な推定が妨げられる可能性があります。
- 不規則性: 季節性分析を歪める可能性のある外部要因により、データに外れ値が含まれることがよくあります。 外れ値の検出や削除などの季節性分析を実行する前に、データ スクリーニングを実行することをお勧めします。
最後に、季節性がどのようにメディア ミックス モデリングに影響を与え、戦略的なビジネス上の意思決定を促進するかを確認しました。 マーケティング担当者は、メディア ミックス モデルに季節性を含めることで、消費者行動の変動や年間を通じての市場動向に基づいて広告戦略や予算配分を最適化できます。 季節パターンを理解することで、企業は正しい人口統計をターゲットにし、最適なメディア チャネルを選択し、最大限の効果が得られるように広告キャンペーンのタイミングを計ることができます。 企業は、季節性分析情報を利用することで、広告活動の効率と有効性を向上させ、顧客エンゲージメントを高め、売上を生み出し、最終的には投資収益率を向上させることができます。 季節性により、企業は消費者の需要や好みの変化に対応してマーケティング戦略を調整および調整することができ、不安定な環境において競争上の優位性を得ることができます。
マユク・マイトラ 彼はウォルマートのデータ サイエンティストで、メディア ミックス モデリングの分野で働いており、業界で 5 年以上の経験があります。 ヘルスケア向けのマルコフ プロセス ベースの成果研究モデルの構築から、遺伝的アルゴリズム ベースのメディア ミックス モデリングの実行まで、私は人々の生活に影響を与えるだけでなく、有意義な洞察を通じてビジネスを次のレベルに引き上げることにも携わってきました。 ウォルマートに入社する前は、アドテク分野の GroupM でデータ サイエンス マネージャーとして、アクストリアで医療経済学とアウトカム研究の分野で意思決定科学のシニア アソシエイトとして、そしてテクノロジー アナリストとして働く機会がありました。 ZSアソシエイツ。 専門的な役割に加えて、私は複数のピアレビューカンファレンスの審査員および技術委員会の一員であり、複数の技術賞やハッカソンの審査員を務める機会もありました。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 自動車/EV、 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- チャートプライム。 ChartPrime でトレーディング ゲームをレベルアップしましょう。 こちらからアクセスしてください。
- ブロックオフセット。 環境オフセット所有権の近代化。 こちらからアクセスしてください。
- 情報源： https://www.kdnuggets.com/2023/08/media-mix-modeling-ultimate-guide-mastering-seasonality-boosting-business-results.html?utm_source=rss&utm_medium=rss&utm_campaign=the-ultimate-guide-to-mastering-seasonality-and-boosting-business-results
