⚡ Bu Yazıda Ne Öğreneceksiniz?
- MMM nedir ve nasıl çalışır (teknik olmayan açıklama)
- Saturation curves ve diminishing returns kavramları
- Open-source MMM araçları: Robyn, Meridian, LightweightMMM
- E-ticaret için MMM uygulama adımları
- MMM, attribution ve incrementality üçlüsü: Triangulation
1. MMM Nedir? Basit Açıklama
Media Mix Modeling (MMM), tarihsel harcama ve satış verilerini kullanarak her pazarlama kanalının satışlara katkısını istatistiksel olarak hesaplayan bir modeldir. Temel fikir şudur:
"Hangi hafta ne kadar harcadım, ne kadar sattım?" verisinden yola çıkarak, her kanalın marjinal katkısını, doygunluk noktasını ve optimal bütçe dağılımını hesaplar.
🎯 MMM'in Üç Temel Çıktısı
Kanal ROI
Her kanalın harcanan 1₺'ye karşılık ürettiği gelir. Google 5x, Meta 3x, TikTok 2x gibi.
Saturation Curves
Her kanalda ne kadar harcamaya kadar verimli olduğunu gösterir. Doygunluk noktasından sonra ek harcama verimsiz.
Optimal Bütçe
Toplam bütçeyi kanallar arasında nasıl dağıtırsanız en fazla gelir elde edersiniz — bunu hesaplar.
2. Saturation Curves ve Diminishing Returns
MMM'in en değerli çıktılarından biri saturation (doygunluk) eğrileridir. Her pazarlama kanalı belirli bir harcama seviyesine kadar verimli çalışır. Bu noktadan sonra ek harcama giderek azalan getiri (diminishing returns) üretir.
Verimli Bölge (Steep Curve)
Harcama artışı neredeyse doğrusal gelir artışı üretir. Bu bölgedeyken bütçe artırma en kârlıdır. Genellikle bir kanalın ilk %40-60'lık harcama dilimi.
Geçiş Bölgesi (Flattening)
Getiri hâlâ pozitif ama azalıyor. Her ek 1₺'nin getirdiği gelir düşmeye başlıyor. Dikkatli optimizasyon gerekir.
Doygunluk Bölgesi (Saturated)
Ek harcama neredeyse hiç ek gelir üretmiyor. Bu noktadan sonra bütçeyi başka kanala kaydırmak çok daha verimli.
Bu kavram, "ROAS iyi olan kanala daha fazla bütçe koy" mantığının neden yanlış olduğunu açıklar. ROAS iyi olan kanal doygunluğa ulaşmış olabilir — ek bütçe ile ROAS düşecektir.
3. Open-Source MMM Araçları
Meta Robyn
Rby Meta (Facebook)En yaygın open-source MMM aracı. Automated hyperparameter tuning, Nevergrad optimizer. Ridge regression + saturation/adstock transformasyonları.
Güçlü otomasyon, aktif community, iyi dokümantasyon
R bilgisi gerekir, kurulumu karmaşık
Google Meridian
Pythonby GoogleGoogle'ın Bayesian MMM aracı. Prior bilgi ile model güçlendirme, geo-level modeling, calibration desteği.
Bayesian yaklaşım, geo-level analiz, Google entegrasyonu
Henüz yeni, daha az community
PyMC Marketing
Pythonby PyMC LabsBayesian marketing mix modeling. Saturation, adstock ve control variables ile esnek model yapısı.
Tam Bayesian, esnek, iyi uncertainty quantification
İleri seviye istatistik bilgisi gerekir
4. E-Ticaret İçin MMM Uygulama Adımları
Veri toplama: Minimum 1 yıl (ideal 2 yıl) haftalık veri hazırlayın. Kanal bazlı harcama, impression, click + toplam gelir, sipariş sayısı + kontrol değişkenleri (sezonalite, promosyon, fiyat değişikliği).
Kontrol değişkenlerini belirleyin: İndirim günleri, mevsimsellik, tatil dönemleri, fiyat değişiklikleri, stok durumu. Bunlar modelin pazarlama etkisini doğru izole etmesi için kritiktir.
Adstock ve saturation parametrelerini ayarlayın: Adstock, reklamın etkisinin zamanla nasıl azaldığını modeller (carry-over effect). Saturation, harcama artışının azalan getiri noktasını belirler.
Modeli çalıştırın ve doğrulayın: Out-of-sample validation ile modelin tahmin gücünü test edin. MAPE (Mean Absolute Percentage Error) %10-15 altında olmalı.
Kanal ROI'lerini çıkarın ve optimal bütçe dağılımını hesaplayın. Mevcut dağılım ile optimal arasındaki fark, yeniden dağıtım fırsatını gösterir.
Incrementality testleri ile MMM sonuçlarını doğrulayın (Triangulation). MMM 'Google ROI düşük' diyorsa, geo-lift testi ile bunu doğrulayın.
5. Triangulation: Üç Bacaklı Ölçüm Sistemi
Hiçbir ölçüm yöntemi tek başına mükemmel değildir. En güçlü yaklaşım, üç farklı yöntemi birlikte kullanarak çapraz doğrulama yapmaktır — buna triangulation denir.
MMM (Top-Down)
Aggregate verilerle kanal bazlı ROI ve optimal bütçe dağılımı. Büyük resmi görür ama kampanya seviyesinde detay vermez.
Attribution (Bottom-Up)
Kullanıcı seviyesinde tıklama/conversion verisi. Kampanya ve kreatif optimizasyonu için detaylı. Ama çift sayım ve privacy sorunları var.
Incrementality (Causal)
Kontrollü deneylerle gerçek nedenselliği ölçer. En güvenilir ama sık yapılamaz ve kaynak gerektirir.
Üç yöntem aynı sonucu gösterdiğinde güveniniz yüksek olur. Farklı sonuçlar gösterdiğinde, neden farklı olduğunu araştırmak en değerli insight'ı verir.
6. MMM'in Sınırları ve Dikkat Edilecekler
Veri Gereksinimi Yüksek
Minimum 1-2 yıl haftalık veri gerekir. Yeni markalar veya yeni kanallar için veri yetersiz olabilir.
Granülerlik Düşük
Kanal ve kampanya seviyesinde çalışır, kreatif veya hedef kitle seviyesinde detay vermez.
Gecikme
MMM geçmişe bakar, gerçek zamanlı değildir. Haftalık optimizasyon için uygun değil, stratejik bütçe kararları için idealdir.
Model Belirsizliği
Farklı model spesifikasyonları farklı sonuçlar verebilir. Sonuçları mutlak değer değil, yön gösterici olarak kullanın.
Sonuç: Ölçüm Masterclass Serisi Kapanış
Bu 5 bölümlük seride ROAS tuzağından, attribution modellerine, incrementality testlerinden, platform raporlarının yanıltıcılığına ve son olarak MMM'e kadar dijital pazarlamada ölçümün tüm katmanlarını inceledik.
Tek bir cümleyle özetlersek: Platform ne derse desin, gerçeği sadece bağımsız ölçüm gösterir.
Blended MER günlük navigasyonunuz, Attribution haftalık optimizasyonunuz, Incrementality üç aylık doğrulamanız ve MMM yıllık stratejik bütçe planlamanız olsun. Bu dört katman birlikte çalıştığında, pazarlama bütçeniz gerçek kâra dönüşür.