數據粒度 是指詳細程度，即收集和分析的資訊的“精細度”。可能會考慮數據的所有維度：
就像實施能力或流程加速一樣，粒度收益是當前改變行銷決策支持解決方案的革命的催化劑之一。直到幾年前，無法獲得的數據、不合適的方法、不足的計算能力阻礙了這一領域的任何進展。標準結果被簡化為過於聚合和不精確的元素，無法有效管理媒體行動或其數位化。我們怎麼能考慮根據「電視」和「數位管道」投資回報率的簡單比較來制定傳播戰略甚至戰術，所有格式和平臺在一個國家的規模上結合在一個非常廣泛的目標上？
無論使用何種技術——MMM、增量測試、實驗等，單獨使用還是聯合使用——結果的穩健性和可操作性都取決於系統翻譯“現實世界”的能力，轉錄每種類型的營銷行為對消費者的作用，它們對品牌績效的貢獻......
取得更相關、更精確的模型。 雖然這似乎是自相矛盾的，但增加粒度通常會簡化模型的構建並提高其精度。數據的粒度更高，可以避免“淹沒在平均值中”，即營銷行為的影響，通常不是同質的。例如，根據全國的品牌表現（結合展示區和非展示區）來評估高度當地語系化的城市數位展示活動的有效性，不可避免地會導致低估其貢獻。在不同在線視頻平臺上執行的行動的有效性也是如此，這些行動往往匯總在一個消除差異的總“VOL”中。
各種研究表明，更大的粒度可以提高模型的質量和穩定性。讓我們特別提到尼爾森*進行的研究：對日本消費品和電子商務部門的19個MMMs進行了分析，同時對國家和地區層面（46個縣）的銷售和媒體數據進行了模型。MMM 的精確度差異很大，具體取決於構建它們所基於的數據的粒度。當MMM對國家數據的方法允許確定16%的槓桿/媒體管道對增量銷售的貢獻時，當引入區域維度時，這一比例達到了66%。
同樣，通過考慮零售商和在線商務參與者不同客戶群之間營銷行動有效性的差異，55 指出我們的模型的精度顯著提高。這是基於代理的建模方法*的基礎，該方法使我們能夠模擬活動對不同消費者群體的影響。
更一般地說，過度聚合的視圖不允許考慮介質中的混合效果。例如，在搜索中，在品牌上花費的金額與在搜索上花費的總金額之間的比率變化將對效果產生重大影響。如果不考慮品牌和非品牌維度，並且該比率隨時間變化很大，則建模結果將根本無法反映消費者的實際情況，並且將不精確，甚至是錯誤的。
在操作規模上取得成果。 營銷分析師現在可以瞭解行銷組合的每個組成部分、每個元素如何為品牌績效做出貢獻，而不是停留在大型聚合的層面上。誰還能滿足於所有活動、所有「社交媒體」平台都累積起來、視頻格式無法隔離的措施......？我們怎麼能不整合一個「零售商」維度來分析「零售媒體網路有效性」，當在那裡執行的行動有顯著不同時？
此外，這種深度分析可以更好地瞭解行銷渠道之間的相互作用，突出潛在的協同效應和槓桿效應，這些效應可用於改善整體結果。以城市數位展示活動為例，在城市數位展示活動中，衡量與電視活動互動或展示區域促銷活動的收益，可直接提供運營洞察力。
所獲得的見解顯然為在所有相關維度（營銷槓桿、地理區域、消費者群體等）上更接近運營需求的營銷資源分配打開了大門，而MMM結果以前沒有提供這種不可或缺的縮放，從而實現可操作的結果。因此，在MMM中採用粒度不僅僅是一種技術或方法選擇，而且是業務上的當務之急。
對未來的更穩健和反應性預測。在更精細的層面上更好地瞭解每個行銷管道角色，更忠實地反映市場現實，也使得在情景規劃方法中預測和模擬計劃活動的影響更加可靠。
運營改進還會影響行銷決策的敏捷性和快速適應市場動態變化的能力。事實上，通過監控細粒度數據，行銷分析師可以快速識別消費者行為的變化、新興趨勢、競爭挑戰或目標對媒體或創意元素的反應演變、媒體策略的表現或演講策略。
雖然粒度對行銷效果的衡量和優化的貢獻似乎是不可否認的，但它與決策支持系統的集成仍然是一個相當大的專案，需要這樣管理。
第一個挑戰當然是確定數據平臺內 的最佳粒度級別 。一個主要的陷阱可能是以過多的粒度為目標。粒度級別越高，可能會產生額外的成本。還需要警惕以下方面：
關鍵是不要放棄策展和資訊收集的基本原理......沒有任何數據科學技術能夠彌補基礎數據相關性的降低！
同樣，建模方法和處理演算法的選擇也至關重要。通常需要在收集數據的粒度與必要模型的複雜性和性能之間找到折衷方案。因此，將為模型校準、開發和驗證確定合理的詳細程度。無論如何，應該注意的是，更詳細的數據可以保存在數據平臺中，並成為使用特定數據科學程序進行特別研究的主題。因此，對於零售商來說，數據是按產品部門建模的，以便進行重複分析;當需要分析更高級的問題（例如：零售商的溝通和製造商的促銷策略之間的協同作用）時，更精細的細節（例如，按部門內的品牌）是臨時研究的基礎。
Fifty-Five的經驗表明，在大多數情況下，成功是建立在 循序漸進的、循序漸進的實施基礎上的。“嬰兒步驟”是任何“行銷效率”*決策支持系統開發的基礎，在以粒度收益為目標時更為重要。每一步都會引起對數據平臺豐富和演算法方面的批判性審查和優先排序，這些演算法能夠提取和利用有關行銷行動有效性的見解。
對於美國「消費品」行業的廣告商來說，在實施了全國性的MMM解決方案後，第一步是在更精細的地理範圍內測試建模的潛在收益，該模型可以獲得每周銷售數據。
幾周后，對這些區域的樣本進行分析：
同時，該品牌能夠將這些收益與其對地理區域的對照實驗（GeoTests / GeoExperiments）以及基於歷史觀測數據的準實驗研究進行比較。
該過程的第二步在6周內完成，包括調整數據平臺和模型，以概括地理和媒體方面的進展。
第三步允許通過考慮以下因素來豐富系統：
總之，數據粒度對於營銷組合建模至關重要，更廣泛地說，對於行銷效果測量和優化工具至關重要。它可以提高精度、更高的可操作性、預測穩健性以及提高對市場變化的回應能力。然而，實現最佳粒度仍然需要適當的數據管理和明智地選擇建模演算法。
文章由Mathieu Lepoutre和Arnaud Parent共同撰寫
在我們的月度時事通訊《Tea O'Clock》中發現所有最新新聞、文章、網路研討會重播和 55 項活動。
.svg)
.jpg)
