MMM Rönesansı: Google Meridian

MMM popülerliğini neden kaybetti?

Online ayakizini takip edemeyen FMCG’ler ve mağaza satışının baskın olduğu perakendecilerin çoğu aralıksız olarak bu modelden faydalanmaya devam etti. Ancak çoğu endüstride  iş modellerinin online’laşması, beraberinde ölçümlemeyi de dijital platformlara kaydırdı. Dolayısıyla last click ve multi touch attribution modelleri gibi determinist yöntemler yaygınlaşırken MMM giderek önemini yitirdi.

Bu arada bir parantez de determinst ve istatistiki tahminleme modelleri için açalım. Örneğin last click attribution modelinde kullanıcının satın alma yolculuğu incelendiğinde, son adımda mutlaka ilgili mecra üzerinden mobil uygulama veya websitesine geldiği bilinmektedir. Burada bir kesinlik, yani determinizm söz konusudur. Ama last click modelinde tüketiciyi son durağa getiren diğer mecralara kredi verilmez, bu da cironun nereden geldiğini anlamlandırma konusunda yetersiz kalmasına sebep olur. Bu sebeple son yıllarda multtouch attribution modelleri hayatımıza girdi. Bu modelde, satın alma yolculuğunda tüketicinin tıklama yaptığı tüm mecralara, algoritmanın atadadığı değer ölçüsünde bir kredi veriliyor ve bu sebeple last click’e oranla daha kapsayıcı olduğu söylenebilir. Mecralara verilen kredi bir algoritma taradından atansa da, tületicinin satın alma yolculuğunda bu mecralardan mutlaka geçtiği kesindir. Yani bu da bir determinist yöntemdir. Ancak bu modeller örneğin TV, outdoor, radyo, gazete gibi, dijital ayak izi bırakmayan offline mecraların satın alma üzerindeki etkisini ölçemez, çünkü bu mecralar determinst modellerin takip edebileceği bir iz bırakmaz. TV’nin satın alma üzerindeki etkisini ölçmek için kullandığımız TV Attribution ve yazının konusu olan MMM ise birer istatistiki tahminleme modelidir. Satın alma ve pazarlama faaliyetleri arasında kesin bir bağın kurulamadığı durumlarda bu modeller işlevseldir. Ancak bu yöntemleri kullanmak çok daha zordur. Çünkü istatistik bilgisi gerekir, data toplama süreçleri zorludur ve tüm bunlar operasyonel maliyet yaratır.

MMM neden tekrar popülerleşiyor?

Determinist ve istatistiki modellerin farkını anlattık. Dijitaldeki determinist ölçümleme yöntemlerinin hem kullanım kolaylığı hem de kesinlik belirtttiğinin altını çizdik. Bold bir ifadeye yer vermek isterim: Kimse herhangi bir zamanda bir reklam gördüğü için bir ürün satın almaz. Yani satış kredisini kanallara kesin olarak atfetmek doğru bir yaklaşım değil. Analytics platformları aslında satışa olan etkiyi belirli bir algoritma çerçevisnde değerlendirip, tüketicinin yolculuğunda satış kanallarının ne sıklıkla yer aldığını gözlemlemek için ideal sistemler.  Yine de son döneme kadar dijitaldeki determinist ölçümeleme CFO’lara bütçeleri kabul ettirmek için yeterliydi, ta ki yeterli olmayana kadar…  Son dönemde veri gizliliğine yönelik tüketicilerin bilinçlenmesi ve regülasyonların artması işleri zorlaştırdı. Tarayıcıların çerez politikaları, yasaların dayattığı consent zorunluluğu, ad block kullanımı gibi faktörler kimi reklam verenler için %50’ye yakın veri kayıpları yaratıyor. Datanın yarısı olmadığında da bireylerin aktivitesinin takibiyle yapılan determinist ölçümlemenin faydaları azalırken istatistiki modellere olan ihtiyaç da giderek artıyor ve pazarlamacılar MMM’i tekrar hatırlıyor.

Google Meridian

2025’in ilk çeyreğinde Google MMM hizmeti Meridian’ı açık kaynak bir hizmet olarak kullanıma açtı. Yani dileyen herkes, ücretsiz bir şekilde platformdan faydalanabilecek. Hatta bu açık kaynak kodları başka ürünlerle kombine etmek dahi mümkün. Tabi platformu kullanabilmek adına istatistik-medya-yazılım kas üçlemesine aynı anda sahip olmanız gerekiyor. Google’ın da bu alanda yeni bir adım daha atmasıyla, MMM’in öneminin giderek artacağını kesinlikle söyleyebiliriz. Tabi, Google’ın daha önce de Lightweight isimli açık kaynak bir MMM platformu olduğunu da hatırlatmak gerek. Meridian ile sunulan özelliklerin arttığını, ilk kullanıcıların memnuniyetini gösteren pek çok makaleyi görebilirsiniz. Son olarak, Meridian ürününün Bayesian teorisi üzerine geliştirildiğini de istatistik gurmelerinin bilgisine sunalım. Bunun ne anlama geldiğini de bir örnekle açıklayalım:

-          Yarın hava sıcaklığı nedir?

• -          Frequentist: Yarın hava sıcaklığı 17 °C olacak.
• -          Bayesian: Yarının hava sıkcalığının Gaus merkezi 16 °C, standart sapması ise 1,2 °C.

Yani Meridian’ın kullandığı regresyon yöntemi, belirsizliği de göstererek daha sağlıklı kararlar alınmasını sağlayabiliyor. Ayrıca, Bayesian modellerin dar / kısmen eksik data setleriyle analiz yapmada daha başarılı olduğu da söylenebilir. Veri seti genişledikçe belirsizlik aralığı daralır ancak yine de, dar veri setiyle de bir analiz yapılabilir.

Google Meridian Nasıl Kullanılır?

Google Meridian aslında bir kütüphane. Çalışması için Python 3.11 veya 3.12 gerekiyor. Eğer sisteminizde 3.13 var ise oluşturacağınız yeni virtual environment’a 3.12 kurduktan sonra burada Meridian’ı indirebilirsiniz. Donanımsal anlamda bakıldığında ise GPU çalıştıran bir sistem önerilmektedir. Bunun dışında keskin şartlar bulunmasa da büyük veri setlerinde raporu hazırlama süresini makul seviyelerde tutmak için en az 16 GB ram iyi olacaktır.

Meridian’ı indirmek için, cihazınızın terminalinde:

python3 -m pip install --upgrade 'google-meridian' 

command satırını çalıştırmanız yeterli. Çalıştırmadan önce kurulu python versiyonundan emin olmayı unutmayın. Daha sonra açacağınız python çalışma sayfasında gerekli modülleri import etmeli ve kütüphaneyi kullanıma hazır hale getirmelisiniz.

Veri:

Kayda değer analizler elde edebilmek için kullanacağımız verinin en az 2 yıllık olması önerilir. Meridian sayesinde sadece Google ve Youtube gibi online kanallar üzerinde değil, offline kanallarda da performans ölçümü yapılabilir. Üstelik bu kanalları coğrafi bölgelere göre dahi kırmak mümkün.

Şimdi sıradaki adım elimizdeki veriyi işlemeye hazır hale getirmek. Kütüphanenin ilgili fonksiyonları yardımıyla kolon isimlerini değişkenlere atayıp veriyi içeren exceli programa tanıttıktan sonra modeli kurgulayabiliriz.

Veri setimizin karakteristiğine göre model için gerekli konfigürasyonları yaptıktan sonra rapor almaya hazır hale geleceğiz. Örnek bir konfigürasyon aşağıdaki gibi olabilir:

Programı sistemimizde kurulu bir IDE üzerinden çalıştırıyorsak raporları 2 sayfalık bir özet olarak .html formatında alabiliriz. Bu dosyayı herhangi bir tarayıcıda kolayca incelemek mümkün.

Bir başka yöntem ise programı Google Colab (tarayıcınız üzerinden açabildiğiniz bir kodlama environmentı) üzerinde çalıştırmak. Bu yöntem aracılığıyla tekil çalışma hücrelerinde spesifik grafik çıktılarını elde etmek mümkün.

Medialyzer bu işin neresinde?

Medialyzer, ölçümleme alanında faaliyet gösteren bir medya teknolojileri şirketi olarak Meridian’a benzer şekilde, istatistiki modeller üzerinden veri analizi hazırlıyor, veriyi görselleştiriyor ve reklam verenlerin mecraları daha verimli kullanmasını sağlıyor. Dolayısıyla Meridian kullanımı için gerekli olan istatistik-medya-yazılım kasları üçlemesine halihazırda sahip olan ekosistemdeki nadir oyuculardan biri olarak ön plana çıkıyor. Biz de TV Attribution ürünümüzün tamamlayıcısı olarak gördüğümüz Meridian kullanımını tüm müşterilerimize öneriyoruz.

MMM’in sağladığı iç görüler sayesinde reklamverenler hem doğru medya mix kullanımına dair içgörülere erişebilecek, hem de medya harici pazarlama faaliyetleri ve makro ekonomik değişkenlerin satın alma davranışları üzerindeki etkisini gözlemleyebilecekler.

Meridian ile ilk modelinizi kurmak için hemen bize ulaşın!