Ngân sách marketing nên được phân bổ theo tác động đo được, không theo tỷ lệ chung

Làm việc với nhiều doanh nghiệp, đội ngũ PMAX gặp lại cùng một nhóm câu hỏi mà dù cân nhắc kỹ vẫn chưa có câu trả lời đủ rõ để ra quyết định tự tin. Nhiều marketer cũng đang đứng trước những câu hỏi này.

Câu thứ nhất: làm sao đánh giá hiệu quả tổng thể của mọi hoạt động marketing lên kết quả kinh doanh, kể cả những hoạt động không tạo đơn hàng ngay? Câu thứ hai: khi đã biết điều đó, nên phân bổ ngân sách ra sao?

Cách trả lời phổ biến hiện nay dựa vào chỉ số của từng kênh và các quy tắc chung. Cả hai đều bỏ qua một điều: các kênh tác động lên nhau, và mỗi doanh nghiệp có một cấu trúc hiệu quả riêng. Bài viết này trình bày cách Marketing Mix Modeling trả lời hai câu hỏi đó, và khi nào không cần đến nó.

Với hoạt động có mục tiêu chuyển đổi trực tiếp, việc đo khá dễ: ROAS, số đơn hàng, doanh thu. Hoạt động xây dựng thương hiệu (branding) thì khác. Ai cũng hiểu nhận biết thương hiệu hỗ trợ chuyển đổi trong trung và dài hạn, nhưng tác động đó cụ thể ra sao và đo bằng cách nào thì nhiều doanh nghiệp vẫn chưa có lời giải chính xác.

Bài toán còn phức tạp hơn vì hai đặc điểm của kênh marketing. Thứ nhất, mỗi kênh có điểm bão hòa riêng: tăng ngân sách chưa chắc mang lại hiệu quả cao hơn, và khi đẩy quá mức vào một kênh, hiệu suất chi phí có thể giảm. Thứ hai, các kênh và hoạt động ảnh hưởng qua lại với nhau. Đầu tư mạnh vào một kênh có thể có hai hệ quả ngược chiều:

Vì vậy, cộng hiệu quả của từng kênh lại không cho ra hiệu quả tổng thể. Câu hỏi cần trả lời là: mối quan hệ tương hỗ giữa các kênh được đo thế nào, và tổ hợp kênh nào cho hiệu quả chung cao nhất. Đây là bài toán Marketing Mix Modeling được xây dựng để giải quyết.

Khi chưa rõ tác động của từng hoạt động hay kênh lên kết quả kinh doanh, ngân sách thường được chia theo kinh nghiệm, cảm tính, hoặc theo các quy tắc chung rút ra từ nghiên cứu, như tỷ lệ 60-40 hay 70-30 giữa branding và chuyển đổi doanh số. Những tỷ lệ này không xét đến số liệu thực tế của từng doanh nghiệp.

Một tình huống hay gặp: ROI của nhóm khách hàng ở phễu dưới đang tốt nên doanh nghiệp tiếp tục tăng ngân sách cho nhóm này, nhưng kết quả kinh doanh không cải thiện. Lúc đó, câu hỏi mở rộng tệp khách hàng tiềm năng xuất hiện, kèm hai câu hỏi khó hơn: mở rộng bao nhiêu là đủ, và mở rộng ở đâu thì hiệu quả. Những câu hỏi này có nhiều lời giải chung chung nhưng thiếu câu trả lời cụ thể cho từng doanh nghiệp.

Sau quá trình nghiên cứu và thử nghiệm, PMAX áp dụng Marketing Mix Modeling, kết hợp lý thuyết marketing với các mô hình học máy (machine learning), để trả lời câu hỏi phân bổ ngân sách và đánh giá tác động thực tế của các kênh lên kết quả kinh doanh.

MMM là một phương pháp phân tích dữ liệu thống kê, chủ yếu dùng hồi quy tuyến tính, để đánh giá tác động của các hoạt động marketing như quảng cáo, khuyến mãi, giá cả, kênh bán hàng lên doanh thu và lợi nhuận. Mô hình tái hiện mối quan hệ giữa đầu vào marketing và kết quả tài chính đầu ra, từ đó cho ra phân tích và dự báo để điều chỉnh chiến lược về sau.

Kết quả đầu tiên MMM mang lại là ROI của từng hoạt động. Ví dụ, một công ty bán lẻ dùng MMM để phân tích các chiến dịch trong năm: livestream trên TikTok cho ROI cao nhất, PR thương hiệu hiệu quả nhưng thấp hơn livestream, còn chiến dịch "Summer Collection" có ROI thấp nhất. Từ đó, doanh nghiệp có căn cứ rõ hơn để dồn đầu tư vào kênh hiệu quả và xử lý các chiến dịch kém hiệu quả.

Kết quả thứ hai là điểm hiệu quả (marketing efficiency) của từng kênh: kênh nào đang được đầu tư quá mức (over-invest), kênh nào còn dư địa để mở rộng (scale-up). Một công ty sau khi áp dụng MMM phát hiện ngân sách cho quảng cáo ngoài trời (OOH) và TV đang cao hơn mức hiệu quả thực tế, trong khi Influencer và mạng xã hội có tiềm năng ROI cao hơn và đáng được đầu tư thêm. Ngân sách được phân bổ lại, và hiệu suất marketing cải thiện rõ.

MMM không dừng ở việc phân tích hiện trạng. Mô hình cho phép mô phỏng các kịch bản phân bổ trong tương lai để xem doanh thu thay đổi ra sao trước khi thật sự chuyển tiền giữa các kênh.

Ví dụ, một doanh nghiệp thử kịch bản giảm ngân sách cho TikTok và Google Display, đồng thời tăng ngân sách cho Paid Search, Influencer và Instagram. Kết quả dự báo cho thấy doanh thu có thể tăng 25% trong khi tổng ngân sách không đổi. Đây là con số mô hình dự báo cho kịch bản đó, dùng để so sánh các phương án trước khi quyết định.

“Câu hỏi ngân sách đáng trả lời trước khi chi là: nếu chuyển tiền giữa các kênh, doanh thu sẽ đổi ra sao?”

MMM giúp marketer thấy tác động của từng hoạt động lên kết quả kinh doanh, phân bổ ngân sách dựa trên dữ liệu thực tế, và điều chỉnh chiến lược marketing theo hướng định lượng. Công cụ này phù hợp nhất khi câu hỏi ngân sách trải trên nhiều kênh, có cả hoạt động thương hiệu lẫn chuyển đổi, và doanh nghiệp nghi các kênh đang hỗ trợ hoặc lấn át nhau.

Triển khai MMM đòi hỏi năng lực xử lý dữ liệu, xây dựng mô hình và hiểu sâu hành vi thị trường. Một cách bắt đầu hợp lý là liệt kê những câu hỏi ngân sách đang chưa có câu trả lời, rồi xếp mỗi câu vào đúng công cụ: câu hỏi về một kênh hoặc một chiến dịch, câu hỏi về cả tổ hợp kênh.

Nếu doanh nghiệp đang đứng trước những câu hỏi ngân sách như trên, có lẽ đã đến lúc xem MMM là một phần của chiến lược marketing, thay cho tỷ lệ chung.

MMM có phù hợp với bài toán ngân sách của doanh nghiệp bạn không? Trao đổi với tác giả về những câu hỏi đang cần trả lời và công cụ đo lường phù hợp.