นิยาม
Marketing Mix Modeling (MMM) คือเทคนิคการวิเคราะห์เชิงสถิติที่ใช้ การถดถอยพหุคูณ (Multiple Regression) เพื่อวัดว่าช่องทางการตลาดแต่ละช่องทางสร้างยอดขายให้แบรนด์ได้มากน้อยแค่ไหน โดยไม่ต้องพึ่งพาข้อมูลระดับบุคคล (individual-level data) อย่าง pixel หรือ cookie
พูดง่าย ๆ ในบริบท DTC/อีคอมเมิร์ซไทย: MMM คือการเอา ข้อมูลยอดขายรวมรายสัปดาห์ มาตั้งเป็นตัวแปรตาม (dependent variable) แล้วเอา งบโฆษณาแต่ละช่องทาง (Meta Ads, Google Ads, TikTok Ads, LINE OA, Shopee Ads, Lazada Ads, Influencer, TV, Radio) มาตั้งเป็นตัวแปรต้น (independent variables) เพื่อดูว่า "ถ้าเพิ่มงบ TikTok 100,000 บาท ยอดขายจะขยับกี่บาท"
จุดแข็งของ MMM คือมัน ไม่สนใจว่าใครเห็นโฆษณา แต่สนใจว่า "โดยรวมแล้ว งบที่ทุ่มไปแต่ละช่องทาง ให้ผลตอบแทนเท่าไหร่" — ทำให้รอดพ้นจากปัญหา iOS 14.5 ATT, การบล็อก cookie, และ ad blocker ที่ทำให้ attribution แบบเดิมพังทลาย
อ analogy: MMM เหมือนการชิมแกงทั้งหม้อ
ลองนึกภาพว่าคุณทำ ต้มยำกุ้ง หนึ่งหม้อ แต่มีคนช่วยปรุง 5 คน — คนหนึ่งใส่ตะไคร้ อีกคนใส่ใบมะกรูด อีกคนใส่น้ำพริกเผา อีกคนใส่กุ้ง อีกคนใส่เห็ด
คุณชิมแล้วบอกได้แค่ว่า "หม้อนี้อร่อย" แต่ บอกไม่ได้แน่ชัดว่าใครใส่ส่วนผสมเท่าไหร่แล้วอร่อยขึ้นกี่เปอร์เซ็นต์
MMM ก็เหมือนการ แยกส่วนผสมย้อนหลัง ด้วยสถิติ — ดูว่าแต่ละครั้งที่เพิ่มตะไคร้ (งบโฆษณา) รสชาติ (ยอดขาย) เปลี่ยนไปเท่าไหร่ โดยควบคุมตัวแปรอื่น ๆ ให้คงที่
ต่างจาก Attribution Modeling ที่เหมือนการ ตามรอยเส้นทางของกุ้งแต่ละตัว ว่ามาจากไหน ผ่านมือใคร — ซึ่งทำได้ยากขึ้นเรื่อย ๆ ในยุคที่ข้อมูลส่วนตัวถูกจำกัด
สูตร
สมการพื้นฐานของ MMM:
Sales_t = β₀ + β₁·AdStock(TV_t) + β₂·AdStock(Meta_t) + β₃·AdStock(Google_t) + β₄·AdStock(TikTok_t) + β₅·Price_t + β₆·Promotion_t + β₇·Seasonality_t + β₈·Trend_t + ε_t
โดยที่:
- Sales_t = ยอดขายรวมในสัปดาห์ที่ t (บาท)
- AdStock(x_t) = ฟังก์ชันแปลงงบโฆษณาเป็น "สต็อกผลกระทบ" ที่มี carryover effect เช่น
AdStock_t = x_t + λ·AdStock_{t-1}
โดย λ (lambda) = decay rate เช่น 0.6 หมายถึงผลของโฆษณาสัปดาห์นี้ยังหลงเหลือ 60% ในสัปดาห์หน้า
- β (Beta) = สัมประสิทธิ์ที่บอกว่า 1 หน่วยของตัวแปรนั้นสร้างยอดขายกี่บาท — นี่คือหัวใจที่นักการตลาดอยากรู้
- ε_t = error term
ตัวอย่างการตีความ: ถ้า β₂ = 3.2 หมายความว่า ทุก 1 บาทที่ลง Meta Ads สร้างยอดขาย 3.2 บาท (ROAS = 3.2)
ตารางเปรียบเทียบ: MMM vs Attribution vs Incrementality Test
| เกณฑ์ | Marketing Mix Modeling (MMM) | Multi-Touch Attribution (MTA) | Incrementality Test (Geo/Holdout) |
|---|---|---|---|
| **ระดับข้อมูล** | Aggregate (รายสัปดาห์/รายเดือน) | User-level (cookie/pixel/ID) | กลุ่มทดลอง vs กลุ่มควบคุม |
| **ความสามารถวัดผล** | ภาพรวมทุกช่องทาง รวม offline | เฉพาะ digital ที่ track ได้ | วัด causal effect ได้แม่นสุด |
| **ข้อจำกัดหลัก** | ต้องมีข้อมูลย้อนหลัง 2-3 ปี | พังเมื่อ cookie หาย / iOS block | แพง ทำได้ทีละแคมเปญ |
| **ความเร็ว** | ใช้เวลา 4-8 สัปดาห์ | Real-time | 2-6 สัปดาห์ |
| **ค่าใช้จ่าย** | 150,000–500,000 บาท/โปรเจกต์ | ฟรี–50,000 บาท/เดือน (SaaS) | 50,000–200,000 บาท/ครั้ง |
| **เหมาะกับ** | แบรนด์งบ >5 ล้านบาท/เดือน | แบรนด์งบ 1-5 ล้านบาท/เดือน | แบรนด์ที่อยาก validate MMM |
ตัวเลขจริงจากตลาดไทย
1. AdStock decay ของ TikTok Ads ในไทย อยู่ที่ประมาณ λ = 0.45–0.55 หมายความว่าผลกระทบของโฆษณา TikTok จางหายเร็วกว่า TV (λ = 0.7–0.8) เพราะคอนเทนต์สั้นกว่า
2. แบรนด์ skincare DTC ไทยรายหนึ่งพบว่า β ของ LINE OA = 4.8 สูงกว่า Meta Ads (β = 2.9) เพราะ LINE ใช้ปิดการขายกับลูกค้าเก่าได้ดี
3. งานศึกษา MMM ของสมาคมโฆษณาดิจิทัลไทย (DAAT) ปี 2023 ชี้ว่า งบ influencer ในไทยมี ROI เฉลี่ย 2.1x แต่ งบ TV ยังมี ROI 1.4x ในกลุ่มสินค้า FMCG
(Use Cases)
1. วางแผนงบประมาณรายปี (Annual Budget Allocation)
แบรนด์เครื่องสำอางไทยที่มีงบ 120 ล้านบาท/ปี ใช้ MMM แยกงบออกเป็น Meta 35%, TikTok 25%, Google 15%, Shopee Ads 10%, Influencer 10%, TV 5% โดยอิงจาก marginal ROAS ของแต่ละช่องทาง
2. วัดผลแคมเปญ 11.11 / 12.12
ใช้ MMM แยกผลของ promotion effect ออกจาก media effect ว่ายอดพุ่งช่วง Double Day มาจากส่วนลดหรือมาจากโฆษณากันแน่
3. ตัดสินใจปิดช่องทางที่ขาดทุน
ถ้า β ของ Google Display = 0.6 (ROAS < 1) แบรนด์สามารถตัดงบไปเพิ่ม TikTok ที่ β = 3.5 ได้ทันที
4. Negotiate กับ agency
ใช้ตัวเลข β เป็นหลักฐานต่อรองค่าคอมมิชชั่น หรือเปลี่ยน media mix ให้มีประสิทธิภาพขึ้น
ข้อเข้าใจผิดที่พบบ่อย
❌ "MMM บอกได้ว่าใครเห็นโฆษณา"
MMM ไม่ได้ทำงานระดับบุคคล มันบอกได้แค่ ภาพรวม ว่าช่องทางนั้นสร้างยอดขายเท่าไหร่ ไม่สามารถระบุ demographic หรือ retargeting audience ได้
❌ "MMM ใช้แทน Attribution ได้เลย"
จริง ๆ แล้ว MMM กับ MTA เสริมกัน — MMM ดูภาพใหญ่รวม offline, MTA ดูรายละเอียด digital ระดับลึก แบรนด์ที่ดีควรใช้ทั้งคู่
❌ "รัน MMM ครั้งเดียวจบ"
MMM ต้องอัปเดต ทุก 3–6 เดือน เพราะพฤติกรรมผู้บริโภคและต้นทุนสื่อเปลี่ยนตลอด โดยเฉพาะในตลาดไทยที่ค่า CPM TikTok แพงขึ้น 40% ในช่วง 2 ปีที่ผ่านมา
❌ "ยิ่งตัวแปรมาก ยิ่งแม่น"
การใส่ตัวแปรมากเกินไปจะเกิด multicollinearity ทำให้ β คลาดเคลื่อน ควรมีตัวแปร 8–15 ตัวกำลังดี
❌ "MMM ใช้ได้กับแบรนด์เล็ก"
ต้องมีข้อมูลย้อนหลังอย่างน้อย 104 สัปดาห์ (2 ปี) และงบสื่อรวม > 3 ล้านบาท/เดือน จึงจะให้ผลน่าเชื่อถือ
คำศัพท์ที่เกี่ยวข้อง
- AdStock / Carryover Effect — ผลกระทบของโฆษณาที่หลงเหลือข้ามช่วงเวลา
- Diminishing Return — เมื่อเพิ่มงบแล้วผลตอบแทนลดลง (มักใส่เป็น log หรือ power function)
- Baseline Sales — ยอดขายพื้นฐานที่ไม่ขึ้นกับโฆษณา (เช่น จากแบรนด์เอง ฤดูกาล)
- Incremental Sales — ยอดขายส่วนเพิ่มที่เกิดจากสื่อโดยเฉพาะ
- ROAS (Return on Ad Spend) — ยอดขาย ÷ งบโฆษณา
- mROAS (Marginal ROAS) — ยอดขายเพิ่ม ÷ งบเพิ่ม 1 หน่วย ใช้ตัดสินใจขยายงบ
- Multi-Touch Attribution (MTA) — การให้เครดิตConversionกับหลาย touchpoint
- Incrementality Testing — การทดลองแบบ holdout/geo-split เพื่อวัด causal effect
- Bayesian MMM — วิธี MMM รุ่นใหม่ที่ใช้ prior knowledge ช่วยให้แม่นขึ้นแม้ข้อมูลน้อย
- Media Mix Optimization (MMO) — ขั้นถัดไปของ MMM คือใช้โมเดลหาสัดส่วนงบที่ให้ ROI สูงสุด