Marketing Mix Modeling

Định nghĩa

Marketing Mix Modeling (MMM) là phương pháp phân tích thống kê dùng hồi quy (regression) để đo lường mức đóng góp của từng kênh tiếp thị vào tổng doanh thu. Thay vì dựa vào pixel hay cookie – vốn ngày càng kém hiệu quả sau iOS 14.5 và việc cookie bên thứ ba bị khai tử – MMM sử dụng dữ liệu tổng hợp (aggregate data) theo tuần hoặc theo tháng: chi tiêu quảng cáo, doanh số, yếu tố mùa vụ, giá bán, khuyến mãi, hoạt động đối thủ.

Điểm cốt lõi: MMM không trả lời "ai đã click?", mà trả lời "kênh nào thực sự tạo ra doanh thu, và nếu tăng ngân sách lên X% thì doanh thu tăng bao nhiêu?". Đây là công cụ chuẩn để phân bổ ngân sách ở cấp chiến lược, đặc biệt với thương hiệu DTC có nhiều kênh cùng lúc: Facebook Ads, Google Search, TikTok, KOL, email, SMS, và cả TV/CTV.

Ẩn dụ dễ hiểu

Hãy tưởng tượng bạn nấu một nồi phở. Bạn bỏ vào xương bò, quế, hồi, gừng, nước mắm, hành tím. Khi khách khen "phở ngon", bạn không thể biết chính xác quế đóng góp bao nhiêu % vào vị ngon đó – vì mọi nguyên liệu hòa quyện. MMM giống như một đầu bếp phân tích: nếm thử nhiều nồi phở với tỷ lệ nguyên liệu khác nhau qua nhiều tuần, rồi dùng toán học để tách riêng đóng góp của từng loại gia vị.

Trong DTC: "nồi phở" là doanh thu tháng, "gia vị" là các kênh marketing, còn "thời tiết, ngày lễ, giá" là các biến kiểm soát (control variables).

Công thức

Mô hình hồi quy MMM cơ bản:

Sales(t) = α
         + Σ β_channel × Adstock(Spend_channel, t)
         + Σ γ_control × Control(t)
         + ε(t)

Trong đó:

- Sales(t): doanh thu (hoặc số đơn) tại thời điểm t (tuần/tháng)

- α: baseline – doanh thu nền không đến từ marketing (thương hiệu, khách quay lại, SEO tự nhiên)

- β_channel: hệ số đóng góp của từng kênh

- Adstock: hàm khuếch đại hiệu ứng lan tỏa theo thời gian, ví dụ:

  Adstock(t) = Spend(t) + λ × Adstock(t-1),  với 0 ≤ λ < 1

λ = 0.5 nghĩa là 50% hiệu ứng quảng cáo tuần này còn kéo sang tuần sau.

- γ_control: hệ số của biến kiểm soát (mùa vụ, giá, khuyến mãi, Tết, 11.11, Black Friday)

- ε(t): sai số

Sau khi fit mô hình, ta tính ROAS biên tế (marginal ROAS):

mROAS_channel = ΔSales / ΔSpend

Đây mới là con số quyết định tăng/giảm ngân sách – không phải ROAS trung bình.

Bảng so sánh: MMM vs MTA vs Incrementality Test

Ở thị trường Việt Nam, combo hiệu quả nhất thường là MMM (chiến lược) + Geo-lift test (xác thực), vì MTA mất quá nhiều tín hiệu sau khi user tắt ATT.

Ứng dụng thực tế trong DTC Việt Nam

Ví dụ 1 – Thương hiệu skincare DTC, doanh thu 12 tỷ/tháng:

Chạy MMM trên 18 tháng dữ liệu, phát hiện:

- Baseline: 42% doanh thu (khách quay lại + SEO + WOM)

- Facebook Ads: mROAS 2.8

- Google Search brand: mROAS 6.1 (nhưng đã bão hòa – tăng thêm không hiệu quả)

- TikTok Ads: mROAS 1.9, chưa bão hòa → tăng 30% ngân sách

- KOL affiliate: mROAS 3.4

- Email/SMS: mROAS 8.2 nhưng trần ngân sách thấp

Kết quả: dịch chuyển 15% ngân sách từ Google brand sang TikTok, doanh thu tăng 8% trong 3 tháng mà không tăng tổng chi.

Ví dụ 2 – Thương hiệu thời trang, chu kỳ Tết:

Adstock của TV/CTV ở Việt Nam thường λ ≈ 0.35–0.45 (hiệu ứng kéo dài 2–3 tuần), trong khi TikTok λ ≈ 0.15–0.25 (hiệu ứng ngắn). Nếu không mô hình hóa adstock đúng, bạn sẽ đánh giá thấp TV và cắt ngân sách sai.

Ví dụ 3 – F&B DTC:

MMM cho thấy mỗi 1.000.000đ chi cho sampling offline tạo ra 3.200.000đ doanh thu trong 4 tuần kế tiếp – con số mà MTA không bao giờ thấy được.

Lỗi thường gặp

1. Bỏ qua adstock và saturation – coi mọi kênh là tuyến tính, dẫn đến khuyến nghị "tăng ngân sách mãi mãi" – sai hoàn toàn.

2. Multicollinearity – Facebook và TikTok thường tăng giảm cùng nhau, mô hình không tách được đóng góp. Cần regularization (Ridge/Lasso) hoặc Bayesian priors.

3. Dữ liệu quá ngắn – dưới 12 tháng thì mô hình không học được mùa vụ Tết, 11.11, Black Friday.

4. Không kiểm soát khuyến mãi và giá – giảm giá 30% làm doanh thu tăng, nhưng bạn tưởng đó là công của ads.

5. Nhầm correlation với causation – MMM chỉ ra tương quan; muốn chắc chắn phải chạy geo-lift test.

6. Dùng ROAS trung bình để phân bổ – phải dùng mROAS ở điểm cân bằng hiện tại.

7. Không cập nhật mô hình – nên refresh mỗi quý, vì hành vi người dùng và thuật toán nền tảng thay đổi liên tục.

Thuật ngữ liên quan

- MTA (Multi-Touch Attribution) – đo lường cấp user, bổ trợ cho MMM

- Incrementality Testing / Geo-lift – thử nghiệm nhân quả theo vùng

- Adstock / Carryover Effect – hiệu ứng lan tỏa theo thời gian

- Saturation Curve – đường cong bão hòa, cơ sở để tối ưu ngân sách

- Baseline Sales – doanh thu nền không từ marketing

- mROAS (Marginal ROAS) – ROAS biên tế, chỉ số vàng để phân bổ

- Bayesian MMM – phiên bản hiện đại dùng prior, tốt cho dữ liệu ít

- Unified Measurement – framework kết hợp MMM + MTA + experiment