Team Media Machine sai lentävän lähdön kesäkuussa, kun tiimiin kuuluva Maurits (Kaptein) lehahti Helsinkiin jatkoon pääsyn varmistuttua.
Sekä Mika (Häyrinen) että Petri (Parvinen) olivat saaneet hankittua pilottiasiakkaan ThinkInk-kisan kenttäkoevaihetta varten, rohkeita monimediallisia mainostajia kumpikin firma. Samalla touhuttiin meneillään olevan yliopiston tutkimusprojektin partnerin kanssa. Näin nämä hommat usein menevät: tutkimus- ja kehitysvaiheet nivoutuvat toisiinsa.
Media Machine on analyyttinen työkalu, joka suosittelee muutoksia eri kanavissa tapahtuviin mediapanostuksiin niiden tehon optimointiin perustuen. Oppiminen, optimointi ja mixin säätäminen on jatkuva prosessi. Media Machinen filosofia on siis eri kuin perinteisen raskassoutuisen ekonometrisen ROMI-mallinnuksen, joka on melkoinen (konsultti)projekti.
Media Machine tarvitsee syödäkseen myynti- ja markkinointidataa aikaleimoilla varustettuna. Täytyy kyllä sanoa, että myyntidatat alkavat nykyään olla firmoissa hyvin järjestettynä. Vielä viisi vuotta sitten ajantasaisen myyntitiedon saaminen analyysitarpeisiin oli kiven alla.
Ensimmäisiä kenttäkoetuloksia odotetaan nyt vesi kielellä. Kehittelemme samalla sopivaa mittaria kanavakohtaiselle tehokkuudelle. Asiakkaille tutut termit – kuten ROMI (return-on-marketing-investment) – eivät oikein sovellu algoritmipohjaiseen tehokkuuden optimointiin, koska kyse on jatkuvasta oppimisesta ja rajahyödyn maksimoinnista. Näin ollen regressiomalleille tyypillistä ROMI-tyyppistä ”jakolaskua” (tuotokset/panokset) tietylle historiallisille ajanjaksolle ei oikein voi tehdä. Aiemmissa tutkimuksissa olemme käyttäneet termiä S-A-M-Y (sales-and-marketing-yield) ja suomeksi MEKA (markkinointieuron kate) rajakatepotentiaalista. Sekään ei kuitenkaan huomioi sitä, että käytettävä havaintoaineisto on itse asiassa suuri määrä kokeiluja, eikä historiallisten myyntien suhteuttamista historiallisiin mediainvestointeihin. Ehkäpä joku suhteellinen indeksi olisi sittenkin paras, katsotaan…
Kanavakohtaisten mediapanostusten säätämisen lisäksi Media Machinea voi käyttää esimerkiksi luovien sisältöjen testaamiseen. Onkin todella mielenkiintoista nähdä millaisia haluja ja vaatimuksia asiakkailla on ensimmäisten tulosten tultua. Pieni pelko on puserossa, että kaikkea innostutaan mittaamaan ja suosituksia halutaan monesta eri kulmasta, kun filosofianamme on nimenomaan ollut tehdä mahdollisimman yksiselitteinen ja käytettävä jatkuva prosessi ilman minkäänlaista ”tutkimusraporttimaisuutta”. Noh, puristus on kesän aikana kovaa ja täytyyhän sitä vähän historiadataakin murskata, jotta Media Machine oppii mahdollisimman nopeasti. Palataan.
