Hyvä myynnin mallinnus alkaa vuosisuunnitelmasta, ei rajapinnoista. Jos mediat luokitellaan väärin tai liian hienojakoisesti, myynnin mallinnus (MMM) tuottaa epävakaita johtopäätöksiä ja epämääräistä muminaa. Sen takia mallinnuksen suunnittelu tulisi aloittaa vuosisuunnitelmasta ja taivuttaa data sen taksonomiaan — ei toisin päin. Tällöin mallinnuksessa voidaan parhaillaan ottaa huomioon myös esimerkiksi attention ja luovan taso. Mutta kuten markkinointistrategiassa, myös mallinnuksessa pitää valita mitä priorisoidaan. Jos tavoitteita on liikaa, niin missään tavoitteessa tuskin saavutetaan maksimaalisia tuloksia. Pahimmillaan ”helppo” tapa tehdä medialuokittelu on täysin hyödytön markkinoinnin suunnittelun kannalta. 

Nykypäivänä datat saadaan helposti mallinnukseen erilaisten rajapintojen ja connectoreiden kautta. Se helpottaa elämää – mutta riskinä on, että medioiden luokitteluun ei kiinnitetä tarpeeksi huomiota. Tämä voi johtaa siihen, että mallinnuksen tulokset vastaavat enemmän rajapintojen ja laskutusjärjestelmien, kuin mediasuunnittelun taksonomiaa (eli tapaa luokitella mediaa). Pahimmillaan tulokset jäävät tasolle ”Google Adsin ROI on korkeampi kuin DV360:n”. Tällöin jää huomiotta, että sekä Google Ads että DV360 sisältävät erilaisia formaatteja, kanavia ja tavoitealgoritmeja. Offline-medioiden puolelta vastaava esimerkki voisi olla toteamus, että ”printissä Kärkimedia toimii paremmin kuin Helsingin Sanomat” (Kärkimediahan ei ole lehti, vaan myyntiorganisaatio, josta voi myös Hesaria ostaa).

All you can eat -medialuokitteleminen voi johtaa hankalasti tulkittaviin ja epävakaisiin mallinnustuloksiin

Toinen ääripää on, että mediat on pilkottu hyvin tarkalle tasolle, jolloin esimerkiksi jokaisen mallinnettavan digimedian alle tulee useita formaatteja, joiden alla voi olla vielä useita erilaisia tavoitteita (revenue/prospecting/retargeting/awareness/recall/click/conversions). Tällöin ongelmana voi olla datan riittävyys – mitä tarkemmin media on luokiteltu, sitä vähemmän on dataa per medialuokittelu. Tämä voi johtaa siihen, että: 

1. Mallin tuloksista tulee epävakaat ja mallin uskottavuus kärsii 
2. Digimediat ylikorostuvat – mitä tarkempi luokittelu, sitä enemmän mallilla on mahdollisuuksia löytää digille vaikutuksia 
3. Mallista voi tulla turhan iso ja raskas tulkittavaksi 
4. Medioiden optimointi ja ennustaminen käy raskaaksi – esimerkiksi silloin, kun halutaan ennustaa myynnit viikkotasolle viedylle vuosisuunnitelmalle. Oletetaan että mallissa on 10 mediaa ja kussakin mediassa 3 formaattia ja 5 tavoitetta = se tekee 150 mallinnettavaa muuttujaa. Jos haluamme ennustaa myyntejä, meidän tarvitsisi lyödä vuosisuunnitelmaan joka viikolle budjetit noille 150 muuttujalle, plus huomioida mahdolliset mediakohtaiset rajoitteet (minimi/maksimitasot, lukitukset). Mutta onko suunnitelmaa edes tehty samalla sabluunalla kuin mallinnusta? Ehkä mediat onkin suunniteltu ensisijaisesti esimerkiksi eri konseptien alle, eikä eri digimedioiden tavoitealgoritmien alle? 
5. Muut, mahdollisesti relevantimmat näkökulmat unohtuvat 

Media ja kampanjataksonomian tulisi lähteä liikkeelle vuosisuunnitelmasta  

Ensimmäinen asia, jonka pohjalta mallinnusta tulisi lähteä rakentamaan, on vuosisuunnitelma. Miten mediat on pilkottu, ja millaisia kokonaisuuksia käytetään? Mainonta voidaan luokitella esimerkiksi muutamaan kattokonseptiin, tuotteittain tai kampanjatyypeittäin (esim. brändi / taktinen), joiden alla mediat jaetaan niin tarkasti kuin mahdollista, huomioiden datan määrä ja laatu – jos luokkia on liikaa, medioissa liian vähän varianssia tai osuus budjetista jää hyvin pieneksi, olemme jälleen ongelmissa. 

Myös huomaaminen ja luova voidaan tuoda osaksi mallinnusta 

Vuosisuunnitelmasta löydämme monesti myös muuta mielenkiintoista tietoa kuin medioiden ja kampanjoiden luokittelut. Onko esimerkiksi lähdetty testaamaan erilaisia display-mainonnan formaatteja huomaamisen kannalta? Jos eri formaatteja hyödynnetään paljon, voi olla hyvä pilkkoa displayta korkean huomioarvon ja matalan huomioarvon kokonaisuuksiin. Luovaa voidaan lähestyä samanlaisella ajattelulla kuin Ekimetricsin tekemässä keississä, joka esiteltiin WARCin Future of Measurement 2025 raportilla (A framework for integrating creative effectiveness in MMM). Siinä YouTube -mainokset pisteytettiin luovan tason mukaan kolmeen luokkaan, ja edelleen mallinnuksessa mainosten impressiot jaoteltiin näiden luokitusten mukaisesti. Lopputulos oli, että luokan ”optimal” mainokset toivat 2.2x suuremman ROI:n kasvun verrattuna luokan ”poor” YouTube-mainoksiin.* 

Ratkaisu on yleensä jonkinlainen hybridi 

Osalla asiakkaista luokittelu on hyvin suoraviivaista, mutta toisinaan pitää hakea balanssia eri vaihtoehdoista. Jos esimerkiksi yhtenäistä brändimainontaa tehdään erilaisilla formaateilla, voidaan brändimainontaa luokitella näiden formaattien mukaan. Jos samanaikaisesti taktista mainontaa tehdään tuotekulma edellä samoilla formaateilla, voidaan tuotemainonnassa jäädä tuoteryhmäperusteiseen luokitteluun. Kaiken avain on vuosisuunnitelma ja mediakalenteri – mitä tavoitteita on asetettu ja millä kulmalla mainontaa on tarkoitus tehdä missäkin mediassa. Tämän pohjalta voidaan lähteä tekemään relevanttia mallinnusta. 

Älä tyydy rajapinnan taksonomiaan, vaan huolehdi siitä, että data taipuu vuosisuunnittelun taksonomiaan. Mallin tulee palvella markkinoinnin suunnittelua ja strategiaa, ei rajapintoja.

Lähteet:  WARC, The Future of Measurement 2025 (WARC, 2025) https://www.warc.com/content/paywall/article/warc-exclusive/the-future-of-measurement-2025/en-gb/160103