Market Mixed Model คืออะไร

–20 min read-

เมื่อปลายปี 2026 ผมได้ไปฝึกงานเป็น Data Analyst ที่ Data First

Data First บริษัทที่เป็น Marketing Agancy ที่เป็น Data-driven Company เลยอยากจะมาแชร์ประสบการณ์ที่ได้จากการฝึกงาน

โดยจะเล่าถึง Sprint หนึ่งที่มีโอกาศได้ทำคือการดูว่า “ยอดขายที่ได้มาจากโฆษณาตัวไหน”

ลองนึกภาพคุณเป็นเจ้าของแบรน และอยากให้คนรู้จักแบรนของเรา ทำยังไง?

ก็ต้องซื้อโฆษณาถูกไหม ไม่ว่าจะเป็น ทีวี, เฟสบุ๊ค, Billboard, เว็ปเพจ และอื่นๆที่จะเพิ่มคนที่จะรู้จัก และ มาเป็นลูกค้าของเรา

แต่ปัญหาคือ เงินที่เราจ่ายไปกับโฆษณาตัวไหนกันหล่ะ ที่เป็นตัว drive ยอดขายของเรา

ตารางนี้ประกอบด้วยยอดขาย และเงินที่เราจ่ายไปกับโฆษณาในช่องทางต่างๆ เช่น TV, Facebook,Web, Print , ooh(ย่อมาจาก out of home พวกโฆษณาที่เจอได้ข้างนอกบ้าน พวก Billboard)

ในรูปคือข้อมูลดิบที่ธุรกิจต้องมีเป็นอย่างน้อยๆ ถ้าอยู่ในยุคที่ข้อมูลเป็นเรื่องสำคัญ

คำถามคือแล้วเราจะเอาข้อมูลพวกนี้ไปทำอะไร?

เราจะเอาข้อมูลนี้ไปเข้า Model ทางคณิตศาสตร์ที่จะบอกเราได้ว่าเราควรจะจ่ายเงินไปกับโฆษณาช่องทางไหนดี

ทำความรู้จักกับ Market Mixed Model

Market Mixed Model หรือเรียกย่อๆว่า MMM จะเป็น Model ที่จะมาพูดถึงกันในวันนี้

“Half the money I spend on advertising is wasted; the trouble is I don’t know which half.”

John Wanamaker

John บอกว่า “ครึ่งนึงขอเงินที่จ่ายไปกับโฆษณานั้นไร้ประโยชน์ แต่ปัญหาอยู่ที่เขาดันไม่รู้น่ะสิ ว่าเป็นเงินครึ่งไหน”

Data Science ของบริษัทยักษ์ใหญ่ไม่ว่าจะเป็น Facebook, Google, Amazon เลยได้คิดค้น market mixed model ของตัวเอง ที่จะมาแก้ไขปัญหานี้แต่หลักๆแล้วก็จะทำงานเหมือนกันเลยก็คือ

• หา pattern ของยอดขายและดูว่า โฆณาตัวไหนที่ส่งผลให้ยอดขายสูงขึ้น

บทความนี้จะมาให้ดู MMM ของ Facebook ซึ่งเป็น open-source (เขาปล่อยให้คนธรรมดาเอา model ที่เขาพัฒนาไป run เองได้) เขาได้ตั้งชื่อว่า Robyn MMM

ถ้าอยากดูว่าโค๊ดเป็นยังไงผมจะแปะลิงค์ไว้ให้ทุกคนไปอ่านดูกัน https://github.com/facebookexperimental/Robyn/blob/main/demo/demo.R

ในนี้เลย บอกวิธีการ run ทุกขั้นตอนอย่างละเอียด (ใช้ภาษา R นะ)

ถ้าไม่อยากทำความเข้าใจเยอะ อ่านในนี้ก็ได้ ผมสรุปมาให้แล้วทำตามได้เลย!

Robyn MMM

โดยบทความนี้จะไม่ได้มาเจาะลึกว่าโมเดลทำงานยังไง แต่ Hand-On จับมือทำกัน Step By Step

1. เริ่มจากโหลด/ติดตั้ง R Studio
2. Load Dataset (ในคลิปนี้จะใช้ dataset ที่มีมาให้จาก Robyn package)
3. ใส่ Input เข้าไปใน Robyn
4. ใส่ Parameters
5. รันโมเดล
6. อ่านผล + ตีความสำหรับใครที่ยังไม่เคยติดตั้งมาก่อน นี่คือคู่มือการติดตั้ง โปรแกรม R รวมถึง Tools ทั้งหมดที่ใช้สำหรับ Robyn MMM

Step 1: Install

สำหรับใครที่ยังไม่เคยติดตั้งมาก่อน นี่คือคู่มือการติดตั้ง โปรแกรม R รวมถึง Tools ทั้งหมดที่ใช้สำหรับ Robyn MMM

คู่มือติดตั้ง

ลิงค์ Download : https://posit.co/download/rstudio-desktop

ต้องโหลดทั้ง R และ RStudio นะ

พอติดตั้งเสร็จ เข้าโปรแกรมมาจะหน้าตาแบบนี้

> install.packages(c("Robyn","reticulate"))

สำหรับใครที่ยังไม่มี Python

สามารถโหลดได้ที่ https://www.python.org/downloads/ (ตอน Install ให้ ติ๊กถูกตรงช่อง add python to PATH ด้วย)

วิธีเช็คว่าในเครื่องเรามีหรือยัง ให้พิมพ์ใน terminal :

>> python --verison
Python 3.1..

จากนั้น เปิด Terminal ขึ้นมา:

1. สร้าง Folder งานของเรา
   • mkdir my_project && cd my_project
2. python -m venv mmm_venv #สร้าง Environment ที่ชื่อ mmm_venv
3. Command:
   • Window: ./venv/Scripts/activate
   • Mac: source ./venv/bin/activate
4. pip install nevergrad

---

Step 2: เริ่ม Project ของเรากัน

เข้ามาที่ R-studio

1.เริ่มจาก Set-up project:

เราต้องทำการ activate environment ที่เราได้สร้างไว้เมื่อ Step 1 (ที่ ต้องพิมพ์ python -m venv mmm_venv)

	library(Robyn)
	library(reticulate)
	use_virtualenv("./mmm_venv/")

view raw MMM_setup.R hosted with ❤ by GitHub

2.Prepare Data:

ใน Package Robyn เขามี Dataset มาให้ลองเล่นที่มีชื่อว่า dt_simulated_weekly

เรียกมาดู 5 แถวแรกก่อน

head(dt_simulated_weekly)

view raw .R hosted with ❤ by GitHub

     DATE        revenue   tv_S   ooh_S print_S facebook_I search_clicks_P search_S competitor_sales_B facebook_S events newsletter
   <date>        <dbl>  <dbl>   <dbl>   <dbl>      <dbl>           <dbl>    <dbl>              <int>      <dbl> <chr>       <dbl>
 1 2015-11-23 2754372. 22358.      0   12728.  24301284.              0        0             8125009      7607. na         19402.
 2 2015-11-30 2584277. 28613.      0       0    5527033.           9837.    4133.            7901549      1142. na         14791 
 3 2015-12-07 2547387.     0  132278.    454.  16651591.          12044.    3787.            8300197      4256. na         14544 
 4 2015-12-14 2875220  83450.      0   17680   10549766.          12268.    4253.            8122883      2800. na          2800 
 5 2015-12-21 2215953.     0  277336       0    2934090.           9467.    3613.            7105985       690. na         15478 
 6 2015-12-28 2569922. 33225.      0   31922.  16634027.          12687.    3773.            7097237      5337. na         13817 
 7 2016-01-04 2171507.   687. 226754.      0   13715899.          12097.    3707.            6974368      3623. na         28817 
 8 2016-01-11 2464132.  2952.      0   23581.  18851564.          11588.    4267.            7452174      4130. na         19082 
 9 2016-01-18 2012520      0       0       0   11910188.           9341.    3053.            6703566      3623. na         19679 

Dataset นี้ประกอบด้วย :

1. DATE วันที่ ความถี่ของ data ที่เก็บมาจะเห็นได้ว่าเป็นระดับ Weekly
2. Revenue รายได้จากสินค้าของเรา
3. Ads Spend จำนวนเงินที่เราจ่ายไปให้กับโฆษณาแต่ละช่องทาง อย่างเช่น:
   • Tv_S (TV spend) ค่าโฆษณาทางทีวี หรือ facebook_S ค่าโฆษณาทางเฟสบุ๊ค
4. Competitor (optional) คือ ยอดขายของสินค้าคู่แข่ง
5. Event(optional) เป็น Binary Variable (0กับ1) ถ้าวันไหนบริษัทเราจัด campaign ก็จะเป็น 1 ไม่จัดก็เป็น 0

ขี้เกียจเขียนละ public เลยละกัน