Bạn đang chi vài trăm triệu mỗi tháng cho Facebook, Google, TikTok, KOL, billboard và cả tài trợ sự kiện. Cuối kỳ, câu hỏi vẫn nguyên đó: kênh nào thực sự đẻ ra doanh thu, kênh nào chỉ ăn theo? Attribution trong trình quản lý ads trả lời một nửa, và thường là nửa sai. Marketing mix modeling là công cụ dành cho những brand đã đủ lớn để câu hỏi đó tốn tiền thật.
Mở bài: chị chủ chuỗi mỹ phẩm và bảng ngân sách 400 triệu
Chị Hằng điều hành một brand mỹ phẩm có website D2C và hệ thống 12 cửa hàng. Ngân sách marketing tháng khoảng 400 triệu, rải qua bảy kênh. Mỗi tháng, team marketing gửi báo cáo: Facebook ROAS 4.2, Google ROAS 5.1, TikTok ROAS 2.8. Nghe hợp lý, nhưng chị Hằng để ý một điều lạ. Khi chị cắt hẳn ngân sách billboard và tài trợ hội chợ trong hai tháng để tiết kiệm, doanh thu online cũng tụt theo, dù hai kênh đó không hề xuất hiện trong bất kỳ báo cáo ROAS nào.
Lý do rất đơn giản: billboard và hội chợ không click được, nên không có pixel nào ghi nhận. Nhưng chúng vẫn tạo nhu cầu, và nhu cầu đó sau này chuyển hoá qua một lượt tìm kiếm Google hoặc một cú click Facebook, rồi bị hai kênh này "nhận công". Chị Hằng đang phân bổ ngân sách dựa trên một bức tranh thiếu mất một phần ba diện tích.
Đây chính là lúc marketing mix modeling có việc để làm. Bài viết này giúp bạn hiểu MMM là gì, nó khác attribution ở đâu, khi nào brand D2C nên dùng, và mức dữ liệu tối thiểu để bắt đầu. Nói trước: đây không phải công cụ cho shop nhỏ, mà cho brand có ngân sách và hệ thống đủ lớn.
MMM là gì và nó trả lời câu hỏi gì
Marketing mix modeling (MMM), hay media mix modeling, là phương pháp thống kê dùng dữ liệu lịch sử để đo mức đóng góp của từng kênh marketing vào doanh thu hoặc doanh số tổng. Nói cho dễ hình dung: thay vì đi theo dấu chân từng khách hàng như attribution, MMM nhìn từ trên xuống, đặt câu hỏi "khi tôi chi X đồng vào kênh này, doanh thu tổng thay đổi bao nhiêu, sau khi đã gạt bỏ ảnh hưởng của mùa vụ, giá cả và các kênh khác?".
Về mặt kỹ thuật, MMM dựng một mô hình hồi quy. Biến phụ thuộc là doanh thu (hoặc số đơn) theo tuần hoặc tháng. Các biến độc lập là chi tiêu từng kênh, cộng thêm các yếu tố ngoài marketing: mùa vụ, khuyến mãi, giá bán, thời tiết, ngày lễ, thậm chí hoạt động đối thủ. Mô hình bóc tách xem mỗi đồng đổ vào kênh nào đóng góp bao nhiêu vào kết quả cuối cùng.
Hai khái niệm lõi bạn cần nắm:
- Adstock (hiệu ứng trễ): một quảng cáo TV hôm nay không tạo đơn ngay, mà còn tác động vài tuần sau. MMM mô hình hoá độ trễ này.
- Diminishing returns (lợi ích cận biên giảm dần): đổ 100 triệu vào Facebook không hiệu quả gấp đôi 50 triệu. Đến một ngưỡng, mỗi đồng thêm vào đem lại ít hơn. MMM tìm ra ngưỡng bão hoà đó cho từng kênh.
Chính hai điều này khiến MMM trả lời được câu hỏi mà bảng ROAS không bao giờ trả lời nổi: "Nếu tôi chuyển 30 triệu từ Facebook sang billboard, tổng doanh thu tăng hay giảm?"
MMM khác attribution ở đâu
Đây là phần dễ gây nhầm lẫn nhất, nên hãy đặt hai phương pháp cạnh nhau.
Attribution (đo lường đa kênh) đi theo dấu chân từng người dùng. Nó dựa vào cookie, pixel, ID người dùng để nối các điểm chạm: khách thấy quảng cáo Facebook, click Google, rồi mua trên web. Attribution mạnh ở việc tối ưu chiến dịch số theo ngày, theo giờ, theo từng nhóm quảng cáo. Nhưng nó có ba điểm yếu chí mạng: không nhìn thấy kênh không click được (TV, billboard, PR, KOL không gắn link), phụ thuộc nặng vào dữ liệu cá nhân đang ngày càng bị chặn (cookie chết, iOS hạn chế tracking), và có xu hướng "nhận vơ" công của kênh cuối cùng trước khi mua.
MMM không cần dữ liệu cá nhân từng người. Nó làm việc trên dữ liệu tổng hợp theo tuần/tháng, nên miễn nhiễm với chuyện cookie chết hay iOS chặn tracking. Đây là lý do MMM đang hồi sinh mạnh: một phân tích cho thấy mức áp dụng MMM tăng khoảng 212% kể từ 2023 (theo ConvertMate và các báo cáo đo lường của ngành, tham khảo), phần lớn do làn sóng siết quyền riêng tư khiến attribution truyền thống mất dữ liệu.
Cách hiểu thực dụng nhất:
| Tiêu chí | Attribution | MMM |
|---|---|---|
| Góc nhìn | Từng khách hàng (bottom-up) | Toàn kênh (top-down) |
| Dữ liệu cần | Cookie, pixel, ID cá nhân | Dữ liệu tổng hợp theo tuần/tháng |
| Đo được kênh offline? | Không | Có |
| Bị ảnh hưởng bởi cookie chết? | Có, rất nặng | Không |
| Tối ưu theo | Ngày, giờ, nhóm quảng cáo | Quý, phân bổ ngân sách chiến lược |
| Trả lời câu hỏi | Kênh nào ra đơn này? | Chi thêm vào đâu để tổng tăng? |
Kết luận không phải "cái nào tốt hơn", mà là chúng trả lời hai câu hỏi khác nhau. Attribution giúp bạn chỉnh chiến dịch tuần này. MMM giúp bạn quyết phân bổ ngân sách năm sau. Brand trưởng thành dùng cả hai, và nếu bạn đang xây nền đo lường, hãy đọc thêm về cách làm attribution đo lường đa kênh cho brand trước khi nghĩ tới MMM.
Khi nào brand D2C nên dùng MMM
Nói thẳng: đa số shop và brand nhỏ không cần MMM. Đây là công cụ có chi phí thiết lập và yêu cầu dữ liệu cao. Bạn nên cân nhắc MMM khi hội đủ các dấu hiệu sau.
Một, ngân sách marketing đủ lớn và trải nhiều kênh. Nếu bạn chỉ chạy Facebook và Google, attribution và test A/B là đủ. MMM chỉ đáng tiền khi bạn có từ năm, sáu kênh trở lên, trong đó có kênh không click được. Kinh nghiệm thị trường: ngân sách marketing từ vài trăm triệu mỗi tháng trở lên mới bắt đầu hợp lý.
Hai, có chi tiêu offline hoặc brand đáng kể. Billboard, TV, tài trợ, PR, KOL mega. Đây là nhóm mà attribution mù hoàn toàn. Nếu phần lớn ngân sách của bạn là performance số thuần, MMM ít giá trị hơn.
Ba, bạn đang phải ra quyết định phân bổ lớn. Ví dụ: "năm sau tăng ngân sách 40%, đổ vào đâu?" hoặc "có nên cắt billboard để dồn cho TikTok không?". Đây là loại quyết định mà đoán sai tốn hàng tỷ đồng, và MMM chính là để định lượng nó.
Bốn, attribution của bạn đang mất dữ liệu. Nếu bạn thấy khoảng cách giữa doanh thu thực tế và doanh thu mà các pixel ghi nhận ngày càng lớn (thường do iOS chặn tracking, người dùng từ chối cookie), đó là dấu hiệu attribution đang thủng, và MMM lấp được lỗ hổng đó vì nó không dựa vào dữ liệu cá nhân (đặc điểm được nhắc nhiều trong các phân tích của Brands Vietnam và giới performance marketing, tham khảo).
Về lợi ích, các đơn vị triển khai ghi nhận brand dùng MMM để phân bổ ngân sách có thể đạt hiệu quả cao hơn khoảng 23% so với phân bổ theo cảm tính hoặc chỉ dựa ROAS (theo Improvado, tham khảo). Con số cụ thể tuỳ ngành và chất lượng dữ liệu, nhưng hướng thì rõ: phân bổ có mô hình luôn thắng phân bổ theo trực giác.
Mức dữ liệu tối thiểu để bắt đầu
Đây là rào cản thực sự. MMM là mô hình thống kê, nên nó đói dữ liệu. Không đủ dữ liệu, mô hình cho ra kết quả rác nhưng trông vẫn "có vẻ khoa học", và đó là cái bẫy nguy hiểm nhất.
Mức tối thiểu thường được khuyến nghị:
- Độ dài lịch sử: ít nhất 2 năm dữ liệu theo tuần (khoảng 104 điểm dữ liệu), hoặc tối thiểu 1 năm nếu bạn có nhiều biến động để mô hình học được. Ít hơn thì mô hình không tách nổi mùa vụ khỏi hiệu quả marketing.
- Chi tiêu từng kênh theo tuần: bóc tách chi tiêu chính xác cho từng kênh, không gộp chung "quảng cáo số".
- Doanh thu/đơn theo tuần: khớp với cùng khung thời gian.
- Biến kiểm soát: giá bán, lịch khuyến mãi, ngày lễ, thay đổi lớn (ra sản phẩm mới, mở cửa hàng).
- Đủ biến động trong chi tiêu: nếu bạn chi Facebook đúng 50 triệu mọi tuần suốt hai năm, mô hình không học được gì về kênh đó. Phải có lúc cao lúc thấp.
Điều kiện nền tảng: dữ liệu của bạn phải sạch và gom được một chỗ. Nếu chi tiêu ads nằm rải rác, doanh thu web một nơi, doanh thu cửa hàng một nẻo, thì việc đầu tiên không phải là MMM mà là dựng hạ tầng dữ liệu. Đây là lúc một nền tảng analytics tập trung trở thành điều kiện cần, chứ không phải tính năng "nice to have". Nếu bạn còn đang loay hoay ở khâu đọc số cơ bản, hãy bắt đầu từ cách đọc số liệu analytics cho shop và cài đặt tracking đo lường GA4, Pixel, CAPI cho chuẩn đã.
Cách triển khai MMM ở mức thực tế cho brand Việt
Bạn không cần thuê một hãng tư vấn sáu con số ngay từ đầu. Lộ trình thực dụng:
- Gom và làm sạch dữ liệu. Xuất chi tiêu từng kênh theo tuần trong 1-2 năm, ghép với doanh thu tương ứng. Đây thường là bước tốn 60% công sức.
- Bắt đầu với mô hình nhẹ. Có công cụ mã nguồn mở miễn phí như Robyn (của Meta) hay LightweightMMM/Meridian (của Google) đã kéo chi phí khởi điểm xuống rất nhiều. Một người có nền phân tích số có thể chạy được.
- Đọc kết quả với đầu óc phản biện. Mô hình cho ra đường cong bão hoà và đóng góp từng kênh. Đừng tin tuyệt đối con số, hãy hỏi "kết quả này có logic kinh doanh không?".
- Kiểm chứng bằng test thực địa. MMM gợi ý "tăng ngân sách kênh A thêm 20% sẽ có lợi". Thay vì tin ngay, hãy chạy thử một tháng và đối chiếu. Vòng lặp mô hình rồi thực nghiệm là cách MMM đáng tin.
Nói thẳng: mặt trái của MMM
Đây là phần mà các bài quảng cáo dịch vụ MMM ít khi nói.
MMM là ước lượng, không phải chân lý. Nó cho ra khoảng tin cậy, không phải con số tuyệt đối. Hai team chạy MMM trên cùng bộ dữ liệu có thể ra kết quả lệch nhau đáng kể tuỳ giả định. Ai bán cho bạn "MMM chính xác đến từng phần trăm" là đang bán ảo tưởng.
Đói dữ liệu và dễ bị lạm dụng. Với brand Việt, hai năm dữ liệu sạch theo tuần là thứ hiếm. Nhiều brand không đủ biến động chi tiêu để mô hình học. Chạy MMM trên dữ liệu mỏng cho ra kết quả trông khoa học nhưng sai, và sai kiểu này nguy hiểm hơn không có gì, vì bạn tự tin ra quyết định lớn dựa trên nó.
Không thay thế attribution. MMM không nói cho bạn nên tắt nhóm quảng cáo nào chiều nay. Nó là công cụ chiến lược quý, tối ưu chiến thuật thì không.
Chậm. MMM cho góc nhìn theo quý, theo năm. Nếu thị trường của bạn thay đổi từng tuần, một mô hình dựa trên hai năm quá khứ có thể đã lỗi thời khi bạn dùng nó.
Kết luận trung thực: MMM đáng tiền cho đúng đối tượng, tức brand ngân sách lớn, nhiều kênh, có chi tiêu offline. Với phần còn lại, đầu tư vào attribution sạch và test có kỷ luật cho ra kết quả tốt hơn với chi phí thấp hơn nhiều.
Kết
Marketing mix modeling không phải phép màu, mà là một cái ống nhòm giúp bạn nhìn được phần bức tranh mà attribution để trống, đặc biệt là các kênh không click được và tác động thương hiệu. Nó chỉ đáng tiền khi bạn đã đủ lớn để một quyết định phân bổ ngân sách sai làm bạn mất hàng tỷ. Nếu chưa tới ngưỡng đó, hãy làm cho chắc nền đo lường trước.
Điều kiện tiên quyết cho cả attribution lẫn MMM là dữ liệu gom về một mối, sạch, gắn được doanh thu web và cửa hàng vào cùng một khung. Đó cũng chính là thứ ScaleCommerce dựng cho brand khi xây hệ analytics trên nền website D2C của bạn, và là nền tảng để chuyện phân bổ ngân sách marketing dừng là đoán mò. Nếu bạn đang cân nhắc một đối tác đủ dài hơi để đi cùng chặng này, tham khảo cách hợp tác cùng ScaleCommerce.
Câu hỏi thường gặp (FAQ)
MMM và attribution, tôi phải chọn một? Không. Chúng bổ sung nhau. Attribution tối ưu chiến dịch số theo ngày, MMM định hướng phân bổ ngân sách chiến lược theo quý và bắt được cả kênh offline. Brand trưởng thành dùng cả hai và đối chiếu kết quả.
Shop nhỏ có nên dùng MMM không? Gần như không. MMM đói dữ liệu và tốn công thiết lập. Nếu bạn chỉ chạy hai, ba kênh số, attribution sạch cộng test A/B cho kết quả tốt hơn với chi phí thấp hơn nhiều. Chỉ cân nhắc MMM khi ngân sách lớn và có nhiều kênh, gồm cả offline.
Cần tối thiểu bao nhiêu dữ liệu để chạy MMM? Thường cần ít nhất 2 năm dữ liệu theo tuần (khoảng 104 điểm), có bóc tách chi tiêu từng kênh và doanh thu tương ứng, cộng các biến kiểm soát như giá, khuyến mãi, ngày lễ. Quan trọng là chi tiêu phải có biến động, chi đều nhau mọi tuần thì mô hình không học được.
Chạy MMM có tốn kém không? Trước đây rất tốn vì phải thuê tư vấn. Nay các công cụ mã nguồn mở như Robyn (Meta) hay Meridian (Google) đã hạ chi phí khởi điểm đáng kể, một người có nền phân tích số chạy được. Chi phí thật nằm ở khâu chuẩn hoá dữ liệu.
MMM có phụ thuộc cookie và dữ liệu cá nhân không? Không. Đây là ưu điểm lớn nhất của MMM trong bối cảnh hiện nay. Nó làm việc trên dữ liệu tổng hợp theo tuần/tháng, nên miễn nhiễm với chuyện cookie chết hay iOS chặn tracking, khác hẳn attribution.
Kết quả MMM có tin tuyệt đối được không? Không. MMM là ước lượng có khoảng tin cậy, không phải con số tuyệt đối. Luôn kiểm chứng gợi ý của mô hình bằng test thực địa trước khi dồn ngân sách lớn theo nó.
Nguồn tham khảo
- ConvertMate, các báo cáo đo lường ngành: mức áp dụng MMM tăng khoảng 212% kể từ 2023 (tham khảo)
- Improvado, Marketing Mix Modeling & Budget Allocation Guide: phân bổ ngân sách bằng MMM hiệu quả hơn khoảng 23% (tham khảo)
- Brands Vietnam, các phân tích performance marketing: MMM không phụ thuộc dữ liệu cá nhân (tham khảo)
- Meta Robyn, Google Meridian: tài liệu công cụ MMM mã nguồn mở
Nhận buổi đánh giá doanh nghiệp miễn phí từ ScaleCommerce: xem điểm số, lỗ hổng và lộ trình cụ thể cho riêng shop của bạn. Không pitch, chỉ tư vấn thật.