A carregar...
Publicação
From bids to impact : optimising digital marketing budgets in the telecom industry using machine learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.15 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
he global advertising market was valued at approximately US$1 trillion in 2024, with digital advertising accounting for around US$690 billion (70–75% of total expenditure) and growing at 15–20% annually, significantly outpacing traditional media (Bain & Company, 2025). In telecommunications, where competition is intense and marketing budgets are substantial, even small allocation inefficiencies can have material financial consequences. However, investment decisions in multi-channel digital environments remain complex due to delayed and non-linear effects, cross-channel interactions, data constraints, and channel concentration. Using weekly aggregated data, this study evaluates three marketing mix modelling (MMM) approaches: a baseline model, a time-varying coefficient model, and a hierarchical model informed by a directed acyclic graph (DAG). Rather than identifying a single superior specification, the analysis examines how model structure influences performance, stability, and interpretability under realistic data constraints. Results show similar out-of-sample predictive performance across models, with more structured approaches providing more stable and consistent contribution estimates. To translate these insights into practical decision-making, a constrained optimisation framework is applied to simulate alternative budget allocation scenarios. This enables the assessment of how model-based response functions can inform investment decisions under realistic business constraints. Overall, the findings suggest that predictive limitations are primarily driven by data constraints rather than model specification. In such contexts, model selection should prioritise stability and interpretability, while optimisation outputs should be interpreted as directional guidance, ideally complemented by experimental validation.
O mercado global de publicidade foi avaliado em cerca de 1 bilião de dólares em 2024, com a publicidade digital a representar aproximadamente 690 mil milhões (70–75% do total) e a crescer entre 15–20% ao ano, superando os meios tradicionais (Bain & Company, 2025). No setor das telecomunicações, onde a concorrência é elevada e os orçamentos são significativos, mesmo pequenas ineficiências na alocação podem ter impactos financeiros relevantes. Ainda assim, as decisões de investimento em ambientes digitais multicanal permanecem complexas devido a efeitos atrasados e não lineares, interações entre canais e limitações de dados.Com base em dados agregados semanais, este estudo avalia três abordagens de marketing mix modelling (MMM): um modelo base, um modelo com coeficientes variáveis no tempo e um modelo hierárquico informado por um grafo acíclico dirigido (DAG). A análise examina como a estrutura do modelo influencia o desempenho, a estabilidade e a interpretabilidade sob restrições realistas de dados. Os resultados mostram desempenhos preditivos semelhantes fora da amostra, com modelos mais estruturados a apresentarem estimativas mais estáveis. Para apoiar a decisão, aplica-se um modelo de otimização com restrições que simula cenários de alocação de orçamento, permitindo avaliar como as funções de resposta dos modelos informam decisões de investimento em condições realistas. Os resultados indicam que as limitações preditivas resultam sobretudo dos dados e não da especificação. Assim, quando o desempenho é semelhante, a escolha deve privilegiar estabilidade e interpretabilidade, sendo as recomendações de otimização entendidas como orientações indicativas a validar experimentalmente.
O mercado global de publicidade foi avaliado em cerca de 1 bilião de dólares em 2024, com a publicidade digital a representar aproximadamente 690 mil milhões (70–75% do total) e a crescer entre 15–20% ao ano, superando os meios tradicionais (Bain & Company, 2025). No setor das telecomunicações, onde a concorrência é elevada e os orçamentos são significativos, mesmo pequenas ineficiências na alocação podem ter impactos financeiros relevantes. Ainda assim, as decisões de investimento em ambientes digitais multicanal permanecem complexas devido a efeitos atrasados e não lineares, interações entre canais e limitações de dados.Com base em dados agregados semanais, este estudo avalia três abordagens de marketing mix modelling (MMM): um modelo base, um modelo com coeficientes variáveis no tempo e um modelo hierárquico informado por um grafo acíclico dirigido (DAG). A análise examina como a estrutura do modelo influencia o desempenho, a estabilidade e a interpretabilidade sob restrições realistas de dados. Os resultados mostram desempenhos preditivos semelhantes fora da amostra, com modelos mais estruturados a apresentarem estimativas mais estáveis. Para apoiar a decisão, aplica-se um modelo de otimização com restrições que simula cenários de alocação de orçamento, permitindo avaliar como as funções de resposta dos modelos informam decisões de investimento em condições realistas. Os resultados indicam que as limitações preditivas resultam sobretudo dos dados e não da especificação. Assim, quando o desempenho é semelhante, a escolha deve privilegiar estabilidade e interpretabilidade, sendo as recomendações de otimização entendidas como orientações indicativas a validar experimentalmente.
Descrição
Palavras-chave
Marketing mix modelling Budget optimisation Multi-channel marketing Time-series analysis Advertising effectiveness Telecommunications industry Otimização de orçamentos Marketing multicanal Análise de séries temporais Eficácia publicitária Indústria de telecomunicações
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC