数据粒度指收集和分析信息的详细程度，即信息的 "精细度"。数据的所有维度都有可能被考虑在内：
与执行能力或流程加速一样，提高粒度也是当前变革营销决策支持解决方案的催化剂之一。直到几年前，无法获取的数据、不合适的方法和不足的计算能力还阻碍着这一领域的发展。标准结果被简化为过于综合和过于不精确的元素，无法有效管理媒体行动或将其数字化。我们怎么还能考虑根据 "电视 "和 "数字渠道 "投资回报率的简单比较，在一个国家的范围内，在一个非常广泛的目标上，将所有格式和平台结合起来，来制定传播战略甚至战术呢？
无论使用何种技术--MMM、增量测试、实验等，无论是单独使用还是结合使用--结果的稳健性和可操作性都取决于系统转换 "真实世界 "的能力，以及记录每种营销行为对消费者的作用、对品牌绩效的贡献的能力...
建立更相关、更精确的模型。 虽然看似矛盾，但增加粒度往往能简化模型的构建，提高模型的精确度。数据的粒度越细，就越能避免营销活动的效果 "淹没在平均值中"，因为营销活动的效果往往不尽相同。例如，根据品牌在全国范围内的表现（将展示区域和非展示区域结合起来）来评估高度本地化的城市数字展示活动的效果，不可避免地会导致低估其贡献。在不同在线视频平台上开展的活动的效果也是如此，这些活动的效果往往被汇总到一个总的 "VOL "中，从而抹杀了差异。
多项研究表明，更细化的模型可以显著提高质量和稳定性。特别值得一提的是尼尔森公司*的研究：对日本消费品和电子商务领域的 19 个产品类别的 MMM 进行了分析，并同时对全国和地区（46 个都、道、府、县）的销售和媒体数据进行了建模。MMM 的精确度因所依据数据的粒度不同而有很大差异。全国数据的 MMM 方法可以确定 16%的杠杆/媒体渠道对增量销售的贡献，而引入地区维度后，这一比例达到了 66%。
同样，考虑到零售商和在线商务参与者的不同客户群在营销活动效果上的差异，我们的模型在精确度上有了显著提高。这是基于代理的建模方法*的基础，它使我们能够模拟营销活动对不同消费者群体的影响。
一般来说，过于综合的观点无法考虑媒介内部的混合效应。例如，在搜索中，花费在品牌上的金额与花费在搜索上的总金额之间的比例变化会对绩效产生很大影响。如果不考虑品牌和非品牌维度，且这一比例随时间变化很大，那么建模结果将完全不能反映消费者的实际情况，而且不精确，甚至是错误的。
在业务规模上取得成果。 营销分析师现在可以了解营销组合的每个组成部分、每个元素如何对品牌绩效做出贡献，而不是停留在大集合的层面上。谁还能满足于将所有营销活动、所有 "社交媒体 "平台累加在一起，视频格式不能单独存在的衡量标准？在分析 "零售媒体网络 "的有效性时，我们怎么能不纳入 "零售商 "维度呢？
此外，这种深度分析还能更好地了解营销渠道之间的互动，突出潜在的协同作用和杠杆效应，从而提高整体效果。以城市数字展示活动为例，通过衡量与电视活动的互动或展示区域的促销活动所带来的收益，可以直接提供运营洞察。
所获得的洞察力显然为在所有相关维度（营销杠杆、地理区域、消费者细分......）上更贴近业务需求地分配营销资源开辟了道路，而 MMM 结果以前并不能提供这种不可或缺的放大功能，使结果具有可操作性。因此，在 MMM 中采用粒度化不仅是技术或方法上的选择，也是业务上的需要。
对未来的预测更稳健、反应更迅速。在更细的层面上更好地了解每种营销渠道的作用，更忠实地反映市场的实际情况，这也使得在情景规划方法中预测和模拟计划活动的影响更加可靠。
运营改进也会影响营销决策的灵活性和快速适应市场动态变化的能力。事实上，通过监控细粒度数据，营销分析师可以快速识别消费者行为的变化、新出现的趋势、竞争挑战或目标群体对媒体或创意元素的反应、媒体策略的表现或演讲策略的演变。
虽然颗粒度对衡量和优化营销效果的贡献似乎是不可否认的，但将其整合到决策支持系统中仍然是一个庞大的项目，需要进行相应的管理。
第一个挑战当然是确定数据平台的 最佳粒度水平。一个主要的陷阱可能是追求过高的粒度。粒度越高，成本越高。此外，还有必要对以下问题保持警惕：
问题的关键不是要放弃基本的整理和信息收集......任何数据科学技术都无法弥补基本数据相关性的降低！
同样，建模方法和处理算法的选择也至关重要。通常需要在收集数据的粒度与必要模型的复杂性和性能之间找到一个折中点。因此，要为模型校准、利用和验证确定合理的详细程度。无论如何，应该注意的是，更精细的数据可以保存在数据平台中，并使用特定的数据科学程序进行特别研究。因此，对于零售商而言，数据可按产品部门建模，用于经常性分析；当需要分析更高级的问题时（例如：零售商的沟通与制造商的促销策略之间的协同作用），更详细的数据（例如，按部门内的品牌）可作为特别研究的基础。
五十五所的经验表明，在大多数情况下，成功的基础是 循序渐进、逐步实施。"小步骤 "是任何 "营销效率 "* 决策支持系统开发的基础，而当目标是提高精细度时，"小步骤 "就显得更为重要。每一个步骤都需要对数据平台的丰富性以及能够提取和利用营销行动有效性相关见解的算法进行严格审查，并确定需求的优先次序。
对于美国 "消费品 "行业的一家广告商来说，在实施了全国性的 MMM 解决方案后，第一步是在更细的地理范围内测试建模的潜在收益，因为可以获得每周的销售数据。
几周后，对这些地区进行抽样分析：
与此同时，该品牌还能将这些成果与地理区域对照实验（GeoTests / GeoExperiments）和基于历史观测数据的准实验研究进行比较。
这一过程的第二步在 6 周内完成，包括调整数据平台和模型，以便在地理和媒体两个维度上推广这一进展。
第三步，考虑到以下因素，丰富了该系统：
总之，数据粒度对营销组合建模至关重要，对营销效果测量和优化工具也是如此。它可以提高精确度、可操作性、预测的稳健性以及对市场变化的响应速度。然而，要达到最佳粒度，仍然需要适当的数据管理和明智的建模算法选择。
文章共同撰写人：Mathieu Lepoutre 和 Arnaud Parent
发现最新资讯、深度文章、网络研讨会视频，以及55数据的各项活动。
.svg)
.jpg)
