This report examines the problem of budget allocation in digital marketing and provides an in-depth analysis of various techniques and approaches to tackle this challenge. In particular, the report formulates the problem of budget allocation between marketing entities using media mix models as a sequential decision problem under uncertainty. It focuses on daily allocations among digital marketing campaigns given a monthly budget and suggests various strategies to balance the exploration vs exploitation tradeoff. Drawing insights from existing studies on marketing mix models, media mix models, endogeneity, and other aspects of modeling sales in the field of marketing, the report incorporates concepts from causal inference, optimal experimental design, dual control, and Bayesian reinforcement learning to highlight a previously overlooked aspect of media mix modeling—the decision-making process that follows the insights provided by these models. The report advocates for companies to utilize concepts from control theory and causal inference in the decision-making process to mitigate the issues inherent in modeling marketing response. It emphasizes the potential benefits of concurrently assuming the roles of both an analyst and a decision-maker when optimizing digital marketing expenditure. To compare the proposed solutions, simulations replicating real-world scenarios were conducted, encompassing cold starts, endogeneity issues, stochastic time-varying dynamics, and low variance in expenditure. The canonical approach was deemed the top performer, with a dual control heuristic coming in second.

Denna rapport undersöker problemet med budgetfördelning inom digital marknadsföring och ger en djupgående analys av olika tekniker och tillvägagångssätt för att hantera denna utmaning. I synnerhet formulerar rapporten problemet med budgetfördelning mellan marknadsföringsenheter med hjälp av media mix-modeller som ett sekventiellt beslutproblem under osäkerhet. Den fokuserar på dagliga fördelningar mellan digitala marknadsföringskampanjer med en månadsbudget och föreslår olika strategier för att balansera avvägningen mellan utforskning och exploatering. Genom att dra insikter från befintliga studier om marknadsföringsmixmodeller, mediemixmodeller, endogenitet och andra aspekter av försäljningsmodellering inom marknadsföringsfältet, införlivar rapporten koncept från kausal inferens, optimal experimentell design, dubbel kontroll och Bayesiansk förstärkningsinlärning för att belysa en tidigare förbisedd aspekt av mediemixmodellering—beslutsprocessen som följer de insikter som dessa modeller ger. Rapporten förespråkar att företag utnyttjar koncept från styrteori och kausal inferens i beslutsprocessen för att mildra de problem som är inneboende i att modellera marknadsföringssvar. Den betonar de potentiella fördelarna med att samtidigt anta rollerna som både analytiker och beslutsfattare när man optimerar digitala marknadsföringsutgifter. För att jämföra de föreslagna lösningarna genomfördes simuleringar som replikerar verkliga scenarier, inklusive cold starts, endogenitetsproblem, stokastisk tidsvariation och låg varians i utgifter. Den kanoniska metoden ansågs vara den mest framgångsrika, med en heuristisk metod för dubbel kontroll på andra plats.