MMM + AI से Predictive ROAS: 2026 की नई माप-तौल

दिसंबर 2025 में परफॉर्मेंस मार्केटिंग की सबसे बड़ी विडंबना ये है: बजट पहले से ज़्यादा डेटा-ड्रिवन दिखता है, पर माप-तौल पहले से ज़्यादा धुंधली हो गई है। प्राइवेसी बदलावों, पहचानकर्ताओं (identifiers) के कम होने, और मल्टी-टच जर्नी के “नॉन-लिनियर” होने से सिर्फ last-touch attribution पर निर्भर रहना अब वैसा ही है जैसे पूरी फिल्म का रिव्यू सिर्फ आख़िरी सीन देखकर लिख देना।

इस सीरीज़ “ई-कॉमर्स और रिटेल में AI” के संदर्भ में बात और भी सीधी है: रिटेल में AI से डिमांड फोरकास्टिंग, सिफारिश इंजन, और ग्राहक विश्लेषण जितने तेज़ हो रहे हैं, उतना ही ज़रूरी है कि आपकी मार्केटिंग माप-तौल भी उसी स्तर की हो—यानी predictive ROAS (Return on Ad Spend) का भरोसेमंद अनुमान।

मेरी राय साफ़ है: 2026 में जीत उन टीमों की होगी जो last-touch attribution + Media Mix Modeling (MMM) को एक “पावर-पेयर” की तरह चलाएँगी—और इसके ऊपर AI-आधारित ऑडियंस एनालिटिक्स व कंटेंट इंटेलिजेंस जोड़कर बजट शिफ्ट करने से पहले ROAS का प्रोजेक्शन निकालेंगी।

Last-touch attribution अब अकेला क्यों नहीं चल सकता

सीधा उत्तर: last-touch attribution तेज़ है, पर अधूरा है—और अधूरी माप-तौल से बजट के फैसले भी अधूरे होते हैं।

Last-touch attribution हर कन्वर्ज़न का क्रेडिट उस आख़िरी इंटरैक्शन को देता है, जो कन्वर्ज़न से ठीक पहले हुआ। पर आज का ग्राहक—खासकर ई-कॉमर्स/रिटेल में—कई “माइक्रो-मोमेंट्स” से प्रभावित होता है:

• शॉर्ट वीडियो/क्रिएटर कंटेंट देखकर डिस्कवरी
• रीटार्गेटिंग ऐड से रिमाइंड
• सेल/फेस्टिव ऑफर से ट्रिगर
• फिर ऐप/वेबसाइट पर जाकर खरीद

समस्या ये नहीं कि last-touch “गलत” है। समस्या ये है कि वो पूरी कहानी नहीं बताता।

ई-कॉमर्स उदाहरण: “असली वजह” अक्सर आख़िरी क्लिक नहीं होता

मान लीजिए आपने विंटर सेल (दिसंबर) में तीन चीज़ें साथ चलाईं:

1. इंस्टाग्राम/टिकटॉक जैसे प्लेटफॉर्म पर क्रिएटर वीडियो
2. CTV/OTT पर ब्रांडिंग स्पॉट
3. गूगल/मार्केटप्लेस पर सर्च ऐड

Last-touch अक्सर सर्च ऐड को हीरो बना देगा, क्योंकि खरीद से पहले लोग “ब्रांड + प्रोडक्ट” सर्च करते हैं। पर क्रिएटर वीडियो और OTT ने जो इंटेंट बनाया, वो गायब हो जाएगा। नतीजा: अगला बजट कट वहीं लग जाता है जहाँ असल में डिमांड बनी थी।

Modern MMM क्या है—और ये “साल में एक बार” वाला मॉडल क्यों नहीं रहा

सीधा उत्तर: आधुनिक MMM अब सिर्फ रेट्रोस्पेक्टिव रिपोर्ट नहीं; ये predictive और always-on निर्णय प्रणाली बन चुका है।

पुराने ज़माने में MMM की छवि “धीमी” थी—महीनों का डेटा, भारी कंसल्टिंग, और साल में एक रिपोर्ट। पर आज, खासकर प्राइवेसी-फर्स्ट माहौल में, MMM की ताकत बढ़ी है क्योंकि ये:

• एग्रीगेटेड (समूह-स्तर) डेटा पर काम कर सकता है
• नॉन-ट्रैकएबल मीडिया (कुछ OTT/व्यू-थ्रू प्रभाव, ब्रांड एक्सपोज़र) को भी मॉडल में जगह देता है
• लंबी अवधि के प्रभाव (carryover) और डिमिनिशिंग रिटर्न्स (response curves) को पकड़ता है

MMM की भाषा में 3 चीज़ें जो ROAS को “भविष्यवाणी योग्य” बनाती हैं

1. Response curve (दबाव-असर संबंध): खर्च बढ़ाने पर आउटपुट कब तक बढ़ता है, और कब फ्लैट होने लगता है
2. Lag & carryover: आज का खर्च कितने दिनों/हफ्तों तक असर दिखाता है
3. Incrementality: जो बिक्री/इंस्टॉल वास्तव में अतिरिक्त हुए, वो कितने हैं

AI यहाँ “अतिरिक्त फीचर” नहीं है। AI से MMM:

• मॉडल ट्यूनिंग तेज़ होती है
• सिग्नल-नॉइज़ अलग करने में मदद मिलती है
• अलग-अलग सेगमेंट (नए/पुराने ग्राहक, शहर, कैटेगरी) के लिए अलग कर्व निकाले जा सकते हैं

TikTok/शॉर्ट वीडियो का ROI अक्सर कम क्यों दिखता है—और MMM इसे कैसे ठीक करता है

सीधा उत्तर: शॉर्ट वीडियो प्लेटफॉर्म अक्सर जर्नी शुरू करते हैं, खत्म नहीं—इसलिए last-touch वहाँ का प्रभाव कम गिनता है।

शॉर्ट वीडियो की भूमिका “क्लिक” से पहले धारणा और इच्छा बनाने की होती है। जब आप सिर्फ last-touch देखते हैं, तो आप प्लेटफॉर्म को उसी काम के लिए जज करते हैं जो वो करता ही नहीं।

सोर्स लेख में दिए गए एक ठोस डेटा पॉइंट के मुताबिक, MMM से मापने पर TikTok iOS और Android दोनों पर लगभग 35% ज़्यादा incremental दिखा। साथ ही, TikTok का योगदान प्रतिस्पर्धियों की तुलना में 11%–16% ज़्यादा underreport होने की संभावना बताई गई, जबकि acquisition efficiency 17%–20% ज़्यादा हो सकती है।

मेरे अनुभव में, यही पैटर्न ई-कॉमर्स में “रील्स/शॉर्ट्स” के साथ भी दिखता है:

• ऊपर-फनल कंटेंट से ब्रांड सर्च बढ़ता है
• विशलिस्ट/ऐड-टू-कार्ट बढ़ता है
• फिर नीचे-फनल चैनल (सर्च/रेटार्गेटिंग) कन्वर्ट कराते हैं

MMM इन रिश्तों को गणित में बदल देता है। और जब AI-आधारित कंटेंट एनालिटिक्स जोड़ते हैं (क्रिएटिव थीम, हुक, प्राइस-मैसेजिंग, UGC बनाम स्टूडियो), तो आप सिर्फ “कहाँ खर्च करें” नहीं, “क्या बनाएं” भी तय कर पाते हैं।

Last-touch + MMM + AI: एक व्यावहारिक ऑपरेटिंग सिस्टम

सीधा उत्तर: last-touch को “टैक्टिकल स्पीड” के लिए रखें, MMM को “रणनीतिक सच” के लिए, और AI को “स्केल + प्रेडिक्शन” के लिए।

हाई-परफॉर्मिंग टीमें आमतौर पर तीन काम एक साथ करती हैं:

1) ड्यूल-लूप मेज़रमेंट बनाइए

• Daily/Weekly: last-touch (या प्लेटफॉर्म-रिपोर्टिंग) से ऑप्टिमाइज़ेशन—बिड, क्रिएटिव रोटेशन, ऑडियंस, फ्रीक्वेंसी
• Bi-weekly/Monthly: MMM से बजट री-अलोकेशन—किस चैनल का इन्क्रीमेंटल योगदान क्या है

2) “इन्फ्लुएंस” को KPI बनाइए, सिर्फ “लास्ट क्लिक” नहीं

ई-कॉमर्स में AI-आधारित ऑडियंस एनालिटिक्स से आप ऐसे leading indicators निकाल सकते हैं:

• ब्रांड सर्च वॉल्यूम
• कैटेगरी पेज व्यूज़
• ऐड-टू-कार्ट रेट
• रिपीट विज़िट्स
• रिटेंशन (यदि ऐप है)

ये संकेत MMM में explainable drivers बनते हैं—और आपके ROAS पूर्वानुमान को मजबूत करते हैं।

3) खर्च करने से पहले “सीनारियो” चलाइए

Scenario-based MMM का सबसे प्रैक्टिकल इस्तेमाल यही है:

• “अगर हम OTT 15% बढ़ाएँ और रेटार्गेटिंग 10% घटाएँ तो 4 हफ्तों में ROAS कहाँ जाएगा?”
• “विंटर सेल (दिसंबर) में डिस्काउंट-मैसेजिंग बनाम फ्री-डिलीवरी मैसेजिंग—कौन सा क्रिएटिव ज्यादा इन्क्रीमेंटल देगा?”

AI यहां दो जगह चमकता है:

• तेजी से scenario simulation (बहुत सारे कॉम्बिनेशन)
• क्रिएटिव/कंटेंट के पैटर्न पहचानकर MMM के लिए फीचर्स बनाना

स्निपेट-लाइन: जिस टीम के पास बजट शिफ्ट करने से पहले ROAS का भरोसेमंद अनुमान है, वही टीम “कम बर्बादी” के साथ तेजी से बढ़ती है।

2026 के लिए एक 30-दिन का एक्शन प्लान (ई-कॉमर्स/रिटेल)

सीधा उत्तर: 30 दिनों में आप “परफेक्ट MMM” नहीं बनाएँगे, पर आप एक कामचलाऊ predictive measurement फ्रेमवर्क जरूर खड़ा कर सकते हैं।

1. डेटा इन्वेंट्री (दिन 1–7):

   • चैनल-वाइज़ खर्च, इम्प्रेशन, रीच, फ्रीक्वेंसी
   • सेल्स/ऑर्डर डेटा (दैनिक), प्राइस/डिस्काउंट कैलेंडर, स्टॉक-आउट लॉग
   • फेस्टिव/सेल इवेंट्स (जैसे ईयर-एंड सेल)

2. कन्वर्ज़न को “एक” नहीं, “तीन” बनाइए (दिन 8–12):

   • New customer orders
   • Repeat orders
   • High-margin SKU orders

3. पहला MMM MVP (दिन 13–21):

   • 8–12 हफ्तों का डेटा भी शुरुआत के लिए ठीक है (जितना ज्यादा उतना बेहतर)
   • response curves और lag assumptions डॉक्यूमेंट करें

4. AI-आधारित क्रिएटिव टैक्सोनॉमी (दिन 22–26):

   • हर ऐड/वीडियो को थीम, ऑफर, फॉर्मेट, लंबाई, हुक के हिसाब से टैग करें
   • टॉप 5 क्रिएटिव पैटर्न निकालें जो अप-फनल संकेत बढ़ाते हैं

5. पहला बजट-सिमुलेशन रिव्यू (दिन 27–30):

   • 2 scenario चुनें, छोटे शिफ्ट के साथ टेस्ट करें
   • MMM बनाम last-touch का अंतर लिखित में रखें (सीखने के लिए)

लोग जो अक्सर पूछते हैं (और जवाब जो काम के हैं)

क्या MMM छोटी टीम/ब्रांड के लिए भी उपयोगी है?

हाँ—अगर आप इसे “MVP” रूप में अपनाते हैं। छोटे ब्रांड के लिए सबसे बड़ा लाभ ये है कि MMM आपको बताता है कौन सा चैनल सच में अतिरिक्त बिक्री ला रहा है, न कि सिर्फ क्रेडिट ले रहा है।

क्या last-touch attribution को बंद कर देना चाहिए?

नहीं। मैं इसे बंद करने के पक्ष में नहीं हूँ। टैक्टिकल ऑप्टिमाइज़ेशन (क्रिएटिव/ऑडियंस/बिड) के लिए last-touch तेज़ फीडबैक देता है। बस इसे “अंतिम सत्य” मत बनाइए।

AI का रोल सिर्फ ऑटो-रिपोर्टिंग तक सीमित है?

नहीं। AI का असली रोल है:

• बड़े डेटा में पैटर्न पकड़ना
• कंटेंट/क्रिएटिव signals को structured फीचर्स में बदलना
• scenario planning तेज़ करना

2026 की तैयारी: ROAS को “रिपोर्ट” नहीं, “अनुमान” बनाइए

Last-touch attribution 2026 में भी रहेगा—क्योंकि स्पीड जरूरी है। पर अकेला last-touch आपको वही दिखाएगा जो आख़िर में हुआ, न कि वो जो असरदार था। Modern MMM उस कमी को भरता है, और AI-आधारित ऑडियंस व कंटेंट एनालिटिक्स इसे predictive बनाते हैं—यानी बजट शिफ्ट करने से पहले आप ROAS का अंदाज़ा लगा सकते हैं।

अगर आप “ई-कॉमर्स और रिटेल में AI” की बड़ी तस्वीर देख रहे हैं—डिमांड फोरकास्टिंग से लेकर सिफारिश इंजन तक—तो अगला तार्किक कदम यही है: मार्केटिंग माप-तौल को भी predictive intelligence पर लाना।

अब सवाल ये नहीं कि “MMM अपनाएँ या नहीं।” सवाल ये है: आप इसे कितनी जल्दी अपने ऑपरेटिंग रिद्म में ला रहे हैं—इस दिसंबर के बाद, या 2026 की पहली तिमाही के पहले ही?