On olemassa kuuluisa sitaatti, johon viittaan mielelläni aina puhuessani markkinoinnin mittaamisesta: ”Puolet mainontaan käyttämistäni rahoista menee hukkaan; ongelmana on, etten tiedä, kumpi puoli se on.”
Useimpien markkinoijien on vaikea perustella työnsä vaikutusta yrityksen tulokseen. Eikä sillä ole merkitystä, mitä markkinoinnin mittaustyökaluja käytämme.
Siksi keksimme jatkuvasti uusia termejä ja sanoja, kuten 'kysynnän luominen' ja 'pimeä sosiaalinen media', koska haluamme välttää vastuun ottamista tai omistajuutta luvuista. Kyllä, sanoin sen ääneen!
Se ei tarkoita, että markkinoinnin menestystä olisi mahdotonta mitata tai ettei sitä pitäisi mitata.
Markkinoijien täytyy ajatella enemmän taloushallinnon ammattilaisten ja vähemmän markkinoijien tavoin saadakseen ”paikan pöydästä” (eli johtoryhmän pöydästä). Määritellään markkinoinnin mittaaminen, sen merkitys ja se, miksi sillä on väliä.
Mitä markkinoinnin mittaaminen siis on?
Yksinkertaisesti sanottuna kyse on markkinoinnin pitkän ja lyhyen aikavälin vaikutusten mittaamisesta liiketoimintaan. Haluan jakaa sen aikahorisontteihin, koska niin markkinointi toimii.
Jotkin toimet tuottavat lyhyen aikavälin tuloksia (myyntiä, liidejä, SQL:iä), kun taas toiset tuottavat pitkän aikavälin tuloksia (muistamista, tunnettuutta ja markkinaosuutta – vaikka paras tapa lisätä tunnettuutta, muistamista ja markkinaosuutta saattaa olla … myydä enemmän tuotteita useammille ihmisille).
Miksi tämä on tärkeää?
Jotta tiedät, mihin käytät seuraavan dollarisi. Jos laadit neljännesvuosi- tai vuosisuunnitelmaa, vastaat liikevaihto- tai luotujen mahdollisuuksien kiintiöstä tai sinun täytyy perustella seuraavan ABM-kampanjasi budjetti, sinun on tiedettävä suurella varmuudella, mistä saat millaisia tuloksia.
Sinun on mallinnettava myyntisuppilosi ymmärtääksesi, mitkä kanavat tuovat millaisia lukuja.
Se, miten potentiaaliset asiakkaat etenevät suppilossa, sekä aiempi suorituskyky ovat joskus parhaita tulevien tulosten ennustajia – joten tee perusteltuja vetoja ja villejä korttivetoja.
Toisin sanoen markkinoinnin mittaaminen auttaa sinua vastaamaan kysymykseen: ”Jos sinulla olisi 100M, mihin käyttäisit sen?” (ehkä vastaus olisi Super Bowl -mainos).
Miten markkinointia MITATAAN?
Lyhyt vastaus: malleilla
Mutta puhutaan ensin asiasta, joka usein jää huomiotta ja joka on olennaisen tärkeä tämän aiheen paremmalle ymmärtämiselle – inkrementaalisuudesta.
Aloitetaan yksinkertaisella pizzeriavertauksella, jota joku käytti tämän asian selittämiseen minulle.
Kuvitellaan, että omistat pizzerian ja sinulla on 5 dollarin kuponkeja. Palkkaat kaksi ihmistä jakamaan näitä lentolehtisiä ja kannustat heitä bonuksella, joka perustuu siihen, kuinka moni asiakas saapuu ostamaan pizzaa kuponki kädessään.
Henkilö A lähtee kadulle ja jakaa lentolehtisiä mahdollisimman monille ohikulkijoille. Samaan aikaan henkilö B seisoo pizzerian ovella ja jakaa lentolehtisiä ihmisille, jotka tulevat ostamaan pizzaa.
Kumpi henkilö ”hankki enemmän kuponkeja”?
Henkilö B – pizzaa joka tapauksessa ostamaan tullut asiakas ottaa todennäköisemmin vastaan 5 dollarin alennuskuponin. Hän olisi kuitenkin ostanut pizzan riippumatta siitä, oliko hänellä kuponkia (hän oli jo kävellyt ovesta sisään).
Henkilö A kuitenkin toi paikalle enemmän ihmisiä, jotka eivät olisi ostaneet pizzaa ilman 5 dollarin kuponkia.
Henkilö A toi enemmän ”uusia asiakkaita” eli inkrementaalista myyntiä, kun taas henkilö B toi vähemmän inkrementaalista myyntiä.
Vaikka henkilö B siis voittaisi palkinnon eniten jaetuista kupongeista ja myydyistä pizzoista, 90 % näistä ihmisistä olisi ostanut pizzan joka tapauksessa.
Miksi puhun pizzasta? Koska inkrementaalisuus on markkinoinnissa vaikea ratkaistava käsite. Kuinka suuri osa markkinoinnin aikaansaamasta myynnistämme oli inkrementaalista verrattuna siihen, mitä asiakkaat olisivat ostaneet joka tapauksessa (ilman osallistumista messuille tai ilmoittautumista webinaariin jne.)? Palaamme tähän hieman alempana.
Odotitko jotain markkinoinnin attribuutiotyökaluista? LOL.
Hyvä on, jatketaan markkinoinnin inkrementaalisuuden tärkeästä käsitteestä ja perehdytään markkinoinnin mittaamiseen käytettäviin eri menetelmiin. Näillä menetelmillä pyritään määrittämään markkinointitoimien vaikutus määrällisesti, mikä auttaa yrityksiä kohdentamaan budjettinsa tehokkaammin.
Kun ymmärrät nämä menetelmät, pystyt lähestymään markkinointia analyyttisemmin ja taloudellisesti harkitummin.
Markkinointimix-mallinnus (MMM)
Markkinointimix-mallinnus (MMM) on tilastollinen analyysitekniikka, jossa arvioidaan historiallisia tietoja erilaisten markkinointitaktiikoiden myyntivaikutuksen määrittämiseksi ja ennustetaan sen jälkeen tulevien taktiikkakokonaisuuksien vaikutusta.
Siinä otetaan huomioon useita muuttujia, kuten taloudelliset olosuhteet, kilpailu, markkinointiin käytetyt varat ja niin edelleen.
MMM tarjoaa tietoa kunkin markkinointikanavan tehokkuudesta pitkällä aikavälillä ja auttaa ymmärtämään, miten markkinointimixin eri osatekijät vaikuttavat myyntiin. Se on hyödyllinen budjettien jakamisessa korkean tason markkinointikanavien välillä sekä pitkän aikavälin strategisessa suunnittelussa.
MMM:ää varten tarvitaan suuri tietoaineisto, jotta voidaan testata, miten erilaiset tilastolliset mallit selittävät dataa ja sopivat siihen sekä millä mallilla on suurin luotettavuus (eli mikä selittää datan ja sen vaihtelut parhaiten; toisin sanoen se on vähäriskisempi valinta).
Parempien mallien rakentamiseksi on ihanteellista käyttää tarkemman aikavälin dataa, esimerkiksi päivittäistä dataa, joka sopii paremmin kuin kuukausittainen data, koska sitä on enemmän.
MMM:n etuna on, että se ulottuu pelkkiä verkkokanavia laajemmalle ja voi osoittaa, mikä vaikutus 100K:n ulkomainoskampanjalla on tulokseen.
MMM:n ongelmana on, että kuten useimmissa B2B-yrityksissä, dataa ei ole riittävästi. Esimerkiksi yrityksellä, joka myy yritysasiakkaalle ja tekee vain kolme kauppaa vuodessa.
MMM soveltuu myös paremmin vuosittaiseen tai neljännesvuosittaiseen analyysiin kuin markkinoinnin optimointiin viikko- tai kuukausitasolla.
Esimerkkejä MMM:n käytöstä
42 Agencylla hyödynnämme markkinointimixmalleja asiakkaidemme kanssa ja teemme edistynyttä analyysiä löytääksemme tietoa, joka ulottuu ensimmäisen ja viimeisen kosketuspisteen attribuutiota pidemmälle.
Yksi asiakkaistamme käyttää mediabudjettiin noin 1 miljoonaa dollaria kuukaudessa ja käytti merkittävän osan budjetistaan Metan tunnettuusmainoksiin ja LinkedInin tavoittavuusmainoksiin. Teimme analyysin vastataksemme muutamaan kysymykseen:
- Toivatko Meta ja LinkedIn MQL/SQL:iä? (Vastaus oli kyllä)
- Vaikuttiko tavoittavuus- ja tunnettuusmainoksiin käytetty raha positiivisesti SQL- ja MQL-määriin? (Vaikutus ei ollut niin suuri kuin ajattelimme. Joissakin tapauksissa vaikutus oli negatiivinen, eli tavoittavuus- ja tunnettuusmainoksiin käytetty raha todennäköisesti tuotti meille vähemmän MQL:iä)
- Mikä on eri kanavien mainosvaikutus eli kuinka kauan ihmiset muistavat mainoksen sen nähtyään? (Facebookilla on suurin mainosvaikutus ja AdWordsilla pienin)
- Missä kohtaa lisäpanostusten tuotto alkaa vähentyä eli mikä on kunkin kanavan lisädollarin odotettu konversio ja konversion hinta? (Tietyn pisteen jälkeen kuluttaminen toi vähemmän konversioita suhteellisen korkeammalla CPA:lla)
Korrelaatio ei tarkoita kausaliteettia, mutta se tekee tarinasta kiinnostavan.
Toisen asiakkaan kanssa investoimme voimakkaasti YouTube-videomainoksiin.
YouTuben CVR (klikkauksen jälkeinen konversioaste) on hyvin matala, koska 80 % YouTube-mainoksista näytetään televisioissa. Mainokset ovat kuitenkin erinomaisia bränditarinan kertomisessa, mihin suoraviivaiseen toimintaan tähtäävät mainokset, kuten Google Ads- tai Meta-mainokset, eivät pysty.
Vaikka emme voineet yhdistää YouTubeen käytettyä rahaa suoraan konversioihin CVR:n avulla, YouTube-mainosten esitysjaksot ja suorien/orgaanisten kanavien kautta saadut konversiot korreloivat selvästi keskenään. Tämä korrelaatio tarkoitti, että mainoksemme ohjasivat potentiaalisia asiakkaita rekisteröitymään muiden kanavien kautta.
Have an account? Log In
Monikosketuspisteattribuutio (MTA)
Monikosketuspisteattribuutiomallit (MTA) jakavat ansion jokaiselle kosketuspisteelle, jonka asiakas kohtaa matkallaan kohti konversiota. Toisin kuin MMM, joka tarkastelee markkinointimixiä makrotasolla, MTA toimii mikrotasolla ja analysoi yksittäisten digitaalisen markkinoinnin toimenpiteiden, kuten B2B-sähköpostimarkkinoinnin, mainosten tai hakukoneoptimoinnin / orgaanisen liikenteen, tehokkuutta konversiossa.
MTA auttaa markkinoijia ymmärtämään, mitkä kosketuspisteet ovat tehokkaimpia konversioiden aikaansaamisessa, mikä mahdollistaa markkinointikulujen tarkemman optimoinnin.
Esimerkiksi MTA:n avulla voimme kohdentaa ensi kuussa enemmän rahaa LinkedIn-mainoksiin, koska viimeisten 30 päivän raportti osoitti niiden tuottaneen enemmän konversioita myyntimahdollisuuksiksi kuin Google-mainosten.
Siinä missä MMM voi havaita riittävän suorituskyvyn kasvun ilman suoriin klikkauksiin perustuvaa dataa, MTA tarvitsee klikkauksia ja seurantaa (selaimen tai palvelimen puolella) yhdistääkseen kosketuspisteet ja rakentaakseen asiakaspolun.
MTA:n suurin ongelma on, että se perustuu vahvasti UTM-seurantaan, klikkauksiin ja evästeisiin, joiden käyttöä ollaan yhä enemmän lopettamassa.
On tärkeää huomata, että MTA ei perustu kolmannen osapuolen evästeisiin (joita käytetään enemmän mainonnassa), vaan ensimmäisen osapuolen evästeisiin (1P). Jopa 1P-evästeet poistetaan kuitenkin Safari-selaimessa seitsemän päivän kuluttua. Maailmassa, jossa potentiaaliset asiakkaat käyttävät yhä useampia laitteita, selaimet estävät skriptejä ja poistavat UTM-linkkejä.
Toisin sanoen MTA-seurannasta tulee monimutkaisempaa ja sen tarkkuus hämärtyy.
Jos käytät evästebanneria, jolla pyydät kävijöiltä suostumusta, mutta kävijä ei anna sitä, et pysty seuraamaan viittaustietoja tai muita tietoja siitä, miten hän saapui sivustollesi.
Analytiikassasi käynti näkyy tällöin ”suorana käyntinä”. Vain 31 % kävijöistä antaa suostumuksen evästeisiin, joten lähes 70 % käynneistäsi näkyy ”suorina”.
Voisin jatkaa päiviä, mutta palataanpa takaisin aiheeseen ja perehdytään joihinkin MTA-malleihin ja niiden käyttöön.
Yleiset monikosketuspisteattribuution (MTA) mallit
Tässä ovat yleisimmät MTA-mallit, joihin olen törmännyt B2B-markkinoijana toimiessani. Ja näin niitä käytetään.
1. Ensimmäisen kosketuspisteen malli
Ensimmäisen kosketuspisteen malli kohdistaa 100 % konversion ansiosta asiakaspolun ensimmäiselle kosketuspisteelle.
Tämä malli perustuu periaatteeseen, jonka mukaan ensimmäinen vuorovaikutus on kriittisin, sillä se tutustuttaa asiakkaan brändiin tai tuotteeseen ja luo perustan kaikelle myöhemmälle sitoutumiselle.
Sovellus: Tämä malli auttaa arvioimaan markkinointisuppilon yläosan toimien, kuten bränditunnettuuskampanjoiden, tehokkuutta. Sen avulla ymmärrämme, miten pääsemme ihmisten tietoisuuteen (eli miten lisäämme tunnettuutta).
Näin käytät sitä: HubSpotissa tätä kutsutaan nimellä Alkuperäinen lähde sen valmiissa tietomallissa. HubSpotin ja analytiikkatyökalujen avulla tallennetaan evästeen avulla ensimmäinen kerta, kun joku vierailee sivustollasi, ja yhdistetään se liidiin tämän konvertoituessa.
Jos käytät UTM-parametreja, kyseessä on yleensä sen ensimmäisen kerran UTM, kun joku vieraili verkkosivustollasi (ei vain täyttänyt lomaketta). Voit seurata tätä Google Analyticsissa (UA) kohdassa Mallien vertailu > Ensimmäinen klikkaus. GA4 on poistanut nämä vaihtoehdot.
2. Viimeisen kosketuspisteen malli
Vastaavasti viimeisen kosketuspisteen malli kohdistaa kaiken konversion ansion viimeiselle kosketuspisteelle ennen konversion tapahtumista. Tämä malli olettaa, että viimeinen vuorovaikutus on tärkein, koska se on lähimpänä konversiota.
Sovellus: Ihanteellinen suppilon alaosan toimien, kuten uudelleenmarkkinoinnin tai hakumainosten, vaikutuksen arviointiin. Se korostaa, mitkä kanavat ja viestit ovat tehokkaimpia viimeisen vaiheen konversion aikaansaamisessa.
Se kuitenkin suosii korkean ostoaikomuksen kanavia, kuten Google Adsia, verrattuna suppilon yläosan kanaviin, kuten LinkedIniin, Metaan tai sisältöön. Vaikka asiakkaat olisivat löytäneet sinut Instagramissa näytetyn Meta-mainoksen kautta, Google Ads saa 100 % ansiosta, jos käytät ainoastaan viimeisen kosketuspisteen mallia. Tämä johtaa virheelliseen päätelmään, etteivät Meta-mainokset yksinkertaisesti toimi.
Näin käytät sitä: Tätä tarkoittaa HubSpotin Viimeisin lähde tai UTM-parametreja käytettäessä lomakkeeseen tallennettu UTM (lomakkeen lähetyksen yhteydessä). Vaikka tästä voisi kirjoittaa pidemmänkin esseen, HubSpotin Viimeisin lähde on melko hyvä arvio prospektin viimeisestä kosketuspisteestä ennen konversiota. Google Analytics (UA & GA4) tukee viimeisen kosketuspisteen mallinnusta mallien vertailutyökalussaan (viimeinen klikkaus).
3. Lineaarinen malli
Lineaarinen malli jakaa ansion tasaisesti kaikkien asiakaspolun kosketuspisteiden kesken.
Tämä malli olettaa, että jokainen vuorovaikutus vaikuttaa yhtä paljon lopulliseen päätökseen ensimmäisestä sitoutumisesta konversiotapahtumaan asti. Se on helppo ottaa käyttöön, mutta se ei välttämättä huomioi vaikutukseltaan merkittävämpien kosketuspisteiden suurempaa painoarvoa.
Sovellus: Parhaimmillaan silloin, kun haluat yksinkertaisen lähestymistavan, joka huomioi jokaisen kosketuspisteen asettamatta mitään yksittäistä vuorovaikutusta etusijalle. Se sopii yrityksille, joiden asiakaspolku on tasainen ja lineaarinen.
Näin käytät sitä: Monet kolmannen osapuolen attribuutiotyökalut tukevat lineaarisia malleja. Se oli käytettävissä vaihtoehtona GA UA:ssa, mutta GA4 ei tue sitä. Käytätkö HubSpot Pron / Enterprisen versiota? Voit myös luoda lineaarisia attribuutioraportteja sen attribuutioraportointitoiminnolla.
4. U-muotoinen (sijaintiin perustuva) malli
U-muotoinen eli sijaintiin perustuva malli antaa enemmän painoarvoa ensimmäisille ja viimeisille kosketuspisteille, yleensä noin 40 % kummallekin, ja jakaa jäljelle jäävät 20 % keskimmäisten vuorovaikutusten kesken. Tämä malli tunnistaa, että ensimmäisillä ja viimeisillä kosketuspisteillä on suurempi merkitys.
Sovellus: Hyödyllinen markkinointistrategioissa, joissa korostetaan ensivaikutelman ja päätösvaiheen vuorovaikutusten merkitystä, kuten toimialoilla, joilla myyntisyklit ovat lyhyempiä, tai uusia tuotteita lanseerattaessa.
Näin käytät sitä: Monet kolmannen osapuolen attribuutiotyökalut tukevat U-malleja. Nyt käytöstä poistuvassa Universal Analyticsissa se oli käytettävissä vaihtoehtona. GA4 ei kuitenkaan tue sitä.
Jos käytät HubSpot Pron / Enterprisen versiota, voit myös luoda U-attribuutioraportteja attribuutioraportointitoiminnolla.
5. W-muotoinen malli
U-malliin pohjautuva W-malli sisältää kolme asiakaspolun kriittistä vaihetta:
- Ensimmäinen kosketuspiste (esittely)
- Liidin luominen (sitoutuminen asiakaspolun keskivaiheilla)
- Ja mahdollisuuden luominen (päätös).
Kukin keskeinen kosketuspiste saa merkittävän osan hyvityksestä (yleensä noin 30 % kukin), ja jäljelle jäävä 10 % jaetaan muiden vuorovaikutusten kesken.
Soveltaminen: Sopii ihanteellisesti yrityksille, joiden myyntisyklit ovat pitkiä ja joihin kuuluu useita sitoutumisen vaiheita, kuten B2B-yrityksille, joissa ensimmäinen yhteydenotto, liidin kvalifiointi ja lopulliset neuvottelut ovat kaikki ratkaisevia vaiheita.
Näin käytät sitä: Käytä kolmannen osapuolen attribuutiota tämän mallintamiseen ja ymmärtääksesi potentiaalisen asiakkaan polun kolme keskeistä virstanpylvästä (eli liidi/SQL/Closed Won) ja tunnistaaksesi, mikä edistää TOFU-vaihetta/konversiota ja Closed Won -tulosta.
6. Dataohjattu (algoritminen) malli
Dataohjattu malli käyttää algoritmeja ja koneoppimista kaikkien kosketuspisteiden analysointiin ja jakaa hyvityksen kunkin vuorovaikutuksen todellisen havaitun vaikutuksen perusteella.
Sääntöpohjaisista malleista poiketen tämä lähestymistapa mukautuu dynaamisesti kuvastamaan kunkin kosketuspisteen vaihtelevaa vaikutusta eri tilanteissa ja asiakassegmenteissä.
Soveltaminen: Sopii parhaiten organisaatioille, joilla on käytössään suuria tietoaineistoja ja analyyttiset valmiudet käsitellä monimutkaisia malleja. Se tarjoaa yksilöllisimmän ja tarkimman attribuution, mutta vaatii huomattavia resursseja.
Näin käytät sitä: Google Ads teki mallin tunnetuksi. En usko, että monilla B2B-yrityksillä on riittävän suuria tietoaineistoja, jotta tämä olisi merkityksellistä.
7. Aikavaimenemismalli
Aikavaimenemismalli antaa enemmän hyvitystä ajallisesti konversiota lähempänä oleville kosketuspisteille sillä oletuksella, että myöhemmillä vuorovaikutuksilla on suurempi vaikutus päätöksentekoprosessiin.
Vanhempien kosketuspisteiden saama hyvitys vähenee eksponentiaalisesti tai lineaarisesti.
Soveltaminen: Sopii kampanjoihin, joissa keskitytään nopeiden konversioiden aikaansaamiseen ja joissa vuorovaikutuksen ajantasaisuudella uskotaan olevan merkittävämpi vaikutus asiakkaan päätökseen.
Näin käytät sitä: Käytä tätä mallia HubSpot Attributionin tai kolmannen osapuolen työkalujen kanssa ymmärtääksesi kauppojen etenemisnopeuden kanavittain.
Lisähuomioita moniattribuutiomallien ymmärtämiseen
Malleja laajemmin tarkasteltaessa olennaista on ymmärtää MTA keinona saada tietoa kanavista, jotka edistävät TOFU-vaiheen tunnettuutta, eivät vain BOFU-konversioita.
Työssämme B2B-brändien kanssa on tavallista nähdä Google Adsin tuottavan 80 % konversioista viimeisen kosketuspisteen mallissa (jota käytetään yleisesti). Kun kuitenkin tehdään mallinnusta, käy ilmi, että maksettu sosiaalinen media, SEO, sisältö, YouTube ja niin edelleen lisäävät TOFU-vaiheen tunnettuutta, joka johtaa Google Adsiin ja viimeisen vaiheen konversioihin.
Potentiaalinen asiakas saattaa kuulla brändistä YouTube- tai Meta-/LinkedIn-mainoksessa eikä konvertoidu, mutta riittävän suuren toistotiheyden seurauksena sama potentiaalinen asiakas hakee Googlesta kategoriaa tai brändin avainsanaa, napsauttaa Google Ads -linkkiä ja konvertoituu.
Viimeinen kosketuspiste antaisi Google Adsille 100 % hyvityksestä ja ensimmäinen kosketuspiste YouTubelle tai Metalle, mutta totuus on, että ne molemmat toimivat yhdessä konversion aikaansaamiseksi.
Mutta hetkinen. Älä unohda inkrementaalisuutta.
MTA on erinomainen, ja se kertoo, mitä toimia/vuorovaikutuksia potentiaalisella asiakkaalla oli, jotka lopulta johtivat konversioon.
Se ei kuitenkaan vastaa kysymykseen: Olisiko tämä henkilö ostanut joka tapauksessa jotain?
Yksi asiakkaistamme näkyi vahvasti Google Adsissa (mikä on tyypillistä B2B-yritykselle), mutta 70 % sen hakumainonnan budjetista kohdistui brändihakuihin (eli joku haki heidän brändinimeään).
Meillä (42 Agency) oli hypoteesi, että 90 % brändihaun kautta konvertoituneista olisi konvertoitunut joka tapauksessa orgaanisella hakutulossivulla.
Leikkasimme brändihakujen budjettia vähitellen ja investoimme sen uudelleen kategorioiden/käyttötapausten avainsanoihin ja muihin kanaviin. Vaikka Google Searchin kautta saadut konversiot vähenivät, orgaanisen haun konversiot lisääntyivät merkittävästi, mikä vahvisti hypoteesimme siitä, ettei brändihaku ollut inkrementaalista.
Ennen kuin lähdet kaduille lopettamaan kaikkia brändihakukampanjoita, muista, että niillä on käyttötarkoituksensa – erityisesti jos toimit kilpaillulla markkinalla (esim. CRM, projektinhallintatyökalut, ATS ja niin edelleen).
Se auttaa sinua ”puolustamaan” brändiäsi kilpailijoilta ja ottamaan sivulta lisää näkyvyyttä.
Brändihakuihin liittyen – monet markkinoijat karttavat brändien mittaamista, mutta se on virhe. Brändejä pitäisi ja voidaan mitata; niiden on kuuluttava markkinoinnin yhtenäiseen mittauskehykseen.
Mutta miten se tehdään käytännössä?
Miten brändiä mitataan?
Ironista kyllä, yleisin tapa, jolla B2B-toimijat mittaavat brändiä, on ”suora liikenne”, mikä on hieman harhaanjohtavaa.
Parhaimmillaankin suora liikenne ei edusta henkilöä, joka tuntee brändin. Vastoin yleistä käsitystä suora liikenne tarkoittaa mitä tahansa liikenteen lähdettä (salattua tai muuta), josta verkkoanalytiikka ei pysty tunnistamaan viittaavaa lähdettä.
Se ei tarkoita henkilöä, joka kirjoittaa verkkosivustosi osoitteen osoiteriville.
Parempi sijaismittari voisi olla brändiin liittyvät hakukyselyt (joita tarkastellaan Googlen / Bingin hakukonsolien kautta), mutta sekään ei ole tarkin tapa mitata brändiä. Brändistä tietoiset potentiaaliset asiakkaat eivät välttämättä siirry verkkosivustollesi.
Mikä siis on paras tapa mitata brändiä? Kyselytutkimukset, maantieteellinen testaus ja vertailuryhmätestaus.
Spontaani ja avustettu brändimuistaminen kyselytutkimuksissa
Suurten mediatoimistojen sekä FMCG- ja CPG-brändien perinteisesti käyttämät kyselytutkimukset (sekä avustetut että avustamattomat) ovat erinomainen tapa mitata brändimarkkinointikampanjoita.
Avustamattomassa muistamisessa osallistujia pyydetään palauttamaan mieleensä brändejä, tuotteita tai mainoksia ilman vihjeitä, mikä testaa brändin spontaania muistamista.
Avustetussa muistamisessa puolestaan annetaan vihjeitä tai apukysymyksiä osallistujien muistamisen tueksi.
Näillä kyselytutkimuksilla voidaan arvioida markkinointitoimenpiteiden vaikutusta brändin tunnettuuteen ja muistamiseen ajan mittaan. Olet ehkä huomannut niitä YouTube- tai sosiaalisen median syötteissäsi:
- ”Minkä näistä brändeistä ostaisit todennäköisimmin seuraavan kerran, kun etsit tuotetta X?”
- ”Minkä näistä brändimainoksista muistat nähneesi viimeisten seitsemän päivän aikana?”.
Kun brändisi markkinaosuus kasvaa, myös avustetun ja avustamattoman tunnettuuden pitäisi lisääntyä.
Maksullisen sosiaalisen median mainonnan ja haun alustat tarjoavat myös tällaisia tutkimuksia osana mittausvalikoimaansa. LinkedIn esitteli äskettäin brändivaikutustutkimukset, joissa mitataan mainoksesi LinkedInissä nähneen ihmisryhmän ja mainosta näkemättömän ihmisryhmän muistamista.
Facebook esitteli jotain vastaavaa. Aiemmin nämä olivat saatavilla vain alustan suurille mainostajille, mutta nykyään molemmat ovat myös itsepalvelumainostajien käytettävissä.
Maantieteellinen testaus ja vertailuryhmätestaus
Miten ulkomainoskampanjaa, kuten mainostauluja, mitataan? Kun teimme tätä itsellemme ja asiakkaillemme, tarkastelimme liikenteen kasvua kaupungissa, jossa toteutimme mainostaulukampanjan, tai brändimainintojen määrää.
Tämän taustalla oleva periaate on vertailuryhmätestaus (ja maantieteellisellä tasolla toteutettuna maantieteellinen testaus).
Vertailuryhmätestauksessa eli kontrolliryhmätestauksessa tietyt markkinointitoimenpiteet jätetään kohdeyleisön tietyn segmentin ulkopuolelle, jotta sen käyttäytymistä voidaan verrata niiden käyttäytymiseen, jotka altistuivat markkinointitoimenpiteelle.
Tämä menetelmä mittaa suoraan markkinoinnin lisävaikutusta osoittamalla, mitä tapahtuisi ilman tiettyjä markkinointitoimenpiteitä. Jos esimerkiksi NYC:ssä toteutetaan mainostaulukampanja, mutta vertailukelpoisessa kaupungissa (esimerkin vuoksi Torontossa) ei ole mainostauluja, kaupunkien keskeisissä mittareissa näkyy vertailukelpoinen ero.
Huomio ulkomainonnasta – yhden mainostaulun ostaminen kahdeksi viikoksi ei saa aikaan suurta vaikutusta –
Opetus: Vuokrasimme Hubspotin Bostonissa järjestettyä vuosittaista konferenssia varten liikkuvan mainostaulun kahdeksi päiväksi. Vaikka se herätti jonkin verran kiinnostusta sosiaalisessa mediassa & siitä syntyi loistava tarina, emme saaneet haluamaamme liikennepiikkiä. Saimme kuitenkin huomiota tekemällä jotain ”kalliiksi” (OOH) & erilaiseksi koettua.
Mittaamisesta toimintaan
Tämän kirjoituksen perusajatus on seuraava: voit ja sinun pitäisi mitata markkinointi- ja bränditoimenpiteitäsi. Älä anna kenenkään väittää muuta.
Senkin jälkeen sinun on rakennettava kokeilujärjestelmä, jonka avulla voit iteroida nopeasti ja kehittää vähitellen parempia ideoita sen perusteella, mitä opit mittaamistasi asioista.
Tämä on kokonaan toisen esseen aihe. Taktiikoiden lisäksi se edellyttää selkeyteen perustuvaa ajattelutapaa, markkinointitoiminnon tietoista rakentamista niin, että se toimii sekä nopeasti että hitaasti, sekä ymmärrystä siitä, mitä mitataan viikoittain ja mitä neljännesvuosittain (tai vuosittain). Tarvitset myös oikean markkinoinnin analytiikkaohjelmiston.
Pysy kuulolla. Sillä välin voit myös tilata markkinointijohtajille kuratoidun uutiskirjeemme ja saada uusimmat trendit, näkemykset ja taktiikat suoraan sähköpostiisi.
