Det finnes et berømt sitat jeg liker å vise til hver gang jeg snakker om markedsføringsmåling: Halvparten av pengene jeg bruker på annonsering, er bortkastet. Problemet er at jeg ikke vet hvilken halvpart det er."
De fleste markedsførere har problemer med å rettferdiggjøre hvilken innvirkning arbeidet deres har på virksomhetens resultat. Og det spiller ingen rolle hvilke verktøy for markedsføringsmåling vi bruker.
Det er derfor vi stadig finner opp nye begreper og ord som «etterspørselsgenerering» og «mørke sosiale medier», fordi vi ønsker å unngå å ta ansvar eller eierskap for tallene. Ja, jeg sa det!
Det betyr ikke at det er umulig å måle hvor vellykket markedsføringen er, eller at den ikke bør måles.
Markedsførere må tenke mer som økonomer og mindre som markedsførere for å «få en plass» rundt bordet (det vil si rundt lederbordet). La oss definere markedsføringsmåling, hva det betyr, og hvorfor det er viktig.
Så hva er markedsføringsmåling?
Kort sagt handler det om å måle markedsføringens langsiktige og kortsiktige effekter på virksomheten. Jeg liker å dele det inn i tidshorisonter fordi det er slik markedsføring fungerer.
Noen aktiviteter skaper kortsiktige resultater (salg, potensielle kunder, SQL-er), mens andre skaper langsiktige resultater (gjenkalling, kjennskap, markedsandel – selv om den beste måten å øke kjennskap, gjenkalling og markedsandel på kanskje er å … selge mer til flere).
Hvorfor er dette viktig?
For at du skal vite hvor du bør bruke din neste dollar. Hvis du lager en kvartals- eller årsplan, har ansvar for en kvote basert på inntekter eller genererte salgsmuligheter, eller må forsvare budsjettet for din neste ABM-kampanje, må du vite med høy grad av sikkerhet hvor du vil oppnå hvilke resultater.
Du må modellere salgstrakten din for å forstå hvilke kanaler som gir hvilke tall.
Hvordan potensielle kunder konverterer lenger ned i salgstrakten, og tidligere resultater, er noen ganger den beste indikatoren på fremtidige resultater – så gjør noen veloverveide satsinger og noen joker-satsinger.
Sagt på en annen måte – markedsføringsmåling hjelper deg med å svare på spørsmålet: «Hvis du hadde 100M, hvor ville du brukt dem?» (kanskje svaret er en Super Bowl-annonse).
Hvordan MÅLER du markedsføring?
Kort svar: Med modeller
Men la oss først snakke om noe som ofte blir oversett, og som er avgjørende for å forstå dette temaet bedre – inkrementalitet.
La oss begynne med en enkel analogi om en pizzabutikk som noen brukte for å forklare dette for meg.
Se for deg at du eier en pizzabutikk, og at du har kuponger på $5. Du ansetter 2 personer til å dele ut disse flygebladene og motiverer dem med en bonus basert på hvor mange kunder som møter opp for å kjøpe pizza med en kupong i hånden.
Person A går nedover gaten og deler ut flygeblader til så mange forbipasserende som mulig. Samtidig står person B ved døren til pizzabutikken og deler ut flygeblader til folk som kommer inn for å kjøpe pizza.
Hvem «skaffet flest kuponger»?
Person B – en kunde som kommer inn for å kjøpe pizza uansett, vil mest sannsynlig ta imot kupongen på $5 i avslag. Men kunden ville ha kjøpt pizza uansett om vedkommende hadde kupongen eller ikke (kunden hadde allerede gått inn døren).
Person A fikk imidlertid flere personer til å kjøpe pizza som ikke ville ha kjøpt pizza uten kupongen på $5.
Person A skaffet flere «nye kunder» eller inkrementelt salg, mens person B skaffet mindre inkrementelt salg.
Så selv om person B ville fått premien for flest utdelte kuponger og mest solgt pizza, ville 90 % av disse personene ha kjøpt pizzaen uansett.
Hvorfor snakker jeg om pizza? Fordi inkrementalitet er et vanskelig problem å løse i markedsføring. Hvor mange av salgene våre som er drevet av markedsføring, var inkrementelle, sammenlignet med det de ville ha kjøpt uansett (uten å delta på den messen eller registrere seg for det webinaret osv.)? Vi kommer litt nærmere inn på dette nedenfor.
Forventet du noe om verktøy for attribusjon av markedsføring? LOL.
Greit, med utgangspunkt i det viktige konseptet inkrementalitet i markedsføring skal vi se nærmere på de ulike metodene som brukes til markedsføringsmåling. Disse metodene har som mål å kvantifisere effekten av markedsføringsaktiviteter, slik at virksomheter kan fordele budsjettene sine mer effektivt.
Ved å forstå disse kan du tilnærme deg markedsføring med en mer analytisk og økonomisk fornuftig tankegang.
Markedsmiksmodellering (MMM)
Markedsmiksmodellering (MMM) er en statistisk analyseteknikk som evaluerer historiske data for å fastslå hvilken innvirkning ulike markedsføringstaktikker har på salget, og deretter forutsi effekten av fremtidige taktikksett.
Den tar hensyn til flere variabler, blant annet økonomiske forhold, konkurranse, markedsføringskostnader osv.
MMM gir innsikt i hvor effektive de ulike markedsføringskanalene er over lange tidshorisonter og bidrar til å forstå hvordan ulike komponenter i markedssammensetningen bidrar til salg. Det er nyttig for å fordele budsjetter på tvers av overordnede markedsføringskanaler og for langsiktig strategisk planlegging.
For MMM trenger du et stort datasett for å prøve ut hvordan ulike statistiske modeller forklarer og tilpasser seg dataene, og hvilken modell som har høyest konfidens (det vil si forklarer dataene og svingningene best. Også kjent som et mindre risikabelt valg).
For bedre modeller er det ideelt å bruke data med høyere oppløsning, for eksempel daglige data, som vil passe bedre enn månedlige data siden det finnes mer data.
Fordelen med MMM er at metoden går lenger enn bare nettbaserte kanaler og kan vise effekten av en reklamekampanje på 100K med reklametavler på bunnlinjen.
Problemet med MMM er at det, som i de fleste B2B-virksomheter, ikke finnes nok data. For eksempel en bedrift som selger til en virksomhet som bare inngår tre avtaler i året.
MMM egner seg også bedre for analyser på årlig eller kvartalsvis basis, og mindre for optimalisering av markedsføringen på ukentlig eller månedlig basis.
Eksempler på MMM i praksis
Hos 42 Agency bruker vi modeller for markedssammensetning for kundene våre og gjennomfører avanserte analyser for å finne innsikt utover attribusjon basert på første eller siste berøringspunkt.
En av kundene våre, som bruker rundt $1M månedlig på medier, brukte en betydelig del av budsjettet sitt på Meta-annonser for merkevarekjennskap og LinkedIn-annonser for rekkevidde. Vi gjennomførte en analyse for å finne svar på noen spørsmål:
- Førte Meta og & Linkedin til MQL/SQLs? (Svaret var ja)
- Påvirket investeringer i annonser for rekkevidde og merkevarekjennskap SQL / MQL-ene positivt? (Svaret var ikke så tydelig som vi trodde. I noen tilfeller hadde det en negativ effekt, det vil si at vi sannsynligvis genererte færre MQL-er ved å bruke penger på rekkevidde / merkevarekjennskap)
- Hva er annonseettervirkningen til de ulike kanalene, det vil si hvor lenge husker folk annonsen etter at de har sett den? (FB har den høyeste annonseettervirkningen, Adwords den laveste)
- Hvor ligger punktet for avtakende avkastning? Det vil si: For hver ekstra $$ vi bruker på ulike kanaler – hva er forventet konvertering og kostnad per konvertering? (Investeringer utover et visst punkt ga færre konverteringer til en relativt høyere CPA)
Korrelasjon innebærer ikke årsakssammenheng, men gir en interessant historie.
Hos en annen kunde investerte vi tungt i videoannonser på YouTube.
YouTube har en svært lav CVR (konverteringsrate etter klikk) fordi 80 % av YouTube-annonsene vises på TV-er. Men de er svært gode til å fortelle en merkevarehistorie som annonser med direkte respons, som Google Ads eller Meta, ikke kan.
Selv om vi ikke kunne knytte YouTube-investeringene direkte til konverteringer via CVR, var det en tydelig korrelasjon mellom periodene med YouTube-annonser og konverteringer fra direkte trafikk / organisk trafikk. Denne korrelasjonen betydde at annonsene våre fikk potensielle kunder til å registrere seg via andre kanaler.
Have an account? Log In
Attribusjon med flere berøringspunkter (MTA)
Modeller for attribusjon med flere berøringspunkter (MTA) tildeler kreditt til hvert berøringspunkt en kunde møter på veien mot en konvertering. I motsetning til MMM, som ser på markedssammensetningen på makronivå, opererer MTA på mikronivå og analyserer hvor effektive spesifikke digitale markedsføringstiltak er – som B2B-e-postmarkedsføring, annonser eller SEO / organisk trafikk – når det gjelder å skape en konvertering.
MTA hjelper markedsførere med å forstå hvilke berøringspunkter som er mest effektive for å drive konverteringer, slik at markedsføringskostnadene kan optimaliseres mer detaljert.
MTA gjør det for eksempel mulig å bruke mer penger på LinkedIn Ads neste måned fordi rapporten for de siste 30 dagene viste at kanalen hadde en høyere konvertering til salgsmulighet enn Google Ads.
Mens MMM kan fange opp en tilstrekkelig økning i resultatene uten direkte klikkbaserte data, trenger MTA klikk og sporing (via nettleser eller server) for å knytte sammen berøringspunkter og bygge en kundereise.
Hovedproblemet med MTA er at metoden er svært avhengig av UTM-sporing, klikk og informasjonskapsler, som i stadig større grad fases ut.
Det er viktig å merke seg at MTA ikke er avhengig av informasjonskapsler fra tredjeparter (som i større grad brukes i annonsering), men av førstepartsinformasjonskapsler (1P). Men selv med 1P-informasjonskapsler sletter nettlesere som Safari dem etter sju dager. I en verden der potensielle kunder bruker flere enheter, blokkerer nettlesere skript og fjerner UTM-lenker.
Med andre ord blir MTA-sporing mer komplekst, og nøyaktigheten er uklar.
Hvis du bruker et banner for informasjonskapsler for å be besøkende om samtykke, men den besøkende velger å ikke samtykke, vil du ikke kunne spore henvisningsdata eller andre data om hvordan vedkommende kom til nettstedet ditt.
I analyseverktøyet ditt vil besøket vises som et «direkte besøk». Bare 31 % av de besøkende samtykker til informasjonskapsler, så nesten 70 % av besøkene dine vil vises som «direkte».
Jeg kan fortsette i dagevis, men la oss komme tilbake på sporet og se nærmere på noen MTA-modeller og hvordan de brukes.
Vanlige modeller for attribusjon på tvers av flere berøringspunkter (MTA)
Her er de vanligste MTA-modellene jeg har støtt på i løpet av tiden min som B2B-markedsfører, og hvordan de brukes.
1. Modellen for første berøringspunkt
Modellen for første berøringspunkt tilskriver 100 % av konverteringsbidraget til det første berøringspunktet i kundereisen.
Denne modellen bygger på prinsippet om at den første interaksjonen er den mest avgjørende, siden den introduserer kunden for merkevaren eller produktet og legger grunnlaget for all påfølgende interaksjon.
Bruksområde: Denne modellen er nyttig for å vurdere effektiviteten til aktiviteter øverst i salgstrakten, som kampanjer for merkevarekjennskap. Den hjelper oss med å forstå hvordan vi kommer på folks radar (det vil si kjennskap)
Slik bruker du den: I HubSpot kalles dette Opprinnelig kilde i den innebygde datamodellen. HubSpot-/analyseverktøy lagrer et informasjonskapselspor første gang noen besøker nettstedet ditt, og kobler det til et lead når de konverterer.
Hvis du vanligvis bruker UTM-er, er dette UTM-en fra første gang noen besøkte nettstedet ditt (ikke bare fylte ut et skjema). Du kan spore dette i Google Analytics (UA) under Modellsammenligning > Første klikk. GA4 har fjernet disse alternativene.
2. Modellen for siste berøringspunkt
Modellen for siste berøringspunkt tilskriver derimot all ære for konverteringen til det siste berøringspunktet før konverteringen finner sted. Denne modellen antar at den siste interaksjonen er den viktigste, siden den ligger nærmest konverteringen.
Bruksområde: Ideell for å vurdere effekten av aktiviteter nederst i salgstrakten, som remarketing eller søkeannonser. Den fremhever hvilke kanaler og budskap som er mest effektive for å få konverteringen over målstreken.
Men dette favoriserer kanaler med høy kjøpsintensjon, som Google Ads, fremfor TOFU-kanaler som LinkedIn, Meta eller innhold. Selv om kundene kanskje oppdager deg gjennom en Meta-annonse på Instagram, vil Google Ads få 100 % av æren hvis du bare bruker en modell for siste berøringspunkt. Det kan føre til den feilaktige konklusjonen at Meta Ads ganske enkelt ikke fungerer.
Slik bruker du den: Dette er det Siste kilde er i HubSpot, eller, hvis du bruker UTM-er, UTM-en som registreres i skjemaet (ved innsending av skjemaet). Selv om dette kunne vært et lengre essay, er Siste kilde i HubSpot en nær tilnærming til prospektets siste berøringspunkt før konverteringen. Google Analytics (UA & GA4) støtter attribusjon basert på siste berøringspunkt i verktøyet for sammenligning av modeller (siste klikk).
3. Den lineære modellen
Den lineære modellen fordeler bidraget likt på alle berøringspunktene i kundereisen.
Denne modellen antar at hver interaksjon bidrar like mye til den endelige beslutningen, fra den første interaksjonen til konverteringshendelsen. Den er enkel å implementere, men tar kanskje ikke tilstrekkelig hensyn til effekten av mer innflytelsesrike berøringspunkter.
Bruksområde: Best når du ønsker en enkel tilnærming som anerkjenner hvert berøringspunkt uten å prioritere en bestemt interaksjon. Den passer for virksomheter med en flat og lineær kundereise.
Slik bruker du den: Mange attribusjonsverktøy fra tredjeparter støtter lineære modeller. Den var tilgjengelig som et alternativ i GA UA, men GA4 støtter ikke dette. Bruker du HubSpot Pro / Enterprise? Da kan du også bygge lineære attribusjonsrapporter med attribusjonsrapportering.
4. U-formmodellen (posisjonsbasert modell)
U-formmodellen, eller den posisjonsbaserte modellen, tilskriver mer av bidraget til det første og siste berøringspunktet, vanligvis rundt 40 % til hvert, mens de resterende 20 % fordeles mellom de midterste interaksjonene. Denne modellen anerkjenner at det første og siste berøringspunktet har høyere prioritet.
Bruksområde: Nyttig for markedsføringsstrategier som legger vekt på betydningen av førsteinntrykk og avsluttende interaksjoner, for eksempel i bransjer med kortere salgssykluser eller ved lansering av nye produkter.
Slik bruker du den: Mange attribusjonsverktøy fra tredjeparter støtter U-modeller. I Universal Analytics, som nå er avviklet, var dette tilgjengelig som et alternativ. Men GA4 støtter ikke dette.
Hvis du bruker HubSpot Pro / Enterprise, kan du også bygge U-attribusjonsrapporter med funksjonen attribusjonsrapportering.
5. W-formmodellen
Som en videreutvikling av U-formen inneholder W-formmodellen tre kritiske faser i kundereisen:
- Det første kontaktpunktet (introduksjon)
- Opprettelse av potensielle kunder (engasjement midtveis i reisen)
- Og opprettelse av salgsmuligheten (beslutning).
Hvert avgjørende kontaktpunkt får en betydelig del av tilskrivningen (vanligvis rundt 30 % hver), mens de resterende 10 % fordeles mellom andre interaksjoner.
Bruksområde: Ideell for virksomheter med lengre salgssykluser som omfatter flere engasjementsfaser, for eksempel B2B-selskaper, der første kontakt, kvalifisering av potensielle kunder og de avsluttende forhandlingene alle er viktige faser.
Slik bruker du den: Bruk tredjepartsattribusjon til å modellere dette og forstå de tre viktigste milepælene i en potensiell kundes reise (det vil si potensiell kunde/SQL/vunnet avtale) for å identifisere hva som driver TOFU/konvertering og vunne avtaler.
6. Den datadrevne (algoritmiske) modellen
Den datadrevne modellen bruker algoritmer og maskinlæring til å analysere alle kontaktpunkter og tildeler tilskrivning basert på den faktiske observerte effekten av hver interaksjon.
I motsetning til regelbaserte modeller justerer denne tilnærmingen seg dynamisk for å gjenspeile den varierende innflytelsen til hvert kontaktpunkt på tvers av ulike scenarioer og kundesegmenter.
Bruksområde: Best for organisasjoner med tilgang til store datasett og analytisk kapasitet til å behandle komplekse modeller. Den gir den mest personaliserte og nøyaktige attribusjonen, men krever betydelige ressurser.
Slik bruker du den: Gjort populær av Google Ads. Jeg tror ikke mange B2B-selskaper har store nok datamengder til at dette blir meningsfullt.
7. Tidsforfallsmodellen
Tidsforfallsmodellen tildeler større tilskrivning til kontaktpunkter som ligger nærmere konverteringen i tid, basert på antakelsen om at senere interaksjoner har større innflytelse på beslutningsprosessen.
Tilskrivningen avtar eksponentielt eller lineært for eldre kontaktpunkter.
Bruksområde: Egnet for kampanjer som fokuserer på å skape raske konverteringer, der det antas at hvor nylig interaksjonen fant sted, har større innvirkning på kundens beslutning.
Slik bruker du den: Bruk denne modellen med HubSpot Attribution eller tredjepartsverktøy for å forstå avtalens hastighet per kanal.
Noen ekstra merknader om forståelse av modeller for multippel attribusjon
Når vi ser forbi modellene, er det viktigste at vi forstår MTA som en måte å få innsikt i kanalene som driver TOFU-kjennskap, i motsetning til bare BOFU-konverteringer.
I arbeidet vårt med B2B-merkevarer er det vanlig å se at Google Ads står for 80 % av konverteringene i en modell basert på siste kontaktpunkt (som ofte brukes). Men etter noe modellering blir det tydelig at betalt sosiale medier, SEO, innhold, YouTube og så videre driver TOFU-kjennskap som omsettes til Google Ads og konverteringer i siste del av kundereisen.
En potensiell kunde kan høre om en merkevare gjennom en YouTube- eller Meta-/LinkedIn-annonse uten å konvertere, men frekvensen kan være høy nok til at den samme potensielle kunden søker på en kategori eller et merkenøkkelord på Google, klikker på en Google Ads-lenke og konverterer.
Siste kontaktpunkt ville gitt Google Ads 100 % av tilskrivningen, mens første kontaktpunkt ville gitt YouTube eller Meta æren, men sannheten er at de begge arbeidet sammen for å skape konverteringen.
Men vent litt. Ikke glem inkrementalitet.
MTA er fantastisk, og forteller oss hvilke handlinger/interaksjoner den potensielle kunden hadde som til slutt resulterte i at vedkommende konverterte.
Den svarer imidlertid ikke på spørsmålet: Ville denne personen ha kjøpt noe uansett?
En av kundene våre hadde svært stor vekt på Google Ads (typisk for en B2B-virksomhet), men 70 % av søkebudsjettet deres var satt av til merkevaresøk (det vil si at noen søkte etter merkenavnet deres).
Vi (42 Agency) hadde en hypotese om at 90 % av dem som konverterte via merkevaresøk, ville ha konvertert uansett gjennom de organiske søkeresultatene.
Vi reduserte merkevaresøkbudsjettet gradvis og investerte det på nytt i kategorinøkkelord, nøkkelord knyttet til bruksområder og andre kanaler. Selv om konverteringene fra Google Søk gikk ned, økte konverteringene fra organisk søk betydelig, noe som bekreftet hypotesen vår om at merkevaresøk ikke var inkrementelt.
Før du går ut i gatene for å avvikle alle merkevaresøk-kampanjer, bør du huske at de har sin nytte – spesielt hvis du befinner deg i et marked med mange konkurrenter (for eksempel CRM, verktøy for prosjektstyring, ATS og så videre).
Det hjelper deg med å «forsvare» merkevaren din mot konkurrenter og ta mer plass på en side.
Når vi snakker om merkevaresøk, unngår mange markedsførere å måle merkevarer, men det er en feil. Merkevarer bør og kan måles; de må inngå i et enhetlig målerammeverk for markedsføring.
Men hvordan gjør man egentlig det?
Hvordan måler du merkevaren?
Ironisk nok er den vanligste måten B2B-folk måler merkevaren på, «direkte trafikk», noe som er litt misvisende.
I beste fall representerer ikke direkte trafikk noen som kjenner merkevaren. I motsetning til det mange tror, er direkte trafikk bare en hvilken som helst trafikkilde (kryptert eller ikke) der webanalysen ikke kan registrere en henvisning.
Det er ikke noen som skriver inn nettstedet ditt i adressefeltet.
Et bedre alternativ kan være merkevarerelaterte søk (tilgjengelig via Google / Bing Search Console), men selv da er det ikke den mest presise måten å måle merkevaren på. Potensielle kunder som kjenner merkevaren, kommer ikke nødvendigvis til nettstedet ditt.
Så hva er den beste måten å måle en merkevare på? Undersøkelser, geo- og testing med kontrollgruppe.
Uhjulpen og hjulpen kjennskap
Undersøkelser (både hjulpne og uhjulpne), som tradisjonelt brukes av store mediebyråer og FMCG- og CPG-merkevarer, er en god måte å måle merkevarekampanjer på.
Ved uhjulpen kjennskap blir deltakerne bedt om å huske merkevarer, produkter eller annonser uten hjelp, noe som tester spontan merkevarekjennskap.
Hjulpen kjennskap gir derimot deltakerne hjelp eller signaler som gjør det lettere å huske.
Disse undersøkelsene kan måle effekten av markedsføringsaktiviteter på merkevarekjennskap og hukommelse over tid. Du har kanskje sett dem dukke opp i YouTube- eller sosiale medier-strømmer:
- «Hvilke av disse merkevarene kunne du vurdert å kjøpe neste gang du ser etter X?»
- «Hvilken av disse merkevareannonsene husker du å ha sett de siste sju dagene?».
Etter hvert som merkevaren din får større markedsandel, bør den hjulpne og uhjulpne kjennskapen øke.
Plattformer for betalt sosial annonsering og søk tilbyr også dette som en del av måleverktøyene sine. LinkedIn introduserte nylig merkevareløftstudier som måler kjennskap hos en gruppe personer som så annonsen din på LinkedIn, og en gruppe personer som ikke gjorde det.
Facebook introduserte noe lignende. Tidligere var disse mulighetene bare tilgjengelige for store annonsører på plattformen, men nå er begge tilgjengelige for annonsører som bruker selvbetjening.
Geo- og testing med kontrollgruppe
Hvordan måler du en OOH-kampanje, for eksempel reklametavler? Da vi gjorde dette for oss selv og kundene våre, så vi på økt trafikk fra byen der vi gjennomførte reklametavlekampanjen, eller på omtale av merkevaren.
Prinsippet bak dette er testing med kontrollgruppe (og når det gjøres på geografisk nivå, geografisk testing).
Testing med utelatt gruppe, eller testing med kontrollgruppe, innebærer å holde tilbake bestemte markedsføringsaktiviteter fra et målgruppesegment for å sammenligne atferden deres med atferden til dem som faktisk opplevde markedsføringsaktiviteten.
Denne metoden måler den inkrementelle effekten direkte ved å vise hva som ville skjedd uten bestemte markedsføringstiltak. Hvis New York for eksempel gjennomfører en reklametavlekampanje, mens en sammenlignbar by (for argumentets skyld Toronto) ikke har reklametavler, finnes det en sammenlignbar forskjell i nøkkeltallene for de to byene.
Merknad om OOH – å kjøpe én reklametavle i to uker vil ikke ha stor effekt –
Lærdom: Vi leide en mobil reklametavle til Hubspots årlige konferanse i Boston i to dager. Selv om det skapte litt oppmerksomhet i sosiale medier & og ble en fantastisk historie – fikk vi ikke trafikkøkningen vi ønsket. Men vi fikk oppmerksomhet ved å gjøre noe som ble oppfattet som «dyrt» (OOH) & annerledes.
Fra måling til handling
Her er hovedideen i denne teksten: Du kan og bør måle markedsføringen og merkevarearbeidet ditt. Ikke la noen fortelle deg noe annet.
Selv når du gjør det, må du bygge et eksperimentelt system som gjør det mulig å iterere raskt og gradvis utvikle bedre ideer basert på det du lærer av det du måler.
Dette er et helt annet essay. Men utover taktikk krever det en innstilling preget av klarhet, at du bevisst bygger en markedsføringsfunksjon som beveger seg både raskt og sakte, og at du forstår hva som skal måles ukentlig, og hva som skal måles kvartalsvis (eller årlig). Du trenger også riktig programvare for markedsføringsanalyse.
Følg med videre. Mens du venter, bør du også melde deg på nyhetsbrevet vårt, kuratert for markedsføringsledere, og få de nyeste trendene, innsiktene og taktikkene levert i innboksen din.
