Det finns ett berömt citat som jag gärna hänvisar till när jag pratar om marknadsmätning: Hälften av pengarna jag spenderar på reklam är bortkastade; problemet är att jag inte vet vilken hälft."
De flesta marknadsförare har svårt att motivera vilken inverkan deras arbete har på företagets resultat. Och det spelar ingen roll vilka verktyg för marknadsmätning vi använder.
Det är därför vi fortsätter att hitta på nya termer och ord som 'efterfrågeskapande' och 'mörka sociala medier', eftersom vi vill undvika att ta ansvar för eller äga siffrorna. Ja, jag sa det!
Det betyder inte att det är omöjligt att mäta marknadsföringens framgång, eller att den inte bör mätas.
Marknadsförare behöver tänka mer som ekonomer och mindre som marknadsförare för att 'få en plats' vid bordet (det vill säga vid ledningsbordet). Låt oss definiera marknadsmätning, dess innebörd och varför den är viktig.
Så vad är marknadsmätning?
Enkelt uttryckt handlar det om att mäta marknadsföringens långsiktiga och kortsiktiga effekter på företaget. Jag tycker om att dela upp det efter tidshorisonter, eftersom det är så marknadsföring fungerar.
Vissa aktiviteter driver kortsiktiga resultat (försäljning, leads, SQL:er), medan andra driver långsiktiga resultat (återkallelse, kännedom, marknadsandel – även om det bästa sättet att öka kännedomen, återkallelsen och marknadsandelen kan vara att … sälja mer till fler människor).
Varför är detta viktigt?
Så att du vet var du ska spendera din nästa krona. Om du gör en kvartals- eller årsplan, har ansvar för en intäkts- eller möjlighetsgenererad kvot eller behöver försvara budgeten för din nästa ABM-kampanj, behöver du med hög grad av säkerhet veta varifrån du kommer att få vilka resultat.
Du måste modellera din tratt för att förstå vilka kanaler som genererar vilka siffror.
Hur potentiella kunder konverterar längre ned i tratten och tidigare resultat är ibland den bästa indikatorn på framtida resultat – så gör några välgrundade satsningar och några jokersatsningar.
Med andra ord hjälper marknadsmätning dig att besvara frågan: "Om du hade 100M, var skulle du spendera dem'? (kanske är svaret en reklamfilm under Super Bowl).
Hur MÄTER du marknadsföring?
Kort svar: Med modeller
Men låt oss först prata om något som ofta förbises och som är avgörande för att förstå detta ämne bättre – inkrementalitet.
Låt oss börja med en enkel analogi om en pizzeria som någon använde för att förklara detta för mig.
Föreställ dig att du äger en pizzeria och har rabattkuponger på $5. Du anställer två personer för att dela ut dessa flygblad och motiverar dem med en bonus baserad på hur många kunder som dyker upp för att köpa pizza med en kupong i handen.
Person A går nedför gatan och delar ut flygblad till så många förbipasserande som möjligt. Samtidigt står person B vid pizzerians dörr och delar ut flygblad till personer som kommer in för att köpa pizza.
Vilken person 'drev fler kuponger'?
Person B – en kund som ändå kommer in för att köpa pizza tar troligare emot kupongen på $5. Men kunden skulle ha köpt pizza oavsett om hen hade kupongen eller inte (kunden hade redan gått in genom dörren).
Person A fick däremot fler personer som inte skulle ha köpt pizza utan kupongen på $5 att handla.
Person A drev fler 'nya kunder' eller inkrementell försäljning, medan person B drev mindre inkrementell försäljning.
Så även om person B skulle få priset för flest utdelade kuponger och sålda pizzor, skulle 90 % av dessa personer ha köpt pizzan ändå.
Varför pratar jag om pizza? Eftersom inkrementalitet är ett svårt koncept att lösa inom marknadsföring. Hur många av våra försäljningar som drevs av marknadsföring var inkrementella jämfört med vad kunderna skulle ha köpt ändå (utan att delta i den mässan eller registrera sig för det webbinariet osv.)? Vi går in på detta lite längre ned.
Förväntade du dig något om verktyg för marknadsföringsattribuering? LOL.
Okej, med utgångspunkt i det viktiga konceptet inkrementalitet inom marknadsföring ska vi nu gå igenom de olika metoder som används för marknadsmätning. Dessa metoder syftar till att kvantifiera effekten av marknadsföringsaktiviteter och hjälpa företag att fördela sina budgetar mer effektivt.
Genom att förstå dessa kan du närma dig marknadsföring med ett mer analytiskt och ekonomiskt ansvarsfullt tankesätt.
Modellering av marknadsmixen (MMM)
Modellering av marknadsmixen (MMM) är en statistisk analysteknik som utvärderar historiska data för att fastställa vilken inverkan olika marknadsföringstaktiker har på försäljningen och därefter prognostiserar effekten av framtida uppsättningar taktiker.
Den tar hänsyn till flera variabler, däribland ekonomiska förhållanden, konkurrens, marknadsföringsutgifter med mera.
MMM ger insikter i effektiviteten hos varje marknadsföringskanal över långa tidsperioder och hjälper till att förstå hur olika delar av marknadsmixen bidrar till försäljningen. Det är användbart för att fördela budgetar mellan övergripande marknadsföringskanaler och för långsiktig strategisk planering.
För MMM behöver du en stor datamängd för att testa hur olika statistiska modeller förklarar och passar data och vilken modell som har högst konfidens (det vill säga vilken som bäst förklarar data och variationerna. Även kallat ett mindre riskfyllt val).
För bättre modeller är det idealiskt att använda data med högre upplösning, till exempel dagliga data, eftersom det passar bättre än månadsdata då det finns mer data.
Fördelen med MMM är att det går bortom enbart onlinekanaler och kan visa effekten av den där 100K-kampanjen med reklamtavlor på resultatet.
Problemet med MMM är att det, precis som för de flesta B2B-företag, behövs mer data. Till exempel ett företag som säljer till ett företag som bara genomför tre affärer per år.
MMM passar också bättre för mer årliga eller kvartalsvisa analyser och mindre för att optimera marknadsföringen på vecko- eller månadsbasis.
Exempel på MMM i praktiken
På 42 Agency använder vi marknadsmixmodeller för våra kunder och genomför avancerade analyser för att ta fram insikter bortom attribuering baserad på första eller sista kontakt.
En av våra kunder, som spenderar omkring $1M per månad på medier, lade en betydande del av sin budget på Meta-annonser för varumärkeskännedom och LinkedIn-annonser för räckvidd. Vi genomförde en analys för att besvara några frågor:
- Bidrog Meta och Linkedin till att driva MQL/SQLs? (Svaret var ja)
- Påverkade utgifterna för annonser med räckvidd och varumärkeskännedom SQL-/MQL-resultaten positivt? (Svaret var inte lika tydligt som vi trodde. I vissa fall hade det en negativ effekt, det vill säga att vi sannolikt genererade färre MQL genom att spendera på räckvidd och varumärkeskännedom)
- Vad är annonslagret för olika kanaler, det vill säga hur länge minns människor annonsen efter att ha sett den? (FB har det högsta annonslagret och Adwords det lägsta)
- Var går vår punkt för avtagande avkastning? Det vill säga: för varje ytterligare $$ vi spenderar på olika kanaler – vilken konvertering och kostnad per konvertering kan vi förvänta oss? (Utgifter över en viss nivå gav färre konverteringar till en relativt högre CPA)
Korrelation innebär inte orsakssamband, men det skapar en intressant berättelse.
Med en annan kund investerade vi kraftigt i videoannonser på YouTube.
YouTube har en mycket låg CVR (konverteringsgrad efter klick) eftersom 80 % av YouTube-annonserna visas på TV-apparater. Men de är utmärkta för att berätta en varumärkesberättelse som direktresponsannonser som Google Ads eller Meta inte kan.
Även om vi inte direkt kunde koppla YouTube-utgifterna till konverteringar via CVR fanns det en tydlig korrelation mellan YouTube-annonsvisningar och konverteringar från direkttrafik eller organisk trafik. Denna korrelation innebar att våra annonser fick potentiella kunder att registrera sig via andra kanaler.
Have an account? Log In
Attribuering med flera kontaktpunkter (MTA)
Modeller för attribuering med flera kontaktpunkter (MTA) tilldelar varje kontaktpunkt som en kund möter på vägen till konvertering en del av äran. Till skillnad från MMM, som granskar marknadsmixen på makronivå, fungerar MTA på mikronivå och analyserar effektiviteten i specifika digitala marknadsföringsinsatser – till exempel din B2B-e-postmarknadsföring, annonser eller SEO/organisk trafik – när det gäller en konvertering.
MTA hjälper marknadsförare att förstå vilka kontaktpunkter som är mest effektiva för att driva konverteringar, vilket möjliggör en mer detaljerad optimering av marknadsföringsutgifterna.
MTA gör det till exempel möjligt för oss att fördela mer pengar till LinkedIn-annonser nästa månad eftersom rapporten för de senaste 30 dagarna visade att kanalen hade en högre konvertering till affärsmöjlighet än Google-annonser.
Medan MMM kan upptäcka en tillräckligt stor ökning i resultat utan direkt klickbaserad data behöver MTA klick och spårning (på webbläsar- eller serversidan) för att koppla samman kontaktpunkter och skapa en kundresa.
Det största problemet med MTA är att det i hög grad förlitar sig på UTM-spårning, klick och cookies, som gradvis fasas ut.
Det är viktigt att notera att MTA inte förlitar sig på cookies från tredje part (som främst används inom annonsering), utan på cookies från första part (1P). Men även med 1P-cookies raderar webbläsare som Safari dem efter sju dagar. I en värld där potentiella kunder använder allt fler enheter blockerar webbläsare skript och tar bort UTM-länkar.
Med andra ord blir MTA-spårning mer komplex och dess träffsäkerhet är oklar.
Om du använder en cookiebanner för att be besökare samtycka men besökaren väljer att inte göra det, kommer du inte att kunna spåra någon hänvisningsdata eller annan information om hur de kom till din webbplats.
I din analys kommer det att visas som ett ”direktbesök”. Endast 31 % av besökarna samtycker till cookies, så nästan 70 % av dina besök kommer att visas som ”direkta”.
Jag kan fortsätta i dagar, men låt oss återgå till ämnet och titta närmare på några MTA-modeller och hur de används.
Vanliga modeller för flerpunktstillskrivning (MTA)
Här är de vanligaste MTA-modellerna som jag har stött på under min tid som B2B-marknadsförare. Och så här använder du dem.
1. Modellen med första kontakten
Modellen med första kontakten tillskriver den första kontaktpunkten i kundresan 100 % av konverteringsvärdet.
Den här modellen bygger på principen att den första interaktionen är den mest avgörande, eftersom den introducerar kunden till varumärket eller produkten och lägger grunden för all efterföljande interaktion.
Användning: Den här modellen är användbar för att utvärdera effektiviteten hos aktiviteter högst upp i tratten, till exempel kampanjer för varumärkeskännedom. Den hjälper oss att förstå hur vi hamnar på människors radar (det vill säga kännedom)
Så använder du den: I HubSpot kallas detta Ursprunglig källa i den färdiga datamodellen. HubSpot-/analysverktyg sparar information om första gången någon besöker din webbplats och kopplar den till ett lead när personen konverterar.
Om du använder UTM-parametrar är detta vanligtvis UTM-parametern från första gången någon besökte din webbplats (inte bara fyllde i ett formulär). Du kan följa detta i Google Analytics (UA) under Modelljämförelse > Första klicket. GA4 har tagit bort dessa alternativ.
2. Modellen med sista kontakten
Modellen med sista kontakten tillskriver däremot all konverteringskredit till den sista kontaktpunkten innan konverteringen sker. Den här modellen utgår från att den sista interaktionen är den viktigaste, eftersom den ligger närmast konverteringen.
Användning: Idealisk för att bedöma effekten av aktiviteter längst ned i tratten, till exempel återannonsering eller sökannonser. Den visar vilka kanaler och budskap som är mest effektiva för att driva den sista delen av konverteringen.
Men detta gynnar kanaler med hög köpavsikt, som Google Ads, framför TOFU-kanaler som LinkedIn, Meta eller innehåll. Även om kunderna kanske upptäcker dig genom en Meta-annons på Instagram kommer Google Ads att få 100 % av äran om du endast använder en modell med sista kontakten. Det kan leda till den felaktiga slutsatsen att Meta Ads helt enkelt inte fungerar.
Så använder du den: Detta är vad Senaste källa i HubSpot representerar, eller – om du använder UTM-parametrar – den UTM-parameter som samlas in i formuläret (när formuläret skickas in). Även om detta skulle kunna bli en längre utläggning är Senaste källa i HubSpot en nära uppskattning av prospektets sista kontakt innan konverteringen. Google Analytics (UA & GA4) stöder modellering med sista kontakten i sitt verktyg för modelljämförelse (sista klicket).
3. Den linjära modellen
Den linjära modellen fördelar konverteringskrediten lika mellan alla kontaktpunkter i kundresan.
Den här modellen utgår från att varje interaktion bidrar lika mycket till det slutliga beslutet, från den första kontakten till konverteringshändelsen. Den är enkel att implementera, men kan ge en mindre balanserad bild av effekten från mer inflytelserika kontaktpunkter.
Användning: Används bäst när du vill ha ett enkelt tillvägagångssätt som tar hänsyn till varje kontaktpunkt utan att prioritera någon specifik interaktion. Den passar företag med en rak och linjär kundresa.
Så använder du den: Många attribueringsverktyg från tredje part stöder linjära modeller. Den fanns som ett alternativ i GA UA, men GA4 stöder inte detta. Använder du HubSpot Pro / Enterprise? Då kan du även skapa linjära attribueringsrapporter med Attribueringsrapportering.
4. U-formade modellen (positionsbaserade modellen)
Den U-formade eller positionsbaserade modellen ger de första och sista kontaktpunkterna större vikt, vanligtvis omkring 40 % vardera, medan de återstående 20 % fördelas mellan de mellersta interaktionerna. Den här modellen tar hänsyn till att den första och sista kontakten har högre prioritet.
Användning: Användbar för marknadsföringsstrategier som betonar betydelsen av första intryck och avslutande interaktioner, till exempel i branscher med kortare säljcykler eller vid lansering av nya produkter.
Så använder du den: Många attribueringsverktyg från tredje part stöder U-formade modeller. I det numera avvecklade Universal Analytics fanns detta som ett alternativ. GA4 stöder däremot inte detta.
Om du använder HubSpot Pro / Enterprise kan du även skapa U-formade attribueringsrapporter med funktionen Attribueringsrapportering.
5. W-formade modellen
Med utgångspunkt i U-formen omfattar W-formmodellen tre kritiska faser i kundresan:
- Den första kontakten (introduktion)
- Skapandet av en potentiell kund (engagemang halvvägs genom resan)
- Och skapandet av möjligheten (beslutet).
Varje avgörande kontaktpunkt får en betydande del av tillgodoräkningen (vanligtvis omkring 30 % vardera), medan de återstående 10 % fördelas mellan andra interaktioner.
Användning: Idealisk för företag med längre säljcykler som omfattar flera engagemangssteg, till exempel B2B-företag, där den första kontakten, kvalificeringen av potentiella kunder och de slutliga förhandlingarna alla är avgörande steg.
Så använder du den: Använd attribuering från tredje part för att modellera detta och förstå de tre viktigaste milstolparna i en prospekts resa (det vill säga potentiell kund/SQL/vunnen affär) för att identifiera vad som driver TOFU/konvertering och vunna affärer.
6. Den datadrivna (algoritmiska) modellen
Den datadrivna modellen använder algoritmer och maskininlärning för att analysera alla kontaktpunkter och tilldelar tillgodoräkning baserat på den faktiska observerade effekten av varje interaktion.
Till skillnad från regelbaserade modeller anpassar sig denna metod dynamiskt för att återspegla det varierande inflytandet från varje kontaktpunkt i olika scenarier och kundsegment.
Användning: Bäst för organisationer med tillgång till stora datamängder och den analytiska kapaciteten att bearbeta komplexa modeller. Den ger den mest personanpassade och exakta attribueringen, men kräver betydande resurser.
Så använder du den: Populariserad av Google Ads. Jag tror inte att många B2B-företag har tillräckligt stora datamängder för att detta ska vara meningsfullt.
7. Modellen med tidsavtagande
Modellen med tidsavtagande tilldelar större tillgodoräkning till kontaktpunkter som ligger närmare konverteringen i tid, baserat på antagandet att senare interaktioner har större inflytande över beslutsprocessen.
Tillgodoräkningen minskar exponentiellt eller linjärt för äldre kontaktpunkter.
Användning: Lämplig för kampanjer som fokuserar på att driva snabba konverteringar, där interaktionens aktualitet antas ha en större inverkan på kundens beslut.
Så använder du den: Använd denna modell med HubSpot Attribution eller verktyg från tredje part för att förstå affärshastigheten per kanal.
Några ytterligare anmärkningar om modeller för multiberöringsattribuering
När vi ser bortom modellerna är det viktiga att vi förstår MTA som ett sätt att få insikt i vilka kanaler som driver TOFU-medvetenhet jämfört med enbart BOFU-konverteringar.
I vårt arbete med B2B-varumärken är det vanligt att se Google Ads driva 80 % av konverteringarna i en modell med sista kontakten (som används ofta). Men efter viss modellering blir det tydligt att betalda sociala medier, SEO, innehåll, YouTube och så vidare driver TOFU-medvetenhet som sedan leder till Google Ads och konverteringar i det sista steget.
En prospekt kan höra talas om ett varumärke i en YouTube- eller Meta-/LinkedIn-annons och inte konvertera, men frekvensen är tillräckligt hög för att samma prospekt googlar ett kategori- eller varumärkessökord, klickar på en Google Ads-länk och konverterar.
Sista kontakten skulle ge Google Ads 100 % av tillgodoräkningen och första kontakten YouTube eller Meta, men sanningen är att de båda arbetade tillsammans för att skapa konverteringen.
Men vänta. Glöm inte inkrementalitet.
MTA är fantastiskt och visar vilka åtgärder/interaktioner prospektet hade som till slut ledde till att det konverterade.
Det besvarar dock inte frågan: Skulle den här personen ändå ha köpt något?
En av våra kunder var kraftigt beroende av Google Ads (typiskt för ett B2B-företag), men 70 % av sökbudgeten gick till varumärkesrelaterade sökningar (det vill säga någon sökte efter deras varumärkesnamn).
Vi (42 Agency) hade en hypotes om att 90 % av dem som konverterade via varumärkesrelaterade sökningar ändå skulle ha konverterat via den organiska SERP:en.
Vi minskade gradvis budgeten för varumärkesrelaterade sökningar och återinvesterade den i kategori-/användningsområdessökord och andra kanaler. Medan konverteringarna från Google Search minskade ökade konverteringarna från organisk sökning betydligt, vilket bekräftade vår hypotes om att varumärkesrelaterade sökningar inte var inkrementella.
Innan du ger dig ut på gatorna för att avskaffa alla kampanjer för varumärkesrelaterade sökningar bör du komma ihåg att de fyller en funktion – särskilt om du befinner dig på en konkurrensutsatt marknad (till exempel CRM, PM-verktyg, ATS och så vidare).
Det hjälper dig att ”försvara” ditt varumärke mot konkurrenter och ta extra plats på en sida.
När det gäller varumärkesrelaterade sökningar – många marknadsförare drar sig för att mäta varumärken, men det är ett misstag. Varumärken bör och kan mätas; de behöver omfattas av ett enhetligt mätramverk för marknadsföring.
Men hur gör man det egentligen?
Hur mäter man ett varumärke?
Ironiskt nog är det vanligaste sättet som B2B-aktörer mäter varumärken på ”direkt trafik”, vilket är något missvisande.
Som bäst representerar direkt trafik inte någon som känner till varumärket. I motsats till vad många tror är direkt trafik helt enkelt all trafik där webbanalysen inte kan identifiera en hänvisningskälla, oavsett om trafiken är krypterad eller inte.
Det handlar inte om någon som skriver in din webbplats i adressfältet.
En bättre indikator kan vara varumärkesrelaterade sökfrågor (som hämtas via Google / Bing Search Console), men inte ens det är det mest exakta sättet att mäta ett varumärke. Potentiella kunder som känner till varumärket går inte nödvändigtvis till din webbplats.
Så vilket är det gyllene sättet att mäta ett varumärke? Enkäter, geo- och kontrollgruppstester.
Erinran samt hjälpt och ohjälpt erinran
Enkäter (både med och utan hjälp) används traditionellt av stora mediebyråer samt FMCG- och CPG-varumärken och är ett utmärkt sätt att mäta varumärkeskampanjer.
Vid ohjälpt erinran ombeds deltagarna att erinra sig varumärken, produkter eller annonser utan ledtrådar, vilket testar den spontana varumärkeserinran.
Hjälpt erinran ger däremot ledtrådar eller signaler som hjälper deltagarna att minnas.
Dessa enkäter kan mäta marknadsföringsaktiviteternas påverkan på varumärkeskännedom och erinran över tid. Du har kanske sett dem dyka upp i ditt YouTube-flöde eller i dina sociala flöden:
- ”Vilket av dessa varumärken skulle du överväga att köpa nästa gång du letar efter X?”
- ”Vilken av dessa varumärkesannonser minns du att du såg under de senaste sju dagarna?”.
När ditt varumärke får en större marknadsandel bör både din hjälpta och ohjälpta varumärkeskännedom öka.
Plattformar för betalda sociala medier och sökannonser erbjuder också detta som en del av sitt mätverktyg. LinkedIn introducerade nyligen varumärkeslyftstudier som mäter erinran hos en grupp personer som såg din annons på Linkedin och en grupp personer som inte gjorde det.
Facebook introducerade något liknande. Tidigare var dessa funktioner endast tillgängliga för stora annonsörer på plattformen, men nu är båda tillgängliga för annonsörer som använder självbetjäning.
Geo- och kontrollgruppstester
Hur mäter man en OOH-kampanj, till exempel reklamskyltar? När vi gjorde det för oss själva och våra kunder tittade vi på en ökning av trafiken från staden där vi genomförde kampanjen med reklamskyltar eller varumärkesomnämnanden.
Principen bakom detta är kontrollgruppstestning (och när det görs på geografisk nivå, geotestning).
Kontrollgruppstestning, eller testning med kontrollgrupp, innebär att vissa marknadsföringsaktiviteter undanhålls från ett målgruppssegment för att jämföra deras beteende med beteendet hos personer som faktiskt tog del av marknadsföringsaktiviteten.
Den här metoden mäter direkt inkrementalitet genom att visa vad som skulle hända utan vissa marknadsföringsinsatser. Om New York till exempel genomför en kampanj med reklamskyltar medan en jämförbar stad (för sakens skull Toronto) inte har några reklamskyltar, finns det en jämförbar skillnad i viktiga mätvärden mellan de två städerna.
Obs om OOH – att köpa en reklamskylt i två veckor kommer inte att ha någon större effekt –
Lärdom: Vi hyrde en mobil reklamskylt under Hubspots årliga konferens i Boston i två dagar. Även om det skapade en del uppmärksamhet i sociala medier & blev en fantastisk historia – fick vi inte den trafikökning vi ville ha. Men vi fick uppmärksamhet genom att göra något som uppfattades som ”dyrt” (OOH) & annorlunda.
Från mätning till handling
Här är grundtanken med den här texten: du kan och bör mäta dina marknadsförings- och varumärkesinsatser. Låt ingen säga något annat.
Även när du gör det måste du bygga ett experimentellt system som gör det möjligt för dig att snabbt iterera och stegvis utveckla bättre idéer baserat på vad du lär dig av det du mäter.
Att göra detta är en helt annan text. Men utöver taktikerna kräver det ett tydlighetstänkande, att du medvetet bygger en marknadsföringsfunktion som rör sig både snabbt och långsamt, samt att du förstår vad som ska mätas varje vecka och vad som ska mätas varje kvartal (eller år). Du behöver också rätt programvara för marknadsföringsanalys.
Håll utkik efter mer. Medan du väntar bör du också registrera dig för vårt nyhetsbrev, utvalt för marknadsföringsledare och få de senaste trenderna, insikterna och taktikerna direkt till din inkorg.