Pazarlama ölçümünden bahsederken atıfta bulunmayı sevdiğim ünlü bir söz var: “Reklama harcadığım paranın yarısı boşa gidiyor; sorun şu ki hangi yarısı olduğunu bilmiyorum.”
Pazarlamacıların çoğu, çalışmalarının işletmenin kârlılığı üzerindeki etkisini gerekçelendirmekte zorlanır. Üstelik hangi pazarlama ölçüm araçlarını kullandığımız da önemli değildir.
Bu nedenle, rakamlar konusunda sorumluluk almaktan veya sahiplenmekten kaçınmak istediğimiz için 'talep yaratma' ve 'karanlık sosyal' gibi yeni terimler ve ifadeler üretmeye devam ediyoruz. Evet, bunu söyledim!
Bu, pazarlama başarısını ölçmenin imkânsız olduğu ya da ölçülmemesi gerektiği anlamına gelmez.
Yönetim masasında (yani üst düzey yöneticilerin bulunduğu masada) 'yer alabilmek' için pazarlamacıların daha az pazarlamacılar gibi, daha çok finans ekipleri gibi düşünmesi gerekir. Pazarlama ölçümünü, anlamını ve neden önemli olduğunu tanımlayalım.
Peki, Pazarlama Ölçümü Nedir?
Basitçe ifade etmek gerekirse, pazarlamanın işletme üzerindeki uzun ve kısa vadeli etkilerini ölçmekle ilgilidir. Pazarlamanın işleyişi böyle olduğu için bunu zaman ufuklarına ayırmayı seviyorum.
Bazı faaliyetler kısa vadeli sonuçlar (satışlar, potansiyel müşteriler, SQL'ler) üretirken, diğerleri uzun vadeli sonuçlar (hatırlanırlık, bilinirlik, pazar payı) üretir - ancak daha fazla bilinirlik, hatırlanırlık ve pazar payı elde etmenin en iyi yolu daha fazla kişiye daha fazla ürün satmak olabilir.
Bu neden önemli?
Böylece bir sonraki paranızı nereye harcayacağınızı bilirsiniz. Üç aylık veya yıllık bir plan hazırlıyorsanız, gelir ya da fırsat yaratma kotasından sorumluysanız veya bir sonraki ABM kampanyanız için bütçeyi savunmanız gerekiyorsa, hangi sonuçları nereden elde edeceğinizi yüksek bir kesinlik derecesiyle bilmeniz gerekir.
Hangi kanalların hangi rakamları getirdiğini anlamak için huninizi modellemelisiniz.
Potansiyel müşterilerin huni boyunca nasıl dönüşüm gerçekleştirdiği ve geçmiş performans, gelecekteki sonuçların bazen en iyi öngörücüsüdür - bu nedenle bazı bilinçli tahminlerde ve sürpriz ihtimallere dayalı tahminlerde bulunun.
Başka bir deyişle pazarlama ölçümü, "100 milyonunuz olsaydı, bunu nereye harcardınız'" sorusunu yanıtlamanıza yardımcı olur (belki de cevap bir Super Bowl reklamıdır).
Pazarlamayı Nasıl ÖLÇERSİNİZ?
Kısa Cevap: Modellerle
Ancak önce, bu konuyu daha iyi anlamak için sıklıkla gözden kaçırılan ve temel öneme sahip bir unsurdan, artımlılıktan bahsedelim.
Bunu bana açıklamak için birinin kullandığı basit bir pizza dükkânı benzetmesiyle başlayalım.
Bir pizza dükkânınız olduğunu ve 5 dolarlık kuponlarınız bulunduğunu düşünün. Bu broşürleri dağıtmaları için 2 kişi işe alıyor ve onları, ellerinde kuponla pizza almaya gelen müşteri sayısına göre bir bonusla teşvik ediyorsunuz.
A kişisi sokağa çıkıp etrafta yürüyen mümkün olduğunca çok kişiye broşür dağıtıyor. Bu sırada B kişisi pizza dükkânının kapısında durup pizza almaya gelen kişilere broşür veriyor.
'Daha fazla kuponu' hangi kişi getirdi?
B kişisi - zaten pizza almak için içeri giren bir müşteri, 5 dolarlık indirimi sağlayan kuponu alma olasılığı daha yüksek olan kişidir. Ancak kuponları olmasaydı da pizza alacaklardı (zaten kapıdan içeri girmişlerdi).
Buna karşılık A kişisi, 5 dolarlık kupon olmasaydı pizza almayacak daha fazla kişiyi getirdi.
A kişisi daha fazla 'yeni müşteri' veya artımlı satış getirirken, B kişisi daha az artımlı satış getirdi.
Dolayısıyla B kişisi dağıtılan ve satılan pizza kuponlarının çoğu için ödülü alsa da, bu kişilerin %90'ı zaten pizzayı satın alacaktı.
Neden pizzadan bahsediyorum? Çünkü artımlılık, pazarlamada çözülmesi zor bir kavramdır. Pazarlama tarafından yönlendirilen satışlarımızın ne kadarı artımlıydı ve ne kadarı zaten satın alacakları şeylerdi (o ticaret fuarına katılmadan veya o web seminerine kaydolmadan vb.)? Bu konuya biraz aşağıda değineceğiz.
Pazarlama ilişkilendirme araçları hakkında bir şey bekliyor muydunuz? Çok komik.
Pekâlâ, pazarlamadaki artımlılık kavramının öneminden devam ederek pazarlama ölçümünde kullanılan farklı yöntemleri inceleyelim. Bu yöntemler, pazarlama faaliyetlerinin etkisini nicel olarak belirlemeyi ve işletmelerin bütçelerini daha etkili bir şekilde tahsis etmesini amaçlar.
Bunları anlamak, pazarlamaya daha analitik ve finansal açıdan daha sağduyulu bir zihniyetle yaklaşmanızı sağlayacaktır.
Pazarlama Karması Modellemesi (MMM)
Pazarlama Karması Modellemesi (MMM), çeşitli pazarlama taktiklerinin satışlar üzerindeki etkisini belirlemek ve gelecekteki taktik setlerinin etkisini tahmin etmek için geçmiş verileri değerlendiren bir istatistiksel analiz tekniğidir.
Ekonomik koşullar, rekabet, pazarlama harcamaları gibi birden fazla değişkeni dikkate alır.
MMM, her bir pazarlama kanalının uzun zaman aralıklarındaki etkinliği hakkında içgörüler sağlar ve farklı pazarlama karması bileşenlerinin satışlara nasıl katkıda bulunduğunu anlamaya yardımcı olur. Üst düzey pazarlama kanalları arasında bütçe tahsis etmek ve uzun vadeli stratejik planlama yapmak için kullanışlıdır.
MMM için, farklı istatistiksel modellerin veriyi nasıl açıkladığını ve veriye nasıl uyduğunu, ayrıca hangisinin en yüksek güven düzeyine sahip olduğunu (yani veriyi ve dalgalanmaları en iyi şekilde açıklayan, başka bir deyişle daha az riskli bir seçeneği) test edebilmek için büyük bir veri kümesine ihtiyacınız vardır.
Daha iyi modeller için daha yüksek çözünürlüklü veriler, örneğin günlük veriler, kullanmak idealdir; çünkü daha fazla veri bulunduğundan aylık verilere kıyasla daha iyi uyum sağlar.
MMM'nin avantajı, yalnızca çevrim içi kanalların ötesine geçmesi ve 100K'lık billboard kampanyasının kârlılık üzerindeki etkisini gösterebilmesidir.
MMM'nin sorunu, çoğu B2B işletmesinde olduğu gibi yeterli verinin bulunmamasıdır. Örneğin, her yıl yalnızca üç anlaşma yapan kurumsal bir müşteriye satış gerçekleştiren bir şirket.
MMM ayrıca yıllık/çeyreklik analizler için daha uygundur; pazarlamayı haftalık/aylık bazda optimize etmek için o kadar uygun değildir.
Uygulamada MMM örnekleri
42 Agency olarak müşterilerimiz için pazarlama karması modellerinden yararlanıyor ve ilk temas / son temas ilişkilendirmesinin ötesinde içgörüler elde etmek için gelişmiş analizler gerçekleştiriyoruz.
Aylık yaklaşık 1 milyon dolar medya harcaması yapan müşterilerimizden biri, bütçesinin önemli bir bölümünü Meta Marka Bilinirliği Reklamları'na ve LinkedIn Erişim Reklamları'na harcıyordu. Birkaç soruyu yanıtlamak için bir analiz gerçekleştirdik:
- Meta ve Linkedin MQL/SQL'leri sağlıyor muydu? (Yanıt evetti)
- Erişim ve Bilinirlik reklamlarına yapılan harcama SQL / MQL'leri olumlu yönde etkiliyor muydu? (Yanıt, düşündüğümüz kadar yüksek değildi. Bazı durumlarda olumsuz bir etkisi vardı; yani Erişim / Marka Bilinirliği için harcama yaparak muhtemelen daha az MQL oluşturuyorduk)
- Farklı kanalların reklam stok değeri nedir; yani insanlar reklamı gördükten sonra ne kadar süre hatırlıyor? (En yüksek Reklam Stok Değeri FB'de, en düşük ise Adwords'te)
- Azalan getirilerle karşılaşmaya başladığımız nokta nedir? Yani farklı kanallara harcadığımız her ek $$ için beklenen dönüşüm ve dönüşüm başına maliyet nedir? (Belli bir noktanın ötesindeki harcama, görece daha yüksek bir CPA ile daha az dönüşüm getiriyordu)
Korelasyon nedensellik anlamına gelmez, ancak ilginç bir hikâye ortaya koyar.
Başka bir müşterimizle YouTube video reklamlarına yoğun yatırım yaptık.
YouTube reklamlarının %80'i televizyonlarda gösterildiği için YouTube'un CVR'si (tıklama sonrası dönüşüm oranı) çok düşüktür. Ancak Google Ads veya Meta gibi doğrudan yanıt odaklı reklamların yapamadığı şekilde marka hikâyesi anlatma konusunda son derece başarılıdır.
YouTube harcamasını CVR üzerinden doğrudan dönüşümlere bağlayamasak da YouTube reklam yayın dönemleri ile doğrudan/organik kanallardan gelen dönüşümler arasında belirgin bir korelasyon vardı. Bu korelasyon, reklamlarımızın potansiyel müşterileri diğer kanallar üzerinden kaydolmaya yönlendirdiği anlamına geliyordu.
Have an account? Log In
Çoklu Temas İlişkilendirmesi (MTA)
Çoklu Temas İlişkilendirmesi (MTA) modelleri, bir müşterinin dönüşüm yolculuğu sırasında karşılaştığı her temas noktasına pay verir. Pazarlama karmasına makro düzeyde bakan MMM'nin aksine MTA, mikro düzeyde çalışır ve B2B e-posta pazarlamanızın, reklamlarınızın veya SEO / organik çalışmalarınızın dönüşüm üzerindeki etkinliği gibi belirli dijital pazarlama çabalarını analiz eder.
MTA, pazarlamacıların dönüşüm sağlamada hangi temas noktalarının en etkili olduğunu anlamasına yardımcı olarak pazarlama harcamalarının daha ayrıntılı şekilde optimize edilmesini sağlar.
Örneğin MTA, son 30 günlük rapor LinkedIn Ads'in Google Ads'e kıyasla fırsata dönüşüm oranının daha yüksek olduğunu gösterdiği için gelecek ay LinkedIn Ads'e daha fazla bütçe ayırmamıza olanak tanır.
MMM, doğrudan tıklama tabanlı veriler olmadan performanstaki yeterli artışı tespit edebilirken MTA, temas noktalarını bir araya getirip müşteri yolculuğu oluşturmak için tıklamalara ve izlemeye (tarayıcı veya sunucu tarafında) ihtiyaç duyar.
MTA'nın temel sorunu, giderek kullanımdan kaldırılan UTM izleme, tıklamalar ve çerezlere büyük ölçüde dayanmasıdır.
Şunu belirtmek önemlidir: MTA, (daha çok reklamcılıkta kullanılan) üçüncü taraf çerezlere değil, birinci taraf (1P) çerezlere dayanır. Ancak 1P çerezlerde bile Safari gibi tarayıcılar bunları yedi gün sonra siler. Potansiyel müşterilerin farklı cihazlar arasında daha fazla hareket ettiği, tarayıcıların komut dosyalarını engellediği ve UTM bağlantılarını kaldırdığı bir dünyada durum daha da zorlaşır.
Başka bir deyişle, MTA izleme daha karmaşık hâle gelir ve doğruluğu belirsizleşir.
Ziyaretçilerin izin vermesini isteyen bir çerez banner'ı kullanıyor ancak ziyaretçi izin vermemeyi seçiyorsa, herhangi bir yönlendirme verisini veya sitenize nasıl geldikleriyle ilgili diğer verileri izleyemezsiniz.
Analizlerinizde bu durum 'doğrudan ziyaret' olarak görünür. Ziyaretçilerin yalnızca %31'i çerezleri kabul ettiğinden ziyaretlerinizin neredeyse %70'i 'doğrudan' olarak görünür.
Günlerce devam edebilirim, ancak şimdi tekrar konuya dönelim ve bazı MTA modelleri ile kullanımlarına göz atalım.
Yaygın Çoklu Dokunuş Atıf (MTA) Modelleri
B2B pazarlamacısı olarak geçirdiğim süre boyunca karşılaştığım en yaygın MTA modelleri şunlardır. Bunların nasıl kullanılacağını da ele alacağız.
1. İlk Dokunuş Modeli
İlk Dokunuş Modeli, dönüşüm kredisinin %100'ünü müşteri yolculuğundaki ilk temas noktasına atar.
Bu model, ilk etkileşimin en kritik etkileşim olduğu ilkesine dayanır; çünkü müşteriyle marka veya ürünü tanıştırır ve sonraki tüm etkileşimlerin temelini oluşturur.
Uygulama: Bu model; marka bilinirliği kampanyaları gibi huninin üst kısmındaki faaliyetlerin etkinliğini değerlendirmek için faydalıdır. İnsanların radarına nasıl girdiğimizi, yani bilinirliği anlamamıza yardımcı olur.
Nasıl kullanılır: HubSpot'ta bu, kullanıma hazır veri modelindeki Orijinal Kaynak olarak adlandırılır. HubSpot / Analytics araçları, bir kişinin sitenizi ilk ziyaret ettiği zamanı çerezle kaydeder ve bu kişiyi dönüşüm gerçekleştirdiğinde bir müşteri adayıyla ilişkilendirir.
Genellikle UTM'ler kullanıyorsanız bu, bir kişinin web sitenizi ilk ziyaret ettiği zamandaki UTM'dir; yalnızca form doldurduğu zamandaki UTM değildir. Bunu Google Analytics'te (UA) Model Karşılaştırması > İlk tıklama altında izleyebilirsiniz. GA4 bu seçenekleri kaldırmıştır.
2. Son Dokunuş Modeli
Buna karşılık Son Dokunuş Modeli, dönüşüm gerçekleşmeden önceki son temas noktasına dönüşüm kredisinin tamamını verir. Bu model, dönüşüme en yakın etkileşim olması nedeniyle son etkileşimin en önemli etkileşim olduğunu varsayar.
Uygulama: Yeniden hedefleme veya arama reklamları gibi huninin alt kısmındaki faaliyetlerin etkisini değerlendirmek için idealdir. Son aşamadaki dönüşümü sağlamada hangi kanalların ve mesajların en etkili olduğunu öne çıkarır.
Ancak bu model, LinkedIn, Meta veya İçerik gibi TOFU kanalları yerine Google Ads gibi yüksek niyetli kanalları kayırır. Müşteriler sizi Instagram'daki bir Meta Reklamı aracılığıyla keşfetmiş olsa bile, yalnızca bir son dokunuş modeli kullanırsanız Google Ads kredinin %100'ünü alır ve bu da Meta Reklamlarının işe yaramadığı şeklinde yanlış bir sonuca varmanıza yol açar.
Nasıl kullanılır: HubSpot'taki En Son Kaynak budur veya UTM'leri kullanıyorsanız formda yakalanan UTM'dir (form gönderiminde). Bu konu daha kapsamlı bir inceleme gerektirse de HubSpot'taki En Son Kaynak, potansiyel müşterinin dönüşüm gerçekleştirmeden önceki son dokunuşunun yakın bir tahminidir. Google Analytics (UA & GA4), model karşılaştırma aracında (son tıklama) son dokunuş modellemesini destekler.
3. Doğrusal Model
Doğrusal Model, krediyi müşteri yolculuğundaki tüm temas noktalarına eşit olarak dağıtır.
Bu model, ilk etkileşimden dönüşüm etkinliğine kadar her etkileşimin nihai karara eşit katkı sağladığını varsayar. Uygulaması kolaydır; ancak etkisi daha yüksek temas noktalarının rolünü yeterince dengeleyemeyebilir.
Uygulama: Herhangi bir etkileşime öncelik vermeden tüm temas noktalarını hesaba katan basit bir yaklaşım istediğinizde en iyi şekilde kullanılır. Düz ve doğrusal bir müşteri yolculuğuna sahip işletmeler için uygundur.
Nasıl kullanılır: Birçok 3. taraf atıf aracı doğrusal modelleri destekler. GA UA'da bir seçenek olarak mevcuttu, ancak GA4 bunu desteklememektedir. HubSpot Pro / Enterprise mı kullanıyorsunuz? Atıf Raporlama ile doğrusal atıf raporları da oluşturabilirsiniz.
4. U Şekli (Konum Tabanlı) Model
U şekli veya Konum Tabanlı Model, ilk ve son temas noktalarına, genellikle her birine yaklaşık %40 oranında, daha fazla kredi verirken kalan %20'yi ortadaki etkileşimler arasında dağıtır. Bu model, ilk ve son dokunuşların daha yüksek önceliğe sahip olduğunu kabul eder.
Uygulama: Kısa satış döngülerine sahip sektörlerde veya yeni ürünler piyasaya sürülürken olduğu gibi, ilk izlenimlerin ve kapanış etkileşimlerinin önemini vurgulayan pazarlama stratejileri için kullanışlıdır.
Nasıl kullanılır: Birçok 3. taraf atıf aracı U modellerini destekler. Artık kullanımdan kaldırılmış olan Universal Analytics'te bu model bir seçenek olarak mevcuttu. Ancak GA4 bunu desteklememektedir.
HubSpot Pro / Enterprise kullanıyorsanız Atıf Raporlama işleviyle U-atıf raporları da oluşturabilirsiniz.
5. W Şekli Model
U-şeklinin kapsamını genişleten W-Şekli Modeli, müşteri yolculuğunun üç kritik aşamasını içerir:
- İlk temas (tanıtım)
- Potansiyel müşteri oluşturma (yolculuğun ortasındaki etkileşim)
- Ve fırsat oluşturma (karar).
Her kritik temas noktasına kredinin önemli bir bölümü (genellikle her biri yaklaşık %30) verilir; kalan %10 ise diğer etkileşimler arasında dağıtılır.
Uygulama: İlk temas, potansiyel müşteri niteliklendirmesi ve son müzakerelerin tümünün kritik aşamalar olduğu B2B şirketleri gibi, birden fazla etkileşim aşaması içeren daha uzun satış döngülerine sahip işletmeler için idealdir.
Nasıl kullanılır: Bunu modellemek ve bir potansiyel müşterinin yolculuğundaki üç temel dönüm noktasını (yani potansiyel müşteri/SQL/Kazanıldı olarak kapatıldı) anlamak için üçüncü taraf ilişkilendirmesini kullanarak TOFU'yu/Dönüşümü ve Kazanıldı olarak kapatılan fırsatları neyin yönlendirdiğini belirleyin.
6. Veriye Dayalı (Algoritmik) Model
Veriye Dayalı Model, tüm temas noktalarını analiz etmek ve her etkileşimin gözlemlenen gerçek etkisine göre kredi atamak için algoritmaları ve makine öğrenimini kullanır.
Kural tabanlı modellerin aksine bu yaklaşım, farklı senaryolar ve müşteri segmentleri genelinde her temas noktasının değişen etkisini yansıtacak şekilde dinamik olarak uyum sağlar.
Uygulama: Büyük veri kümelerine ve karmaşık modelleri işlemek için analitik kapasiteye erişimi olan kuruluşlar için en uygunudur. En kişiselleştirilmiş ve doğru ilişkilendirmeyi sağlar, ancak önemli miktarda kaynak gerektirir.
Nasıl kullanılır: Google Ads tarafından yaygınlaştırılmıştır. Çok fazla B2B şirketinin bunun anlamlı olmasını sağlayacak kadar geniş veri kümelerine sahip olduğunu düşünmüyorum.
7. Zamanla Azalma Modeli
Zamanla Azalma Modeli, sonraki etkileşimlerin karar verme sürecinde daha etkili olduğu varsayımına dayanarak dönüşüme zaman açısından daha yakın temas noktalarına daha fazla kredi atar.
Daha eski temas noktalarının kredisi üstel veya doğrusal olarak azalır.
Uygulama: Etkileşimin güncelliğinin müşterinin kararı üzerinde daha önemli bir etkiye sahip olduğuna inanılan, hızlı dönüşümleri artırmaya odaklanan kampanyalar için uygundur.
Nasıl kullanılır: Kanal bazında anlaşma hızını anlamak için bu modeli HubSpot Attribution veya üçüncü taraf araçlarla kullanın.
Çoklu İlişkilendirme Modellerini Anlamaya İlişkin Bazı Ek Notlar
Modellerin ötesine baktığımızda önemli olan, MTA'yı yalnızca BOFU dönüşümlerini değil, TOFU bilinirliğini artıran kanallar hakkında içgörü kazanmanın bir yolu olarak anlamamızdır.
B2B markalarıyla çalışmalarımızda, Google Ads'in son temas modelinde (yaygın olarak kullanılır) dönüşümlerin %80'ini sağladığını görmek oldukça yaygındır. Ancak bazı modellemelerin ardından ücretli sosyal medya, SEO, içerik, YouTube vb. kanalların TOFU bilinirliğini artırarak Google Ads'e ve son aşamadaki dönüşümlere katkı sağladığı ortaya çıkar.
Bir potansiyel müşteri bir markayı YouTube veya Meta / LinkedIn reklamında duyabilir ve dönüşüm gerçekleştirmeyebilir; ancak aynı potansiyel müşterinin bir kategori veya marka anahtar kelimesini Google'da araması, bir Google Ads bağlantısına tıklaması ve dönüşüm gerçekleştirmesi için yeterince yüksek bir sıklık oluşur.
Son Temas, kredinin %100'ünü Google Ads'e; İlk Temas ise YouTube veya Meta'ya verirdi, ancak gerçek şu ki dönüşümü sağlamak için ikisi birlikte çalışmıştır.
Ama bekleyin. Artımlılığı unutmayın.
MTA harikadır ve potansiyel müşterinin sonunda dönüşüm gerçekleştirmesine yol açan eylem/etkileşimleri bize gösterir.
Ancak şu soruyu yanıtlamaz: Bu kişi zaten herhangi bir şey satın alacak mıydı?
Müşterilerimizden biri Google Ads'de yoğun şekilde görünürlük kazanmıştı (B2B işletmeleri için tipik bir durum), ancak arama bütçesinin %70'i markalı aramaya ayrılmıştı (yani biri marka adını arıyordu).
42 Agency olarak, markalı arama yoluyla dönüşüm gerçekleştirenlerin %90'ının organik SERP üzerinden de her durumda dönüşüm gerçekleştireceği hipotezine sahiptik.
Markalı arama bütçesini yavaş yavaş azalttık ve bu bütçeyi kategori / kullanım alanı anahtar kelimelerine ve diğer kanallara yeniden yatırdık. Google Arama'dan gelen dönüşümler azalırken organik aramadan gelen dönüşümler önemli ölçüde arttı; bu da markalı aramanın artımlı olmadığından oluşan hipotezimizi doğruladı.
Tüm markalı arama kampanyalarını sonlandırmak için sokağa çıkmadan önce, bunların bir işlevi olduğunu unutmayın; özellikle rekabetin yoğun olduğu bir pazardaysanız (ör. CRM, PM araçları, ATS vb.).
Markanızı rakiplere karşı ‘savunmanıza’ ve bir sayfada daha fazla görünürlük alanı elde etmenize yardımcı olur.
Markalı aramadan söz etmişken birçok pazarlamacı markaları ölçmekten kaçınır, ancak bu bir hatadır. Markalar ölçülmelidir ve ölçülebilir; pazarlama için birleşik bir ölçüm çerçevesi içinde var olmaları gerekir.
Peki bunu tam olarak nasıl yaparsınız?
Markayı Nasıl Ölçersiniz?
İronik bir şekilde, B2B çalışanlarının markayı ölçmek için kullandığı en yaygın yöntem, biraz yanıltıcı olan 'doğrudan trafik'tir.
En iyi ihtimalle doğrudan trafik, marka farkındalığına sahip bir kişiyi temsil etmez. Yaygın inanışın aksine doğrudan trafik, web analizlerinin bir yönlendiren kaynağı tespit edemediği her türlü trafik kaynağıdır (şifrelenmiş olsun ya da olmasın).
Bu, web sitenizi adres çubuğuna yazan biri değildir.
Daha iyi bir gösterge, markalı arama sorguları olabilir (Google / Bing Search Console üzerinden erişilir), ancak o durumda bile bu, markayı ölçmenin en kesin yolu değildir. Markanızın farkında olan potansiyel müşteriler mutlaka web sitenize gitmez.
Peki bir markayı ölçmenin altın standardı nedir? Anketler, coğrafi ve kontrol grubu testleri.
Hatırlama ve Destekli/Desteksiz Anketler
Geleneksel olarak büyük medya ajansları ile FMCG ve CPG markaları tarafından kullanılan anketler (hem destekli hem de desteksiz), marka pazarlama kampanyalarını ölçmenin harika bir yoludur.
Desteksiz hatırlama ölçümünde katılımcılardan, herhangi bir ipucu verilmeden markaları, ürünleri veya reklamları hatırlamaları istenir; böylece kendiliğinden marka hatırlama test edilir.
Destekli hatırlama ise katılımcıların hatırlamasına yardımcı olmak için ipuçları veya yönlendirmeler sunar.
Bu anketler, pazarlama faaliyetlerinin marka farkındalığı ve zaman içindeki hatırlama üzerindeki etkisini ölçebilir. Bunların YouTube veya sosyal medya akışlarınızda karşınıza çıktığını fark etmiş olabilirsiniz:
- 'Bir dahaki sefere X ararken bu markalardan hangisini satın almayı düşünürsünüz?'
- 'Son yedi gün içinde bu marka reklamlarından hangisini gördüğünüzü hatırlıyorsunuz?'.
Markanız pazarda daha fazla pay elde ettikçe, destekli ve desteksiz farkındalığınız artmalıdır.
Ücretli Sosyal Medya / Arama platformları da bunları ölçüm paketlerinin bir parçası olarak sunar. LinkedIn kısa süre önce, reklamınızı LinkedIn'de gören bir grup kişi ile görmeyen bir grup kişinin hatırlamasını ölçen marka etkisi araştırmalarını kullanıma sundu.
Facebook da benzer bir uygulama başlattı. Daha önce bunlar yalnızca platformdaki büyük reklamverenlerin kullanımına açıktı, ancak artık her ikisi de self-servis reklamverenlere sunuluyor.
Coğrafi ve Kontrol Grubu Testleri
Reklam panoları gibi bir OOH kampanyasını nasıl ölçersiniz? Bunu kendimiz ve müşterilerimiz için yaptığımızda, reklam panosu kampanyasını yürüttüğümüz şehirde trafikte veya marka bahsetmelerinde meydana gelen artışa baktık.
Bunun arkasındaki ilke, kontrol grubu testidir (coğrafi düzeyde yapıldığında coğrafi test olarak adlandırılır).
Kontrol grubu testi, belirli pazarlama faaliyetlerini hedef kitle segmentinden esirgemeyi ve davranışlarını pazarlama faaliyetini deneyimleyenlerinkiyle karşılaştırmayı içerir.
Bu yöntem, belirli pazarlama çalışmalarının yokluğunda ne olacağını göstererek artımlı etkiyi doğrudan ölçer. Örneğin, NYC'de bir reklam panosu kampanyası yürütülürken karşılaştırılabilir bir şehirde (varsayım olarak Toronto) reklam panosu bulunmaması. İki şehir için temel metriklerde karşılaştırılabilir bir fark vardır.
OOH hakkında not - iki haftalığına tek bir reklam panosu satın almak büyük bir etki yaratmaz -
Ders: Hubspot'un Boston'daki yıllık konferansı için iki günlüğüne mobil bir reklam panosu kiraladık. Bir miktar sosyal medya yankısı yaratsa ve harika bir hikâyeye dönüşse de istediğimiz trafik artışını elde edemedik. Ancak 'pahalı' (OOH) ve farklı olarak algılanan bir şey yaptığımız için dikkat çektik.
Ölçümden Eyleme
Bu yazının temel fikri şu: pazarlama ve marka çalışmalarınızı ölçebilirsiniz ve ölçmelisiniz. Kimsenin size aksini söylemesine izin vermeyin.
Bunu yaptığınızda bile, ölçtüklerinizden öğrendiklerinize dayanarak daha iyi fikirleri hızla yinelemenize ve kademeli olarak uygulamanıza olanak tanıyan deneysel bir sistem kurmalısınız.
Bunu yapmak başlı başına başka bir yazının konusu. Ancak taktiklerin ötesinde bu, netlik anlayışını, hem hızlı hem de yavaş hareket eden bir pazarlama işlevini bilinçli şekilde oluşturmayı ve neyi haftalık, neyi üç aylık (veya yıllık) olarak ölçmeniz gerektiğini anlamayı gerektirir. Ayrıca doğru pazarlama analiz yazılımına da ihtiyacınız var.
Devamı gelecek. Beklerken siz de pazarlama liderleri için hazırladığımız bültene kaydolmalı ve en yeni trendleri, içgörüleri ve taktikleri gelen kutunuza almalısınız.
