fot. depositphotos.com
Wielokanałowe kampanie reklamowe to już od dawna dla wielu ekspertów chleb powszedni. Jednak pojawia się istotne pytanie, czy z pełną skrzynką narzędzi i urządzeń pomiarowych marketerzy nadal mają pełną kontrolę nad swoimi kampaniami, czy może właśnie przez nie zaczynają przepalać swoje budżety?
Zobacz również
Dostępne narzędzia
Mobile marketing, reklama display, wideo, e-mail, native, wykorzystanie social mediów czy programmaticu – z tymi hasłami równocześnie pojawia się analityka danych, optymalizacja, remarketing, performance, attribution, customer intelligence. Każde z nich otrzymało swoją odrębną kategorię w zestawieniu przygotowywanym od 2011 roku przez Scotta Brinkera „Marketing Technology Landscape Supergraphic”. Infografika rozrosła się od 2011 do 2018 roku z 150 do prawie 7 000 podmiotów wyspecjalizowanych w swoich dziedzinach. To pokazuje, przed jak ogromnym wyzwaniem stoją w swojej codziennej pracy współcześni marketerzy.
Waga danych i ich analizy jest (lub powinna być) oczywista. To właśnie dzięki analityce wiadomo, jak czasami niewielkie zmiany wprowadzane w kampaniach mogą powodować pozytywne, ogromne odzwierciedlenie w końcowych zyskach. Już nie tylko duże firmy zwracają się w stronę konkretnych wskaźników, aby mierzyć swoje działania marketingowe. Również te mniejsze podmioty często opierają się nie tylko na wskaźnikach samych kampanii (np. CPC, CPM), ale także na np. ROI (return of investment) czy ROMI (return of marketing investment).
Co jednak w przypadku, gdy analiza obejmuje wiele kampanii puszczonych w wielu różnych kanałach? Jak ocenić, które działanie doprowadziło do konwersji użytkownika, czyli osiągnięcia zamierzonego celu kampanii?
Bartosz Pilch, Beata Smajkiewicz (SIG): Klienci B2B oczekują od programów lojalnościowych elastyczności
Wyobraźmy sobie sytuację, w której zostaje uruchomiona kampania – zawierająca różne kreacje (np. wiele różnych grafik połączonych ze zróżnicowanymi hasłami, materiały wideo, interaktywne gify, itd.), które publikowane są za pomocą różnych kanałów (np. reklama display w social media, reklama wideo na serwisach VOD, mailing do bazy klientów). Marketerzy analizują dane w różny sposób. Czasami wynika to ze zdobytej wiedzy, doświadczeń lub po prostu przyzwyczajeń. Spróbujemy wyjaśnić kilka z nich.
Słuchaj podcastu NowyMarketing
Modele podstawowe one-touch
Last-touch attribution (last-click)
Użytkownik widzi kampanię na wielu kanałach lub na jednym, ale wielokrotnie. W końcu w nią klika, a marketer w swojej analizie ocenia, że to właśnie ta konkretna kreacja na tym konkretnym kanale i w tej konkretnej sytuacji okazała się najskuteczniejsza i to dzięki niej została pozyskana upragniona konwersja.
Inaczej: strzelono gola, a cała chwała trafiła do napastnika – nawet jeśli nic więcej pozytywnego nie możemy o nim powiedzieć. Mimo że możliwość strzelenia gola została wypracowana przez całą drużynę, szczególnie pomocników, a on jedynie dobrze ustawił swoją stopę na linii strzału.
First-touch attribution (first-click)
Sytuacja analogiczna do tej opisanej w przypadku „last-touch attribution” – jedyna różnica polega na tym, że tym razem w ocenie marketera to nie ostatnia a pierwsza interakcja użytkownika z jakimkolwiek elementem kampanii zostaje oceniona jako najskuteczniejsza.
Inaczej: podczas wewnętrznych rozterek pojawia się pytanie – kto jest odpowiedzialny za wszystkie niepowodzenia w życiu. Odpowiedź jest prosta – oczywiście rodzice. To oni bowiem stali u zarania egzystencji pokrzywdzonego i to na nich był tak wściekły po narodzinach, że postanowił nie rozmawiać z nimi przez wiele miesięcy!
Oba modele są niepełne i nie przedstawiają całego obrazu sytuacji – często jednak to właśnie takie rozwiązania analityczne są dostępne dla większości marketerów. Są najprostsze do zrozumienia i wyśledzenia w dostępnych narzędziach analitycznych, a także wyciągnięcia na ich podstawie wniosków – niestety często mylnych. Optymalizacja kampanii na podstawie takich danych na pewno wprowadzi pewne zmiany, ale niekoniecznie te oczekiwane.
Inaczej: celem jest, aby oglądany burger na billboardzie i oczekiwany na talerzu wyglądały tak samo, a przynajmniej podobnie.
Modele multi-touch
Bardziej skomplikowane modele analityczne biorą pod uwagę więcej czynników. Tutaj istotna jest ścieżka użytkownika (tzw. customer journey), która bierze pod uwagę wszystkie odnotowane interakcje.
Dla przykładu użytkownik mógł zobaczyć kampanię w social mediach, samodzielnie wyszukać i wejść później na stronę docelową, następnie z niej wyjść po to, by znów napotkać kampanię na platformie VOD i po kliknięciu w nią dokonać konwersji.
Model liniowy (linear)
Przy modelu multi-touch pod uwagę są brane wszystkie interakcje użytkownika z kampanią. W modelu liniowym każda interakcja z kampanią zostaje oceniona jako tak samo ważna.
Inaczej: najważniejszą rzeczą jest nie wygrana, ale branie udziału w jakiejś rywalizacji. W takim przypadku zakładamy, że kiedy podczas wojny w drużynie zostanie umieszczony chorowity celebryta i 150-kilowy zapaśnik – będą mieli taki sam wkład podczas walki wręcz.
Model „rozpadu w czasie” (time decay)
Nadal pod uwagę brane są wszystkie interakcje użytkownika z kampanią, jednak ich rola / waga nabiera znaczenia wraz ze zbliżaniem się do konwersji. W tym wypadku pierwsza styczność z kampanią będzie oceniona jako najmniej istotna, a ostatnia – jako najważniejsza.
Inaczej: przy sprzedaży telefonu ważni są chińscy pracownicy (którzy zbudowali produkt), następnie frachtowiec (który sprowadził go przez ocean), a potem sprzedawcy (którzy ostatecznie sprzedają telefon). Nie mniej jednak najważniejsze pozostaje logo na telefonie, symbolizujące firmę, do której trafi większość marży ze sprzedaży.
Modele dopasowane bazujące na danych
Przy dużej ilości informacji poszczególne etapy ścieżki użytkownika można odpowiednio ocenić. Zaawansowana analityka pozwala nadać odpowiednie wagi poszczególnym interakcjom podczas kampanii tak, aby umożliwić wybór najefektywniejszej kombinacji elementów kampanii.
Model shapley (game theory – teoria gier)
Model zakłada stworzenie wielu kombinacji poszczególnych elementów kampanii tak, aby ocenić najlepszą z nich. Ścieżki użytkownika zostają ułożone w taki sposób, aby znaleźć jak najefektywniejsze grupy elementów kampanii/poszczególnych interakcji, które doprowadzą do konwersji. Niestety ten model nie jest w stanie wskazać odpowiedniej kolejności wspomnianych interakcji podczas ścieżki użytkownika.
Inaczej: próba zorganizowania legendarnej imprezy bazuje na doświadczeniu zdobytym podczas 10 000 innych imprez. Po analizie najróżniejszych kombinacji osób czy miejsc wiadomo, że najistotniejszym elementem udanych imprez była jedna, konkretna osoba, której towarzyszy kilkoro bliskich przyjaciół na jachcie. Nie wiadomo jednak czy część (i którzy) z tych przyjaciół imprezuje przez całą noc, czy zapada w sen o 21:00 i budzi się na dogrywkę o 4:00.
Model Markova (Markov chains – łańcuch Markova)
Model Markova wkracza już na wyższy poziom wtajemniczenia – pod uwagę brane są w nim wszystkie interakcje użytkownika z kampanią, lecz istotność poszczególnych elementów i ich kolejność jest obliczana na zasadzie prawdopodobieństwa ciągu zdarzeń.
Inaczej: w pracy pojawia się plotka o skandalu. Pierwszą osobą, która się o niej dowiedziała jest Michał, który przekazuje ją Kamilowi, który mówi o niej Julii i Marcie. Marta z kolei pojechała na urlop, ale zaraz po powrocie przekazuje ją szefowi. Szef ma również dobry kontakt z Michałem (który jako źródło plotki jest niezbędny), więc prędzej czy później i tak by się o skandalu dowiedział od niego. Za to nigdy nie dowiedziałby się o nim od Julii, która nigdy nie przekazuje dalej plotek. Aby plotka dotarła do szefa może pokonać różne ścieżki.
Konkretny wzrost
Dostępne na rynku narzędzia analityczne umożliwiają dokonywanie zróżnicowanych interpretacji informacji, które dostarczają marketerom dane o poszczególnych etapach prowadzonych przez nich kampanii. Optymalizacja na wielu kanałach jest dodatkowym wyzwaniem. Niektóre z dostępnych obecnie narzędzi analitycznych bez problemu pozwolą na zastosowanie modeli takich jak first-click czy last-click (np. Google Ads), co czasem jest wystarczającym rozwiązaniem dla mniejszych firm. Jednak w celu przeprowadzenia pogłębionej analizy konieczne są już dedykowane rozwiązania. Oznacza to przede wszystkim poświęcenie kilku tygodni na dopasowanie i przetestowanie odpowiednich modeli z wybranym przez marketera narzędziem. Ewentualne dodatkowe wydatki zwykle zwracają się jednak w krótkim okresie. Porównanie różnych taktyk popartych pełną wiedzą pozwala na szybkie zwiększenie konwersji, lepszą ocenę wartości danego użytkownika (tzw. customer lifetime value). Wybór odpowiedniej strategii może przełożyć się na wzrost ROI nawet o 15%, a dochody firmy mogą wzrosnąć w skali roku nawet o 30%.
Jak duże ma to znaczenie można zauważyć chociażby na przykładzie silnie konkurencyjnej branży e-commerce. Według badania „E-commerce w Polsce 2018. Gemius dla e-Commerce Polska” (przeprowadzonego przez Gemius i Izbę Gospodarki Elektronicznej) 56% polskich internautów dokonuje zakupów online. To ogromna grupa Polaków, do których przez silną konkurencję coraz trudniej dotrzeć podmiotom sprzedającym swoje usługi i produkty w sieci, utrzymując jednocześnie odpowiedni poziom ROI.
Mniejsze podmioty dzięki przemyślanym działaniom i świadomej analizie dotychczasowych kampanii mogą przyspieszyć swój wzrost. Przy średnich i większych nakładach na kampanie reklamowe odpowiednia optymalizacja daje poszczególnym firmom przewagę konkurencyjną, której tak bardzo potrzebują. To strategia, która nie tylko pozwala zbudować silniejszą pozycję na rodzimym rynku, ale również jest szansą na dynamiczniejszy rozwój i ekspansję zagraniczną polskich firm.
Autor: Pavel Sima, CEO ROIVENUE™