Mittaamisen uusi aikakausi
Olemme tienhaarassa, jossa mittaamisen tapoja on pakko pohtia uudelleen. Mutta mikä parasta: nyt on loistava mahdollisuus palata suunnittelupöydän ääreen ja tarkastella markkinoinnin mittaamisen kokonaisuutta suhteessa tavoitteisiin.
Markkinoinnin mittaamisen monimutkaisuus ja moniulotteisuus jää usein taka-alalle hektisessä työarjessa. Se, että eri järjestelmien kertomat, mainoksille jaotellut konversioluvut eivät ole absoluuttisia totuuksia, unohtuu helposti, kun tulokset tupsahtelevat suoraan ruudulle impressioiden ja klikkien viereen. Mitattujen ”totuuksien” sijaan kyseessä on ainoastaan jonkin valitun mallin perusteella arvioitu luokittelu. Vielä nykyäänkin logiikka on useimmiten erittäin yksinkertainen: annetaan konversio viimeisimmälle mainosklikkaukselle tai mainosnäytölle, ja unohdetaan se, että kuluttaja elää reaalimaailmassa, josta digitaalinen jalanjälki on vain häilyvä varjo.
Kun selaimet yksi kerrallaan heikentävät kolmannen osapuolen evästeiden käyttöä puhumattakaan mobiilisovelluksissa tapahtuvan seurannan muutoksista, on tulevaisuus tämä: odotettavissa on laskevia lukuja, kun yhä harvemmasta ostotapahtumasta ei ole tiedossa edes lyhyttä mainoshistoriaa. Mikä avuksi?
Sormet ristiin ja toivotaan parasta: Erinäisiltä suunnilta on jo julisteltu laaja-alaisista, aikaa kestävistä, laitteiden yli ulottuvista ja privacy-edellä henkilöön menevistä super-tunnisteista, joilla saataisiin potentiaalisten asiakkaiden digipolut kartoitettua aukottomasti ja GDPR:n näkökulmasta ongelmattomasti. Vaikka näihin julistuksiin on hyvä suhtautua terveellä skeptisyydellä, on ihan uskottavaa, että jokin riittävän hyvä teknologinen ratkaisu mahdollistaa polkudataan perustuvan attribuution jatkossakin. Kuten nykyisenkin attribuution kanssa, on kuitenkin olennaista tunnistaa, mihin tarkoituksiin lukuja sopii käyttää, ja milloin ne pahimmillaan aiheuttavat vääriä johtopäätöksiä.
Ole avoin uusille ratkaisuille: Omasta mielestäni kutkuttavaa ja mielenkiintoista ei ole se, mikä toimija keksii mehevimmän tavan kiertää kolmannen osapuolen evästeiden käytön asiakaspolkudatan keräämiseen, vaan se, mitä kaikkea voisimme digimarkkinoinnin mittauksessa saavuttaa, jos lopettaisimme digitaalisten mainoskontaktipolkujen ylivoimaisuuden ihannoimisen. Olisi jo aika vaatia digitaalisen markkinoinnin mittarilta attribuution sijaan aidosti toimenpiteiden kontribuutiota mittaavaa laskentaa. Eikä enää hehkutettaisi mittauksia, jotka väittävät, että verkkokonversiot ovat 97-prosenttisesti digimainonnan ansiota ‒ kun eivät ne ihan oikeasti ole. Brändille ja tuotteen luonnolliselle kysynnällekin sopisi antaa edes vähän luottoa.
Vaihtoehtoiset mittarit käyttöön: Tiukasti taktisessa tekemisessä on ymmärrettävää, että toimenpiteet haluttaisiin kiinnittää myyntiin. Valitettavasti myynnin linkitys yksittäisiin toimenpiteisiin on haasteellista, ja pahimmassa tapauksessa se menee pahasti pieleen. Siksi on hyvä miettiä, onko löydettävissä jotain suoraan mitattavaa suuretta, joka indikoi vahvasti markkinoinnin toimivuutta. Ylätason mallinnukset ja mittaukset voi hyvin edelleen sitoa myyntiin, mutta kun kyse on ruohonjuuritason optimoinnista, vaihtoehtoinen mittari voi toimia luotettavana mahdollistajana evästemuutoksen jälkeisessä ajassa.
On varmaa, että digimarkkinoinnin mittaaminen muuttuu, mutta sen ei tarvitse muuttua huonompaan suuntaan. Kunhan muistaa valita mittaustavan tarkoituksenmukaisesti, pitää mielen avoinna, eikä panikoidu liikaa analytiikan puhtaasti teknisistä syistä painuvista luvuista, selviää kyllä. Mittarit ja mittaustavat saattaa joutua uudistamaan, mutta lopputulos voi mahdollistaa vaikka mitä.
Kirjoittaja on transformaatiotoimisto RADLYn Lead Data Scientist
Onnistuneessa markkinoinnin mittaamisessa tavoite määrittää sopivat menetelmät ja datatarpeet
|
Ruohonjuuritason optimointi, automatiikka ja hienosäätö digimainonnassa
|
Korkeamman tason digimainonnan optimointi |
Ylätason budjettioptimointi, markkinoinnin vaikutusten mittaus |
Haasteet |
---|---|---|---|---|
Digin attribuutiomittaus |
Sopii hyvin. |
Toimii paikoittain, mutta virheellisten tulkintojen vaara on läsnä, erityisesti eri tavoin roolitettujen kampanjoiden tai medioiden välillä. |
Ei sovellu |
Evästemuutos vaikuttaa käytettävän datan ja siten myös tulosten laatuun ja saatavuuteen. |
Digin kontribuutio-mallinnus |
Ei yleensä sovellu, koska mittauksen tarkkuus ei välttämättä riitä mikro-optimoinnin tarpeisiin. |
Sopii hyvin, sillä pyrkii huomioimaan baselinen vaihtelut, ja on normaalia attribuutiota objektiivisempi muun muassa kanavan roolia kohtaan. |
Sopii jossain määrin riippuen mallin laajuudesta ja sisällöstä. Lähtökohtaisesti olisi hyvä huomioida aina kaikki toimenpiteet, eikä vain digiä. |
Datan määrä jää helposti erittäin rajalliseksi, mikä tuo haasteita käytettäville menetelmille sekä rajoittaa tulosten hienojakoisuutta. |
Ekonometrinen mallinnus |
Ei sovellu. |
Saattaa sopia paikoittain, jos tulosten hienojakoisuus antaa myöten. |
Sopii erinomaisesti. Ekonometrinen mallinnus mahdollistaa kaikkien markkinoinnin toimenpiteiden huomioinnin, mutta myös muut tekijät saadaan mukaan laajasti. |
Tuloksissa ei ole mahdollista mennä loputtoman tarkalle tasolle luotettavuudesta karsimatta, ja ne kuvastavat lähtökohtaisesti pidemmän aikavälin keskiarvoa. |
Sanastoa:
Baseline: se osa myynnistä, jonka arvioidaan lyhyellä aikavälillä tulevan ilman markkinoinnin toimenpiteitä
Attribuutio: perinteinen polkumuotoiseen dataan perustuva tapa luokitella digitaalisia konversioita online-toimenpiteiden kesken
Kontribuutio: (Digi)median tuoma lisämyynti, eli arvioitu myynti baselinen päälle