Modellering: Oppdag potensialet Analytics går glipp av

Vi går rett på sak. Modellering innebærer å utnytte statistikk for å optimalisere markedsføringsbudsjettet. På denne måten er det et verktøy som på mange måter ligner Google Analytics. Forskjellen er at man gjennom modellering bruker en større mengde data enn det nettstedet genererer, både eksternt og internt. Gjennom dette kan man fordele markedsføringen optimalt mellom samtlige tilgjengelige kanaler.

Her på bloggen kommer vi til å publisere en serie innlegg om modellering som forklarer metoden og hvordan den kan brukes. For alles skyld lover vi å minimere matematikken.

Ok, Google Analytics er et fantastisk verktøy. Det er det ingen tvil om. Der får vi mesteparten av våre data og vi kan optimalisere kampanjene våre direkte i selve verktøyet. Vi kan evaluere hvilke kanaler som fungerer best og justere budsjettet tilsvarende.

Problemet er at salget påvirkes av mer enn bare det som kan måles på nettstedet. Enn så lenge tar Analytics hensyn til for eksempel konkurranse eller PR. Slik kan ikke Analytics tilby all den informasjonen som kreves for å gi et heldekkende bilde av det som påvirker salget og hvordan markedsføringsbudsjettet bør brukes. Modellering er en metode for å samle alle faktorer, såvel eksterne som interne, som påvirker resultatet, for å kunne ta en beslutning.

Kort sagt bruker man alle tilgjengelige uavhengige variabler for å forklare en avhengig variabel. Avhengige variabler er enten slike som vi ikke kan kontrollere (eksterne), slik som vær eller konkurrenter, eller slike vi kan kontrollere på ulike måter (interne), såvel som valg av medium og prisnivå.

En avhengig variabel er det som påvirkes av uavhengige variabler, slik som salg, varemerkegjenkjennelse eller klikkrate. For enkelhets skyld bruker vi gjennomgående salget som den avhengige variabelen, ettersom denne er av svært stort betydning for resultatet.

Hver uavhengig veriabel tildeles en verdi som representerer den påvirkningsgraden den har på resultatet. Dette resulterer i en matematisk funksjon som forklarer salget. For å ikke gi deg hodepine, skal vi ikke gi et eksempel på hvordan en slik funksjon kan se ut. I stedet skal vi se på hvordan denne kunnskapen kommer til nytte i markedsføringen.

Fordeling av markedsføringsbudsjettet – å få mest ut av hver krone

Markedsføringsbudsjettet skal i nesten alle tilfeller investeres i de mediekanalene der man får best prosentvis avkastning. Med andre ord der man ønsker bang for the buck. Dette kan gjøres med Marketing Mix Modelling (MMM), der man bruker statistikken for å se hvilke kanaler som har størst påvirkning på salget. Ut fra modellen kan man senere fordele budsjettet mellom kanalene på den mest effektive måten. Man kan senere gå tilbake til Google Analytics for å optimalisere hver individuell kampanje.

Predictive modelling – hvordan du bruker statistikk for å estimere fremtidig salg

Salget påvirkes av både eksterne faktorer (konjunktur, konkurrenter, årstid) og interne fakturer (prissetting, medievalg). Når vi nå vet hvordan hver individuell faktor påvirker salget kan vi også forutse hvordan salget kommer til å se ut i fremtiden. La oss si at økonomien går inn i en lavkonjunktur eller at vi må skjære ned på mediebudsjettet. Ved hjelp av funksjonen vår har vi full oversikt over hvordan dette påvirker salget.

Algoritmebaserte medieinnkjøp – å bruke riktig kanal på riktig tidspunkt

For å gjøre ting mer komplisert påvirkes jo også våre variabler av hverandre. Kinoreklame når jo med all sannsynlighet et større publikum i helgene og enda mer hvis været er dårlig. Dette vil vi selvfølgelig kunne utnytte når vi kjøper inn medier.

På samme måte kan vi utnytte forholdet mellom forskjellige kanaler. Hvis vi for eksempel ser at Facebook-kampanjer går bedre når de komplementeres med LinkedIn-kampanjer vil vi jo selvfølgelig tilpasse oss dette ved medieinnkjøp. Det handler helt enkelt om å utnytte alt det potensialet som finnes gjemt i statisstikken. Slik kan vi optimalisere kanalene våre dag for dag, minutt for minutt.

Hvordan skjer modelleringen i praksis og hvordan vet man at det fungerer?

Takk og pris finnes det modelleringseksperter som har utviklet en metode for hvodan påvirkninger beregnes og hvordan de settes sammen til en brukbar funksjon. Matematikken lar vi, som lovet, være. Selve arbeidsprosessen er imidlertid en relativt enkel firetrinnsrakett:

  1. Identifisere hva som påvirker markedet/salget
  2. Beregne avkastningen pr. markedsføringsaktivitet
  3. Optimalisering og anbefalinger for fremtidige markedsføringsstrategier
  4. Estimering av fremtidige inntekter.

Disclaimer! Ettersom mennesker er mennesker går det selvsagt ikke an å beregne alle faktorer med hundre prosents sikkerhet. Hvem hadde for eksempel trodd at raringen med tupéen skulle bli president for fire år siden, eller til og med to? Den menneskelige faktoren kommer alltid til å spille inn. Gjennom å legge inn funksjonen på det vi allerede vet, kan vi imidlertid forsikre oss om at vi har fått med oss de viktigste faktorene og at disse har blitt tildelt en verdi som stemmer overens med deres påvirkningsgrad.

I modellen nedenfor ser vi en modellberegning som sammenlignes med et faktisk resultat. Når de ligner mer enn 80 prosent vet vi at funksjonen kan brukes for å optimalisere markedsføringen.

Mer om modellering i kommende bloggartikler

Nå har du fått en introduksjon til modellering og hva det kan brukes til. Det finnes selvsagt mye, mye mer å si om fordeling av mediebudsjett, predictive modelling, algoritmebaserte medieinnkjøp og andre deler av modelleringen. I kommende artikler kommer vi til å fordype oss i emnet og forklare disse mer inngående. Følg med på bloggen og Facebook-siden for neste del.

Kan du ikke holde deg til neste innlegg? Da kan du høre på når Tommi Grønkjær Christiansen besøker Resultifys svenske podcast Onlinefolket.

Les mer: