Een beknopte gids voor het meten van media-effectiviteit

Maak kennis met meetinstrumenten voor media-effectiviteit

Het meten van media-effectiviteit is de afgelopen jaren sterk geëvolueerd, vooral in digitale marketing. De neergang van third-party cookies en de vereiste toestemming om cookies te tracken hebben de focus verschoven naar privacy-first oplossingen. Naarmate de lat hoger ligt, worden marketeers uitgedaagd om nieuwe manieren te vinden om de gaten in hun data te dichten, en twee kernvragen te beantwoorden:

Traditionele, op regels gebaseerde attributiemodellen, zoals last-click, en platform-specifieke modellen (zoals die in Google Ads en Meta Business Manager) worden steeds vaker in twijfel getrokken binnen organisaties. Marketeers die meerdere kanalen beheren, vertrouwen niet langer blind op data van advertentieplatforms, vanwege structurele dubbeltelling. Wanneer je alle door advertentieplatforms gerapporteerde omzet optelt, is dat vaak vijf keer hoger dan wat je winkelsysteem registreert.

Ze erkennen ook dat op regels gebaseerde modellen zoals last-click en first-click alleen nuttig zijn in specifieke situaties, bijvoorbeeld wanneer er veel lower-funnel verkeer is en je wilt vaststellen welke kanalen dat verkeer in de laatste fase effectief converteren.

Andere basismodellen, zoals positiegebaseerd, U-shaped of time decay, slagen er evenmin in om marketeers te helpen hun budget toe te wijzen aan de best presterende kanalen. Ze beoordelen de kwaliteit van een touchpoint op basis van positie en negeren meer kritieke signalen, zoals gebruikersgedrag op de website of de afstand tussen touchpoints. Ze zijn in essentie niet in staat te bepalen of een conversie ook zou plaatsvinden zonder dat specifieke touchpoint, ook wel incrementaliteit.

Als antwoord op deze uitdagingen zijn datagedreven attributiemodellen ontstaan. Ze zijn ontworpen om meer variabelen mee te nemen, maar hebben twee belangrijke nadelen: ze zijn in de meeste gevallen een black box (niemand legt uit hoe ze werken, wat het lastig maakt incrementaliteit te begrijpen, en in het slechtste geval zijn ze bevooroordeeld, zoals GA4, dat de voorkeur geeft aan Google's eigen media); en ze zijn afhankelijk van clicks. Dit betekent dat gebruikers die geen advertentie aanklikken maar later wél kopen, niet correct worden toegeschreven. Het bewijs: het onevenredig hoge aandeel conversies op direct, branded en organisch zoeken bij op-click-gebaseerde attributie, ongeacht de kwaliteit van je tracking of model.

Andere tools voor het meten van media-effectiviteit

Als reactie op de beperkingen van click-gebaseerde metingen zijn twee aanvullende tools steeds belangrijker geworden: Media Mix Modeling (MMM) en incrementaliteitsexperimenten.

Incrementaliteitsexperimenten

Incrementaliteitsexperimenten maken gebruik van gerandomiseerde gecontroleerde experimenten om gedragsveranderingen te vergelijken tussen groepen die wel of niet worden blootgesteld aan marketingactiviteiten, terwijl alle andere factoren gelijk blijven. Van alle methoden zijn ze het meest rigoureus in het toetsen van causaliteit. Ze worden doorgaans per kwartaal uitgevoerd en geven een momentopname van een specifieke strategie op een bepaald moment.

Ze zijn echter niet geschikt voor dagelijkse monitoring en zijn lastig op te schalen. Kalibratie moet continu plaatsvinden en via zoveel mogelijk kanalen om representativiteit te waarborgen.

Modellering van mediamixen (MMM)

Media Mix Modeling is een high-level aanpak die gebruik maakt van geavanceerde statistieken om te begrijpen wat de verkoop aandrijft. Het meet de efficiëntie van media-investeringen op omzetniveau en houdt rekening met externe factoren zoals seizoensinvloeden, prijzen en economische omstandigheden. MMM wordt doorgaans twee keer per jaar uitgevoerd en vereist minimaal twee jaar historische data, wat de implementatie kostbaar maakt.

Welke tool is het beste?

Dat is eigenlijk de verkeerde vraag. Geen enkele tool heeft alle antwoorden. Je hebt een gecombineerde aanpak nodig, waarbij de sterke punten van elke tool elkaar aanvullen. Het hangt sterk af van de volwassenheidsfase van je analytics-organisatie en natuurlijk van je budget.

In de praktijk worden datagedreven attributiemodellen gebruikt voor dagelijkse kanaal- en campagneoptimalisaties. MMM is ideaal voor het vastleggen van de langetermijnimpact van merkactiviteiten in zowel digitale als offline media. Incrementaliteitstests zijn het sterkst in het bepalen van causaliteit van cruciale strategieën, met name bij significante investeringen in een nieuw kanaal.

Bedrijven in een gevorderd stadium ontwikkelen een jaarlijks test- en leerplan, waarbij inzichten van elke tool worden gebruikt om de anderen continu te kalibreren en aan te vullen. Resultaten uit incrementaliteitsexperimenten kalibreren en valideren MMM, en MMM kan worden ingezet als aanvulling op attributieresultaten.

‍

AI Click & View-attributie

De juiste meettools verbeteren je performance. Maar de interne capaciteit van je team speelt de belangrijkste rol. Je leert lopen voordat je rent.

Toch moet innovatie centraal staan om tools succesvol te combineren. Je dagelijkse kanaal- en campagneoptimalisaties verdienen tools die de werkelijkheid zo goed mogelijk weerspiegelen. Daarom verlegde Kickbite de grenzen van het AI Click-attributiemodel en ontwikkelde het AI Click & View Attribution-model — getest en verfijnd over 12 maanden met data van meer dan 30 e-commerce webshops. De impact van view-through conversies wordt nu volledig meegenomen.

‍

Hoe werkt het Werk?

Je begint met de resultaten van het AI Click Attribution-model en kalibreert deze op basis van statistische modellen die de sterkte meten van de relatie tussen view-through conversies en de basisverkopen.

Een stapsgewijze handleiding

1. Data extraheren.

Extraheer impressie- en view-through conversiedata van advertentieplatforms op advertentieniveau via de API.

2. Maak een kalibratiemultiplier.

Maak een kalibratiemultiplier op basis van statistische modellen. Die identificeert de sterkte van de relatie tussen view-through conversies en basisverkopen (inclusief direct, branded en organisch zoeken).

3. Social ads Kalibreren

Kalibreer de resultaten van het AI Click-model met de kalibratiemultiplier.

4. Baseline vergelijken met omzet.

Pas de basiskanalen (direct, branded en organisch) aan om ze af te stemmen op je backend-omzet.

5. KPI's opnieuw berekenen.

Herbereken alle relevante KPI's zoals AOV, nieuwe bestellingen en ROAS.

Is AI Click & View-attributie de perfecte oplossing?

Dat durven we niet te zeggen. Er is altijd ruimte voor verbetering, en hybride methodologieën hebben de volgende beperkingen:

1. Geen realtime data

Dataverwerking kost meer tijd. Bij AI Click & View geldt een vertraging van één dag — je ziet vandaag de data van gisteren.

2. Afhankelijkheid van externe databronnen.

View-through conversies van advertentieplatforms zijn vereiste inputvariabelen.

3. Alleen digitale kanalen

Offline kanalen en offline conversies worden niet meegenomen.

4. Incrementaliteitstests blijven het sterkste middel

om causaliteit vast te stellen.

5 aanbevelingen voor betere metingen

Evolueer met de meetmethodes. Digitale marketingmeting is veranderd. Stap over van third-party cookies naar privacy-first tracking in alle marketingkanalen.

Beperkingen van traditionele modellen. Last-click en andere op regels gebaseerde modellen, inclusief platform-specifieke attributie, missen cruciale aspecten van consumentengedrag. Combineer tools die je volledige marketingmix weerspiegelen.

Benut geavanceerde tools.MMM en incrementaliteitsexperimenten bieden inzicht in langetermijneffecten en toetsen causaliteit, afgestemd op de uitdagingen van vandaag.

Combineer sterke punten. Een gecombineerde aanpak geeft een volledig beeld van media-effectiviteit en helpt je marketingbudget optimaal in te zetten.

Werk samen met innovators. Tools zoals het Kickbite AI Click & View Attribution-model combineren geavanceerde statistische modellering met de voordelen van datagedreven attributie, ideaal voor kanaal- en tactische beslissingen.

Identificeer eerst de analytics-volwassenheidsfase van je bedrijf. Is je team in staat de resultaten van elke tool te interpreteren? Even belangrijk: definieer vooraf de use cases van elke tool, vóórdat je een investering doet.