Een beknopte handleiding voor het meten van media-effectiviteit

Maak kennis met meetinstrumenten voor media-effectiviteit

Media-effectiviteit ondersteunt bedrijfsgroei door twee belangrijke vragen te beantwoorden:

Traditionele attributiemodellen (op regels gebaseerd) zoals de laatste klik en attributiemodellen die specifiek zijn voor het advertentieplatform (de modellen die worden gebruikt in Google Ads en Facebook Business Manager) worden nu in twijfel getrokken binnen organisaties. Marketeers die meerdere marketingkanalen beoordelen, vertrouwen niet langer uitsluitend op gegevens van advertentieplatforms vanwege problemen met dubbele gegevens. Wanneer de inkomsten die door alle advertentieplatforms worden gerapporteerd bij elkaar worden opgeteld, zijn deze vaak vijf keer hoger dan wat in het winkelsysteem is geregistreerd.

Ze erkennen ook dat op regels gebaseerde attributiemodellen zoals de laatste klik en de eerste klik alleen nuttig zijn in specifieke situaties, zoals wanneer er veel verkeer onderaan de trechter is, en er moet worden vastgesteld welke kanalen dit verkeer in de laatste fase effectief omzetten.

Andere basismodellen voor attributie, zoals positiegebaseerde, U-vormige of vervalmodellen, slagen er ook niet in om marketeers te helpen het mediabudget toe te wijzen aan de best presterende kanalen. Ze evalueren de kwaliteit van het contactpunt op basis van de positie en negeren meer kritieke signalen, zoals het gedrag van gebruikers op de website tijdens de sessie of de afstand tussen contactpunten. In wezen zijn ze niet in staat om te bepalen of een conversie nog steeds zou plaatsvinden zonder dat specifieke contactpunt (incrementaliteit).

Als antwoord op deze uitdagingen datagestuurde attributiemodellen zijn ontstaan. Ze zijn erop gericht meer berekeningen en variabelen op te nemen, maar hebben twee belangrijke nadelen: in de meeste gevallen zijn ze een zwarte doos (niemand legt uit hoe ze werken, waardoor het moeilijk is om incrementaliteit te begrijpen — in het ergste geval zijn ze bevooroordeeld, zoals GA4, dat de voorkeur geeft aan Google eigen media); een tweede nadeel is dat ze afhankelijk zijn van klikken. Dit betekent dat alle gebruikers die niet op een advertentie klikken maar later een aankoop doen, niet correct worden toegewezen. Bewijs van dit probleem is het onevenredig hoge aandeel conversies bij directe, merkgebonden en organische zoekopdrachten bij attributie op basis van klikken, ongeacht de kwaliteit van de tracking of het model.

Andere instrumenten voor het meten van de effectiviteit van media

Als reactie op de beperkingen van op klikken gebaseerde metingen zijn twee nieuwe tools belangrijker geworden: Media Mix Modeling (MMM) en Incrementaliteitsexperimenten.

Incrementaliteitsexperimenten

Incrementaliteitsexperimenten maken gebruik van gerandomiseerde gecontroleerde experimenten om veranderingen in consumentengedrag te vergelijken tussen groepen die worden blootgesteld aan of onthouden van marketingactiviteiten, terwijl alle andere factoren constant blijven. Van alle methoden zijn ze de meest rigoureuze in het testen van causaliteit. Deze experimenten worden doorgaans elk kwartaal uitgevoerd en zijn het meest geschikt om een momentopname te geven van een specifieke strategie op een bepaald moment.

Ze zijn echter niet ideaal voor dagelijkse monitoring en zijn moeilijk op te schalen. De kalibratie moet continu en via zoveel mogelijk kanalen worden uitgevoerd om de representativiteit te waarborgen.

Modellering van mediamixen (MMM)

Aan de andere kant is Media Mix Modeling (MMM) een benadering op hoog niveau die gebruik maakt van geavanceerde statistieken om te begrijpen wat de verkoop stimuleert. ‍

Het meet de efficiëntie van media-investeringen in de verkoop aan de top. Het houdt ook rekening met externe factoren die van invloed zijn op de verkoop, zoals seizoensinvloeden, prijzen en economische omstandigheden. MMM wordt tweejaarlijks uitgevoerd en vereist modellering op basis van ten minste twee jaar historische gegevens, wat de implementatie duur 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 elk instrument worden gebruikt om de hiaten op te vullen. Het hangt echt af van de volwassenheidsfase van de analyse van uw bedrijf en natuurlijk van uw budget.

Doorgaans worden datagestuurde attributiemodellen gebruikt voor dagelijkse kanaal- en campagnetactieken/optimalisaties. Media Mix Modeling (MMM) is ideaal voor het vastleggen van de langetermijnimpact van merkactiviteiten in zowel digitale als offline advertenties, terwijl incrementaliteitstests uitblinken in het bepalen van de causaliteit van cruciale strategieën, vooral bij aanzienlijke investeringen in een nieuw kanaal.

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

AI Click & View-attributie

Als aanvullende hulpmiddelen voor marketingmetingen zullen uw prestaties verbeteren. De interne capaciteiten van je team spelen de belangrijkste rol. Zoals het spreekwoord zegt, je leert lopen voordat je rent.

Maar... innovatie moet centraal staan om deze tools succesvol te combineren. Je dagelijkse kanaal- en campagnetactieken verdienen tools die de werkelijkheid zo goed mogelijk weergeven. Daarom verlegde Kickbite de grenzen van een AI Click-attributiemodel en ontwikkelde het AI Click & View Attribution-model. Getest en herhaald gedurende 12 maanden met gegevens van meer dan 30 e-commerce winkels. De impact van weergaveconversies wordt nu bekeken.

Hoe werkt het Werk?

Kortom, u 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 weergaveconversies en de basisverkopen.

Een stapsgewijze handleiding

1. Gegevens extraheren.

Extraheer de impressie en bekijk de conversiegegevens van de advertentieplatforms op advertentieniveau via de API.

2. Maak een kalibratiemultiplier.

Maak een kalibratiemultiplier op basis van statistische modellen. Dit identificeert de sterkte van de relatie tussen de weergaveconversies en de basisverkopen (inclusief directe zoekopdrachten, merkzoekopdrachten en organische zoekopdrachten).

3. Kalibreer sociale advertenties.

Kalibreer de resultaten van het AI Click-model met behulp van de kalibratievermenigvuldiger.

4. Vergelijk de basislijn met de omzet.

Pas de basiskanalen (directe, merkgebonden en organische zoekopdrachten) aan om ze af te stemmen op je backend-inkomsten.

5. KPI's opnieuw berekenen.

Herbereken alle andere KPI's zoals AOV, nieuwe bestellingen en Return on Adspend.

Is AI Click & View-attributie de perfecte oplossing?

Dat durven we niet te zeggen. Er is altijd ruimte voor verbetering, en hybride methodologieën (kalibratie van attributie door middel van statistische modellering) hebben de volgende beperkingen:

1. Geen actuele gegevens

De verwerking van gegevens vergt meer tijd. In het geval van de AI Click & View is er een vertraging van één dag. Dit betekent dat u vandaag de gegevens van gisteren zult zien.

2. Afhankelijkheid van externe gegevensbronnen

Voor de AI Click & View zijn conversies van advertentieplatforms vereiste invoervariabelen.

3. Alleen kanalen

Houdt geen rekening met offline kanalen of conversies.

4. Incrementaliteitstests

Beste hulpmiddel om causaliteit vast te stellen.

5 aanbevelingen voor betere metingen

Evoluerende meettechnieken. De digitale marketingmetingen zijn geëvolueerd. U moet overstappen van cookies van derden naar tracking waarbij privacy centraal staat in alle marketingkanalen.

Beperkingen van traditionele modellen. Traditionele modellen zoals de laatste klik (en allemaal op regels gebaseerd) en platformspecifieke attributie missen cruciale aspecten van consumentengedrag en de werkelijke impact van media-investeringen. Combineer tools die je volledige marketingmix weerspiegelen.

Opkomst van geavanceerde tools. Nieuwe tools zoals Media Mix Modeling (MMM) en Incrementaliteitsexperimenten bieden inzicht in langetermijneffecten en testen causaliteit, aangepast aan de huidige uitdagingen.

Sterke punten combineren voor betere inzichten. Een gecombineerde aanpak waarbij verschillende tools worden gebruikt, biedt een uitgebreider beeld van de effectiviteit van media en optimaliseert marketingbudgetten.

Innovatieve oplossingen. Werk samen met meetpioniers zoals Kickbite om te profiteren van innovaties zoals het AI Click & View Attribution-model, dat geavanceerde statistische modellering combineert met de voordelen van datagestuurde attributie, waardoor het ideaal is voor het nemen van kanaal- en tactische beslissingen.

Het is van fundamenteel belang om de analysefase van uw bedrijf te identificeren. Is uw team in staat om de resultaten van elke tool te interpreteren? Het is net zo belangrijk om duidelijk te definiëren: wat zijn de gebruiksscenario's van elke tool voordat u een investering doet.