Jak mierzyć efekty bezpośrednie i pośrednie kampanii mediowych w modelu efektywnościowym

Cofnij się na chwilę do 2010 roku. Wtedy słowo panda kojarzone było wyłącznie z nieporadnym zwierzakiem. Reklama na Facebooku raczkowała, a organicznych zasięgów nic nie blokowało. Niektórych marketerów jeszcze przerażał retargeting. Display nie był jeszcze tak nachalny. Wszyscy zapowiadali, że kolejny rok będzie rokiem mobile...

Minęło siedem lat i marketerzy funkcjonują w zupełnie innej rzeczywistości. Powstają nowe narzędzia zarówno do pomiaru mediów, jak i zachowań konsumentów. Rozwój nowych technologii pozwala na dokonywanie skomplikowanych analiz i przekładanie ich na konkretne działania, co przyczynia się do lepszej optymalizacji kampanii marketingowych.

Współczesny performance marketing to przede wszystkim sposób myślenia i interpretowania kampanii reklamowych. To działania oparte na danych, technologii i personalizacji, analizach, często również predykcjach, które, uwzględniając wszystkie kanały komunikacji w internecie, pozwalają lepiej optymalizować działania marketingowe i nimi kierować.Performance marketing wyznacza obecnie trendy i tworzy mechanizmy, które ułatwiają pracę marketerom. To swojego rodzaju Dolina Krzemowa w świecie digitalu. W ostatnich latach wykształciło się wiele nowych narzędzi i procesów wykorzystywanych w realizacji i pomiarze kampanii mediowych. Które są najbardziej przydatne marketerowi?

Słuchaj „Marketer+” Podcast

Ścieżka użytkownika

Co uliczne korki moją wspólnego ze ścieżką użytkownika w procesie zakupowym? Zazwyczaj jazda po szerokiej i pustej drodze wydaje się znacznie przyjemniejsza niż po zatłoczonym centrum miasta w godzinach szczytu. W drugim przypadku podróż samochodem zmienia się w walkę – z czasem, z innymi kierowcami, z komunikacją miejską, często także z pogodą. Trudno jest też kierowcy czuć się komfortowo, gdy wybiera się samochodem w nieznane miejsce i musi wesprzeć się nawigacją. Wyobraź sobie, że głos w nawigacji to komunikaty marki chcącej doprowadzić użytkownika do celu (sprzedaży). Jakie powinny być? Na pewno muszą być spójne i powiązane z wykonanymi już przez niego czynnościami, co wymagałoby od systemu odnotowywania wszystkich jego ruchów.

Podobnie wygląda ścieżka użytkownika w internecie. Zwykle podąża on znanymi drogami, ale często wspomaga się mapą w postaci komunikatów reklamowych. Jeżeli ich treść nie będzie dostosowana do momentu, w którym znajduje się użytkownik na tej ścieżce, to komunikacja nie będzie spełniała swojej funkcji, nikt nie będzie zwracał na nią uwagi. Co gorsze, będzie użytkowników denerwowała. Reklamy, które są emitowane w złym momencie, działają odwrotnie, niż jest to założone. Dzisiaj użytkownicy muszą mieć serwowany odpowiedni komunikat w odpowiednim czasie, na odpowiednich urządzeniach i z wykorzystaniem odpowiedniego formatu reklamowego.

To pokazuje, jak ważny jest proces pomiaru zachowań, nazywany cross-device tracking. Pozwala on na powiązanie czynności wykonywanych przez użytkownika na jednym urządzaniu z tymi wykonywanymi na innych. W tym procesie zwykle stosowane są dwa modele korelowania danych.

• Model deterministyczny – tutaj sytuacja wydaje się stosunkowo prosta, ponieważ jeżeli użytkownik jest zalogowany na obu urządzeniach w popularnych serwisach, takich jak np. Facebook czy w sieci Google, to identyfikatorem, który rozpoznaje daną osobę, jest właśnie jego login. W tym modelu jesteś w stanie stwierdzić, że użytkownik A, który kliknął w reklamę butów na mobile, to ta sama osoba, która dokonała ich zakupu na laptopie. Im więcej serwisów partnerskich zostało włączonych w proces, tym lepiej dla algorytmu i tym większa szansa na rozpoznanie użytkownika.
• Model probabilistyczny – to algorytm oparty na mechanizmie korelowania probabilistycznego, który bazuje na prawdopodobieństwie. Metoda ta jest więc mniej dokładna niż omówiona powyżej, ponieważ opiera się na statystyce. W tym modelu jest branych pod uwagę wiele zmiennych, które porównuje się na wejściu i wyjściu. Jeżeli przekroczony jest pewien określony próg (może on wynosić od 70 do 90%) wspólnych cech, system wiąże zdarzenia ze sobą.

Analiza atrybucji bazująca na ścieżce użytkownika

Mierzenie ścieżki użytkowania jest ważne z perspektywy zachowania spójności komunikatów kierowanych do odbiorcy, ale – co równie istotne – umożliwia także odpowiednie lokowanie budżetów marketingowych w kanały i źródła realnie przyczyniające się do wygenerowania sprzedaży. Kiedyś brano pod uwagę głównie zasadę last click, obecnie oparcie analiz jedynie na niej byłoby dużym błędem. Kanały komunikacji dzielą się bowiem na inicjujące, wspomagające i finalizujące zakup.

W przypisaniu wagi do poszczególnych kanałów i określeniu ich istotności w procesie zakupowym pomaga analiza atrybucji. Jest to proces pomiaru wszystkich kontaktów reklamowych, które użytkownik napotyka na swojej drodze, do momentu zakupu (a często również później, jako element upsellingu), oraz badanie wpływu poszczególnych interakcji na siebie wzajemnie. Często jest tak, że pewien element rozpoczyna budowę kuli śniegowej, inne dokładają swoją cegiełkę. Ważne jest, aby odpowiednio mierzyć i interpretować każdy z nich.

Współcześnie istnieje możliwość wykorzystywania systemów, które dokładnie mierzą wszystkie kontakty użytkownika z formami reklamowymi i właściwie przypisują ich udział w procesie sprzedaży, pokazując jego historię. Dzięki temu marketerzy są w stanie rozpoznawać ważne dla nich ogniwa i odpowiednio inwestować środki reklamowe, w taki sposób, aby uzyskiwać wzrost we wszystkich kanałach, a nie tylko w tych wybranych.

Customer lifetime value – pomiar wartości życiowej klienta

Ze ścieżką użytkownika i atrybucją powiązany jest jeszcze jeden, bardzo skuteczny sposób pomiaru efektywności kampanii reklamowych, wykorzystujący wskaźnik customer lifetime value (CLTV/CLT). Bardzo trudno nanieść go na poszczególne działania marketingowe, ale daje on możliwość powiązania poszczególnych działań z długoterminowym przychodem od danego użytkownika i obecnie staje się bardzo skutecznym miernikiem. Przy jego analizie okazuje się, że niektóre źródła sprowadzają znacznie bardziej „kaloryczny” ruch niż inne.

Wprowadzenie pomiaru cutomer lifetime value jest bardzo proste w sytuacji, gdy dopiero uruchamiasz działania marketingowe i budujesz bazę konsumencką wraz z historią zakupową. Wtedy na etapie projektowania systemowego wprowadza się np. do CRM mechanizmy wychwytujące i oznaczające poszczególne źródła pozyskania użytkownika, jako dodatkowy atrybut w bazie danych. W przypadku gdy użytkownik miał kontakty z wieloma formami reklamowymi, atrybuty można przypisywać według wcześniej utworzonych wag. Następnie pracę od programistów przejmują analitycy, którzy badają np. wielkość koszyka zakupowego danego użytkownika względem komunikatu reklamowego, jaki otrzymuje.

Gdy marka prowadzi już swoje działania, sprawa jest trudniejsza, ponieważ w bazie występują użytkownicy, którzy zostali pozyskani w niewiadomy sposób. Jakie zatem działania marketingowe zadziałały i działają na nich obecnie? W tego typu przypadkach najprostszym rozwiązaniem jest często wykluczenie z analizy posiadanej już bazy i skupienie się tylko na nowo pozyskiwanych użytkownikach.

Znaczenie analizy danych dla marketerów

Stwierdzenie, że dane są królem, jest dziś niewątpliwie słuszne. Każdy obszar działań marketingowych opiera się obecnie na danych, które są niezbędne do optymalizacji kampanii marketingowych. Duże, zmienne i różnorodne dane – które są przedmiotem zainteresowania big data
– wymagają analizy i przełożenia na wiedzę potrzebną do korzystania z zaawansowanych metod, które nie funkcjonowałyby bez dynamicznego rozwoju technologii.

Szybka analiza jest niezbędna to tego, aby we właściwym momencie podejmować odpowiednie decyzje biznesowe. Ilość gromadzonych danych dotyczących użytkowników czy kampanii reklamowych jest obecnie tak duża, że musi być odpowiednio dzielona i delegowana do poszczególnych zespołów analitycznych, bo ostateczną decyzję podejmuje człowiek. Do przyspieszenia tego procesu wykorzystywana jest m.in. sztuczna inteligencja. Algorytmy samouczące się, bazujące chociażby na sieci neuronowej, bardzo szybko definiują własne wzorce do wcześniej nieznanych danych wejściowych, o których bardzo niewiele wiadomo.