Key Takeaways
Neviena mērīšanas metode nevar atbildēt uz visiem jautājumiem, ar kuriem saskaras mūsdienu mārketinga līderi. Ir nepieciešama slāņveida kaudze, kas apvieno vairākus rīkus.
Mārketinga attiecinājuma izaicinājums ir strukturāls: tas piešķir atzinību saskarsmes punktiem, bet nevar pierādīt cēloņsakarību. Tas vislabāk darbojas taktiskai optimizācijai, nevis stratēģiskiem lēmumiem.
Mārketinga kombinācijas modelēšana identificē minimālo atdevi un kanālu piesātinājumu, palīdzot noteikt ilgtermiņa budžeta piešķiršanu.
Inkrementalitātes pārbaude ir visdrošākais veids, kā noteikt, vai mārketinga darbība patiešām radīja rezultātus, nevis jau pastāvošo pieprasījumu.
Mērījumu grupu organizēšana pionieros, kolonistos un plānotājos nodrošina, ka katram darba veidam tiek piemēroti atbilstoši standarti un lēmumu pieņemšanas ātrums.
Lielākā daļa mārketinga vadītāju labi pārzina mārketinga attiecinājuma izaicinājumu: jums ir informācijas paneļi, kas ir pilni ar datiem, taču skaitļi nevar ticami atbildēt, kuras investīcijas patiesībā veicina izaugsmi. Instinkts ir meklēt labāku rīku, viedāku modeli vai precīzāku attiecinājuma sistēmu. Taču organizācijas, kas veic pareizus mērījumus, ir pārkāpušas šo instinktu.
Viņi ir pārstājuši meklēt vienu patiesības avotu. Mārketinga attiecinājuma izaicinājums ir daļa no plašākas problēmas: mūsdienu mārketinga vide ir pārāk sarežģīta, lai viena metode aptvertu visu. Atklāšana notiek pārāk daudzās platformās, pircēja braucieni ir pārāk sadrumstaloti, un privātuma izmaiņas ir samazinājušas pārāk daudz signālu, lai kāds atsevišķs rīks sniegtu pilnīgu priekšstatu.
Tā vietā darbojas daudzslāņu pieeja. Dažādas mērīšanas metodes atbild uz dažādiem jautājumiem, un strauji augošas organizācijas tās apzināti apvieno. Mārketinga kombinācijas modelēšana vada stratēģisko budžeta sadali. Inkrementalitātes pārbaude apstiprina, vai konkrēta darbība izraisīja rezultātu. Platformas dati apstrādā ikdienas kampaņas optimizāciju. Katrs spēlē noteiktu lomu. Neviens no tiem nedarbojas kā atsevišķa stratēģija.
Šis ir otrais gabals trīsdaļīgajā sērijā par mūsdienu mārketinga mērījumiem. Pirmajā daļā tika pētīts, kāpēc tradicionālie rādītāji, piemēram, datplūsma, rangi un RTA, kļūst mazāk uzticami. Šajā rakstā ir aprakstīts, kā izveidot mērīšanas sistēmu, kas faktiski atbalsta izaugsmes lēmumus.
Kāpēc neviena mērīšanas metode vairs nedarbojas
Digitālā mārketinga attiecinājuma rīki, uz kuriem paļaujas lielākā daļa komandu, tika izstrādāti citai videi. Tie darbojās labi, ja lietotāju braucieni bija salīdzinoši lineāri, sīkfaili tika droši izsekoti visās sesijās, un lielākā daļa atklāšanas notika, izmantojot kanālus, kurus bija viegli reģistrēt. Tā vide ir pazudusi.
Mūsdienās pircējs var saskarties ar zīmolu, izmantojot AI ģenerētu atbildi, izpētīt to pakalpojumā YouTube, apspriest to privātā ziņojuma pavedienā un pēc trīs nedēļām veikt meklēšanu ar zīmolu. Attiecinājuma sistēma piešķir pēdējo saskares punktu. Kanāli, kas faktiski veidoja lēmumu, saņem maz vai neko.
Tā ir galvenā strukturālā problēma. Mārketinga attiecinājuma modeļi ir izstrādāti, lai piešķirtu kredītu, nevis noteiktu iemeslu. Pat sarežģītas vairāku pieskārienu attiecinājuma mārketinga pieejas joprojām darbojas tā paša pamata ierobežojuma ietvaros: tās var parādīt, kuri saskares punkti bija pirms reklāmguvuma, taču tās nevar pierādīt, ka jebkura no tiem noņemšana būtu mainījusi rezultātu.
Augstas izaugsmes organizācijas ir atzinušas, ka dažādi mērīšanas rīki atbild uz dažādiem jautājumiem. Attiecinājuma modelēšanas atbildes: kuri saziņas punkti bija pirms reklāmguvuma? Mārketinga kombinācijas modelēšanas atbildes: kur laika gaitā kanālos ir vislielākā robežatdeve? Inkrementalitātes pārbaudes atbildes: vai šī konkrētā darbība patiešām mainīja rezultātus?
Katrs jautājums ir svarīgs. Katrai no tām ir nepieciešama atšķirīga pieeja. Saskaņā ar NP Digital pētījumu, 90 procenti strauji augošu mārketinga speciālistu par prioritāti piešķir inkrementalitātes testēšanu, 61 procents izmanto attiecinājuma modelēšanu un 42 procenti izmanto mārketinga kompleksa modelēšanu. Visefektīvākās komandas izmanto visas trīs, ņemot vērā pieņemto lēmumu.
Mārketinga kombinācijas modelēšana kā stratēģisks norādījums
Mārketinga kombinācijas modelēšanā jeb MMM mērīšanai tiek izmantota atšķirīga pieeja nekā attiecinājumam. Tā vietā, lai izsekotu atsevišķu lietotāju braucienus, tā izmanto apkopotus vēsturiskos datus, lai modelētu attiecības starp mārketinga izdevumiem un uzņēmējdarbības rezultātiem dažādos kanālos laika gaitā. Rezultāts ir skatījums uz robežatdevi, ko attiecinājuma sistēmas nevar nodrošināt.
MMM ir visnoderīgākais, lai noteiktu, kur katrs papildu dolārs ir iztērēts akanāls rada mazāku atdevi. Kanāls, kas darbojas ar spēcīgu jauktu RTA, informācijas panelī var izskatīties efektīvi, kamēr pēdējie 30 procenti no tā budžeta rada niecīgus papildu ieņēmumus. MMM novērš šo neefektivitāti. Tas arī palīdz identificēt starpkanālu efektus, piemēram, kā ieguldījumi videoklipos vai zīmolos iepriekšējā straumē ietekmē reklāmguvumu līmeni apmaksātajā meklēšanā pa straumi.
Tas padara MMM par visuzticamāko pieejamo rīku stratēģiskai budžeta sadalei. Tam nav nepieciešama lietotāja līmeņa izsekošana, kas nozīmē, ka konfidencialitātes izmaiņas un sīkfailu darbības pārtraukšana nemazina tā precizitāti, tāpat kā attiecinājuma gadījumā. MMM ceturkšņa izpildes var pastāvīgi uzlabot ilgtermiņa budžeta lēmumus pat tad, ja ikdienas attiecinājuma signāli ir trokšņaini.
MMM ir reālas robežas. Tam ir grūti precīzi noteikt augšējās piltuves zīmola veidošanu, jo nobīde starp zīmola seansu un pakārtoto reklāmguvumu ir pārāk gara un pārāk netieša, lai vēsturiskās korelācijas varētu skaidri fiksēt. Organizācijas, kas izmanto MMM stratēģiskai vadībai, vienlaikus papildinot to ar zīmola izsekošanas un uztveres pētījumiem, iegūst vispilnīgāko priekšstatu.
Inkrementalitātes pārbaude kā cēloņsakarības dzinējspēks
Ja MMM nodrošina stratēģisku virzību, inkrementalitātes pārbaude nodrošina cēloņsakarību. Jautājums, uz kuru tā atbild, ir konkrēts: vai šāds rezultāts būtu noticis, ja šī mārketinga darbība nebūtu notikusi? Tas būtiski atšķiras no tā, ko uzdod attiecinājuma modeļi, un atbilde ir daudz noderīgāka, lai izlemtu, kur ieguldīt.
Visizplatītākās inkrementalitātes pieejas ietver ģeogrāfiskos eksperimentus, aizturēšanas testus un kampaņas pauzes. Ģeogrāfiskajā eksperimentā tiek identificēti atbilstoši ģeogrāfiskie tirgi un vienā grupā tiek ieturēti izdevumi, bet citā grupā tie tiek saglabāti. Rezultātu atšķirība starp abām grupām izolē cēloņsakarību no mārketinga aktivitātes. Aizturēšanas testi izmanto to pašu loģiku auditorijas līmenī. Lai gan kampaņas pauzes ir rupjākas, tās var arī atklāt, vai rezultāti samazinās, kad tēriņi tiek pārtraukti.
Komandām, kas izmanto Amazon attiecinājumu vai citu uz tirgu balstītu mērījumu, inkrementalitātes pārbaude ir īpaši vērtīga, jo platformas ziņotie reklāmguvumi bieži atspoguļo pieprasījumu, kas jau pastāv, nevis pieprasījumu pēc izveidotās kampaņas.
NP Digital izpēte, kas izseko pakāpenisku un attiecināto reklāmguvumu skaitu dažādos kanālos, gandrīz visos gadījumos atklāja nozīmīgas nepilnības. Dabisko sociālo tīklu pieaugums ir par 13 procentiem, salīdzinot ar 3 procentiem. Maksas sociālajos tīklos palielinājās par 17 procentiem, salīdzinot ar 24 procentiem, kas tiek attiecināti, kas liecina, ka attiecinājums pārlieku kreditē šo kanālu. Šīs nepilnības tieši ietekmē budžeta izlietojumu, un tās ir neredzamas bez inkrementalitātes pārbaudes.
Inkrementalitātes pārbaudei ir nepieciešama plānošana un tīri dati, taču tam nav nepieciešams liels budžets. Pat viena labi izstrādāta ģeogrāfiskā atrašanās vieta galvenajā kanālā sniedz uzticamāku ieskatu par cēloņsakarību nekā mēnešiem ilgi attiecinājuma ziņojumi.
Platformas datiem joprojām ir nozīme, bet tikai optimizēšanai
Google, Meta un citu reklāmu platformu platformu informācijas paneļi joprojām ir noderīgi, taču to loma ir šaurāka, nekā to uzskata vairums komandu. Platformas pārskatos iebūvētās attiecinājuma aklās zonas ir strukturālas, nevis nejaušas. Platformas ir izstrādātas, lai optimizētu kampaņu veiktspēju savās ekosistēmās. Tie nav paredzēti, lai pateiktu, vai šī veiktspēja ir mainījusi jūsu uzņēmējdarbību.
Platformas dati ir piemērots rīks ikdienas lēmumu pieņemšanai. Tēriņu pielāgošana budžetam, cenu pielāgošana, pamatojoties uz veiktspējas signāliem, radošuma noguruma noteikšana un piegādes problēmu diagnostika, balstās uz platformas metriku. Tie ir operatīvi lēmumi, un platformas dati tos labi apstrādā.
Stratēģisko lēmumu pieņemšana ir vieta, kur platformas dati kļūst neuzticami. Algoritmi optimizē lietotājus, kuri, visticamāk, nodrošinās reklāmguvumu, kas nozīmē, ka tie sistemātiski dod priekšroku pieprasījuma uztveršanai, nevis pieprasījuma radīšanai. Augsts RTA rādītājs platformas informācijas panelī var atspoguļot efektīvu algoritmu, nevis efektīvu mārketingu.
Saskaņā ar NP Digital pētījumu, slikta attiecināšana mazajiem uzņēmumiem izmaksā vidēji 19,4 procentus no reklāmām, vidēja tirgus uzņēmumiem 11,5 procentus un uzņēmumu zīmoliem 7,7 procentus. Šie nelietderīgie tēriņi platformu ziņojumos lielākoties nav redzami, jo platformām nav stimula tos atklāt.
Praktiski norādījumi ir izmantot platformas metriku tam, kas tie ir: taktiskai vadībai, nevis stratēģiskai patiesībai.
Mērījums pionieris-apmetinātājs-plānotājsModelis
Slāņu mērīšanas sistēmas izveide nav tikai tehnisks izaicinājums. Tas ir organizatorisks. Katrai efektīvai mērīšanas organizācijai ir vajadzīgas trīs atšķirīgas lomas: pionieri, kolonisti un plānotāji.
Pionieri strādā pie tā, kas pašlaik ir izmērāms, malās. Viņi veic inkrementalitātes eksperimentus, veido sākotnējos mārketinga kompleksa modeļus, pārbauda ģeogrāfiskās atrašanās vietas un spiediena pārbaudes pieņēmumus, kas, iespējams, vairs nav spēkā. Viņu darbs ir neskaidrs pēc dizaina. Pionieri nesniedz noteiktību; viņi sniedz virzienu. Atbilstoši tiem pašiem statistikas ticamības standartiem kā operatīvajiem ziņojumiem šis darbs tiks apturēts, pirms tas radīs vērtību.
Apmetņi ņem to, kas rodas no eksperimentiem, un pārvērš to atkārtojamos procesos. Tie uzlabo modeļus, padara stingrākus pieņēmumus un savieno ieskatus ar plānošanas lēmumiem. Šeit agrīnās MMM tiek izmantotas rokasgrāmatās, un inkrementalitātes testu rezultāti kļūst par ietvariem, ko komandas var konsekventi piemērot. Kolēģi veido uzticību, pārvēršot virziena ieskatu sistēmās, kuras faktiski var palaist.
Plānotāji nodrošina ikdienas darbību. Viņi paļaujas uz platformas datiem, attiecinājuma signāliem un reklāmguvumu mehāniku, lai pārvaldītu tēriņus reāllaikā. Šis slānis ir nepieciešams; bez tā izpilde sabrūk. Taču plānotājiem nevajadzētu lūgt izskaidrot ilgtermiņa izaugsmi vai diagnosticēt veiktspējas strukturālas izmaiņas. Viņu mērķis ir optimizēt efektivitāti kanāla ierobežojumu ietvaros.
Neveiksmes režīms, kurā ietilpst lielākā daļa organizāciju, ir plānotāja līmeņa noteiktības standartu piemērošana pionieru līmeņa darbam. 95 procentu statistiskā pārliecība no eksperimentiem, kuru izstrādei vajadzīgs laiks, garantē, ka netiks izveidots nekas jauns. Modelis ar 60 procentiem virziena pārliecību, kas savienots ar ātru iterāciju, pastāvīgi pārspēj perfektu atbildi, kas tiek saņemta par ceturtdaļu par vēlu.
Kā strauji augošie uzņēmumi piešķir mērījumu resursus
NP Digital pētījumu izsekošanas mērījumu prakse Kanādas zīmoliem atklāja skaidru atšķirību starp vidējām organizācijām un strauji augošām organizācijām. Vidējās komandas aptuveni 65 procentus no mērījumu ietekmes piešķir platformu informācijas paneļiem un 25 procentus attiecinājuma rīkiem, atstājot maz vietas stratēģiskākām metodēm.
Strauji augoši zīmoli ar vairāk nekā 750 000 USD ikgadējiem ieguldījumiem plašsaziņas līdzekļos izskatās ievērojami atšķirīgi. Platformas informācijas paneļa paļaušanās samazinās līdz aptuveni 45 procentiem. Attiecinājuma rīka lietojums samazinās līdz 15 procentiem. MMM pieaug no 5 procentiem līdz 20 procentiem. Inkrementalitātes pārbaude sasniedz 10 procentus, un agrīnās ģeneratīvās meklēšanas optimizācijas darbs veido vēl 10 procentus.
Šīs organizācijas neatsakās no attiecinājuma vai platformas datiem. Viņi tos pārsver. Loģika ir vienkārša: tirgos, kas nepārtraukti mainās, jūs veidojat mērījumu iespējas tur, kur notiek izmaiņas, nevis tur, kur pazīstamība jūtas droši. Visu šo metožu mērķis ir virziena pārliecība, kas nozīmē pietiekamu signālu, lai ātrāk pieņemtu labākus budžeta lēmumus, nevis pilnīga noteiktība, kas tiek nodrošināta pēc iespējas slēgšanas.
Septiņi soļi, lai attīstītu savu mērīšanas sistēmu
Mērīšanas sistēmas pārbūvei nav jāmaina viss uzreiz. Organizācijas, kas to dara labi, attīstās pakāpeniski, pievienojot iespējas pareizajā secībā, nevis cenšoties veikt pilnīgu remontu.
Kartējiet pašreizējos mērījumu ievades datus. Uzskaitiet visus jūsu komandas izmantotos rīkus un datu avotus un nosakiet, kur katrs atrodas: operatīvās platformas dati, attiecinājuma modelēšana, MMM vai inkrementalitāte. Lielākā daļa komandu atklāj, ka tās ir ļoti koncentrētas pirmajās divās.
Nosakiet lēmumu nepilnības. Skaidri norādiet, uz kuriem stratēģiskajiem jautājumiem jūsu pašreizējā kaudze nevar atbildēt. Mārketinga attiecinājuma izaicinājums ir visredzamākais šeit: kur jūs pieņemat budžeta lēmumus, pamatojoties uz jauktu RTA bez redzamības uz minimālo peļņu? Kur jūs kreditējat kanālus, kas, iespējams, tikai uztver esošo pieprasījumu?
Iepazīstieties ar pamata modelēšanu. Pat vienkārša ceturkšņa MMM izpilde nodrošina stratēģiskāku virzienu nekā tikai attiecinājums. Sāciet ar kanāliem ar vislielākajiem tēriņiem un uzņēmējdarbības rezultātiem, kas vistiešāk saistīti ar ieņēmumiem.
Izpildiet savu pirmo inkrementalitātes testu. Izvēlieties vienu galveno kanālu un izveidojiet ģeogrāfiski noturīgu auditorijas testu. Mērķis nav pilnība; tas palielina organizatoriskās spējas un komfortu ar šāda veida mērījumiem.
Pielāgojiet pārvaldības cerības. Attiecinājuma pārskati vienā naktī nepazudīs no vadītāju pārskatiem. Skriešana aparalēla trase, kas parāda inkrementalitāti un MMM atklājumus kopā ar attiecinājuma datiem, vairo pārliecību par jauno pieeju, neprasot pilnīgu pāreju.
Pakāpeniski veidojiet procesus. Kolēģi pārvērš pionieru eksperimentus atkārtojamās darbplūsmās. Katram pieauguma testam ir jāizstrādā dokumentēta metodika, kas nākamo padara ātrāku un lētāku.
Palieliniet lēmumu pieņemšanas ātrumu. Viena no virziena pārliecības priekšrocībām salīdzinājumā ar perfektu noteiktību ir ātrums. Iknedēļas budžeta korekcijas, kuru pamatā ir pieauguma signāli un MMM izvadi, pārspēj ceturkšņa pārdali, pamatojoties uz attiecinājuma pārskatiem.
FAQ
Kas ir mārketinga attiecinājums?
Mārketinga attiecinājums ir process, kurā tiek piešķirta vērtība mārketinga saskarsmes punktiem, kas veicināja reklāmguvumu. Izplatītākie mārketinga attiecinājuma modeļi ietver pēdējā klikšķa, pirmā klikšķa, lineāro un ar datiem pamatotu attiecinājumu. Katrs klienta ceļojuma laikā kredītus piešķir atšķirīgi. Attiecinājums ir visnoderīgākais, lai optimizētu kampaņu veiktspēju kanālos, taču tas nevar noteikt, vai mārketings ir izraisījis uzņēmējdarbības rezultātu.
Kā jūs novērtējat mārketinga attiecinājumu?
Attiecinājums tiek mērīts, savienojot reklāmguvumu datus ar iepriekšējiem saskares punktiem, izmantojot izsekošanas pikseļus, UTM parametrus un CRM datus, lai kartētu ceļu. Mārketinga attiecinājuma programmatūras platformas automatizē šo procesu un piedāvā dažādus attiecinājuma modeļus, no kuriem izvēlēties. Galvenais ierobežojums, kas jāsaprot, ir tas, ka visas attiecinājuma pieejas piešķir kredītus, pamatojoties uz korelāciju, nevis cēloņsakarību.
Kura ir labākā programmatūra mārketinga attiecinājuma izsekošanai?
Labākā mārketinga attiecinājuma programmatūra ir atkarīga no jūsu uzņēmējdarbības modeļa un mērīšanas mērķiem. Google Analytics 4 un platformas vietējie informācijas paneļi labi apstrādā pamata attiecinājumu. Tādi rīki kā Northbeam, Triple Whale un Rockerbox ir paredzēti tiešās atbildes un e-komercijas kontekstiem. Stratēģisku lēmumu pieņemšanai attiecinājuma programmatūra vislabāk darbojas, ja tā ir savienota ar MMM un inkrementalitātes testēšanu, nevis tiek izmantota atsevišķi.
{ "@context": "https://schema.org", "@type": "FAQPage", "galvenā iestāde": [ { "@type": "Jautājums", "name": "Kas ir mārketinga attiecinājums?", "acceptedAnswer": { "@type": "Atbilde", "text": "Mārketinga attiecinājums ir kredītu piešķiršanas process mārketinga saskarsmes punktiem, kas veicināja reklāmguvumu. Izplatīti mārketinga attiecinājuma modeļi ietver pēdējā klikšķa, pirmā klikšķa, lineāro un ar datiem pamatotu attiecinājumu. Katrs no tiem piešķir kredītus atšķirīgi visā klienta ceļā. Attiecinājums ir visnoderīgākais, lai optimizētu kampaņas veiktspēju kanālos, taču tas nevar noteikt, vai mārketings ir izraisījis uzņēmējdarbības rezultātu." } } , { "@type": "Jautājums", "name": "Kā novērtēt mārketinga attiecinājumu?", "acceptedAnswer": { "@type": "Atbilde", "text": "Attiecinājums tiek mērīts, savienojot reklāmguvumu datus ar saskares punktiem, kas bija pirms tā, izmantojot izsekošanas pikseļus, UTM parametrus un CRM datus, lai kartētu ceļu. Mārketinga attiecinājuma programmatūras platformas automatizē šo procesu un piedāvā dažādus attiecinājuma modeļus, no kuriem izvēlēties. Galvenais ierobežojums, kas jāsaprot, ir tas, ka visas attiecinājuma pieejas piešķir kredītus, pamatojoties uz korelāciju, nevis cēloņsakarību." } } , { "@type": "Jautājums", "name": "Kura ir labākā programmatūra mārketinga attiecinājuma izsekošanai?", "acceptedAnswer": { "@type": "Atbilde", "text": "Labākā mārketinga attiecinājuma programmatūra ir atkarīga no jūsu uzņēmējdarbības modeļa un mērīšanas mērķiem. Google Analytics 4 un platformas informācijas paneļi labi apstrādā pamata attiecinājumu. Tādi rīki kā Northbeam, Triple Whale un Rockerbox ir izstrādāti tiešās atbildes un e-komercijas kontekstos. Stratēģisku lēmumu pieņemšanai attiecinājuma programmatūra vislabāk darbojas, ja to izmanto pārī ar MMM izšķiršanu un testēšanu." } } ] }
Secinājums
Mārketinga attiecinājuma izaicinājums nav problēma, ko atrisina tikai labāka programmatūra. Tas ir attiecinājuma strukturāls ierobežojums. Kredīta piešķiršana un cēloņsakarības pierādījumi ir dažādas lietas, un to sajaukšana noved pie budžeta lēmumiem, kas dod priekšroku pieprasījuma piesaistīšanai, nevis pieprasījuma radīšanai.
Strauji augošas organizācijas ir risinājušas šo problēmu, veidojot slāņveida mērījumu sistēmas, kur katram rīkam ir noteikta loma: platformas dati operatīvai vadībai, attiecināšana taktiskajai.signāli, MMM stratēģiskai sadalei un inkrementalitātes pārbaude cēloņsakarības apstiprināšanai. Nākamajā šīs sērijas daļā tiek pētīts, kā mārketinga vadītāji izmanto šos signālus kopā, lai izlemtu, kur novirzīt nākamo ieguldījumu dolāru.
Ja pirms pāriešanas uz attiecīgo daļu vēlaties sīkāk izpētīt, kur attiecinājums tiek sabojāts, šis mārketinga attiecinājuma aklo zonu sadalījums detalizēti aptver konkrētus kļūmju veidus. Lai iegūtu plašāku priekšstatu par to, kā mērījumus saistīt ar lēmumiem par ieņēmumiem, šī digitālā mārketinga attiecinājuma rokasgrāmata ir noderīga atsauce.
