Modellering : Upptäck potentialen som Analytics missar

Vi går rakt på sak. Modellering innebär att utnyttja statistik för att optimera sin marknadsföringsbudget. På så vis är det ett verktyg som på många sätt liknar Google Analytics.  Skillnaden är att man genom modellering använder en större mängd data än vad hemsidan genererar, både externt och internt. Därigenom kan man optimera marknadsföringen i och mellan samtliga tillgängliga kanaler. Här på bloggen kommer vi att publicera en serie inlägg om modellering som förklarar metoden och hur den kan användas. För allas skull lovar vi att minimera matematiken.

Okej, så Google Analytics är ett fantastiskt verktyg. Det råder det inga tvivel om. Där får vi merparten av vår data och vi kan optimera våra kampanjer direkt i själva verktyget. Vi kan utvärdera vilka kanaler som fungerar bäst och justera budgeten därefter. Problemet är att försäljningen påverkas av mer än bara det som kan mätas på hemsidan. Än så länge tar Analytics inte hänsyn till exempelvis konkurrens eller pr. Således kan inte Analytics erbjuda all den information som krävs för att ge en heltäckande bild av vad som påverkar försäljningen och hur marknadsföringsbudgeten bör spenderas. Modellering är en metod för att samla alla, både externa och interna, faktorer som påverkar resultatet för att kunna fatta rätt beslut.

Kort sagt använder man alla tillgängliga oberoende variabler för att förklara en beroende variabel. Oberoende variabler är antingen sådant som vi inte direkt kan kontrollera (externa), såsom väder och konkurrenter, eller sådant vi kan kontrollera i olika mån (interna), såsom medieval och prisnåvå. En beroende variabel är det som påverkas av oberoende variabler, såsom försäljning, varumärkeskännedom eller click rate. För enkelhetens skulle använder vi oss här genomgående av försäljningen som den beroende variabeln eftersom denna är av överordnad betydelse för resultatet. Varje oberoende variabel tilldelas ett värde för den grad av påverkan de har på resultatet och detta resulterar i en matematisk funktion som förklarar försäljningen. För att inte orsaka akuta migränattacker besparar vi er exempel på hur en sådan funktion kan se ut. Istället ska vi kika på hur denna kunskap kommer till nytta i marknadsföringen.

Allokering av marknadsföringsbudget – att få ut det mesta ur varje krona

Marknadsföringsbudgeten ska i nästan samtliga fall investeras i de mediekanaler där man får bäst procentuell avkastning. Med andra ord vill få bang for the buck. Detta kan göras med Marketing Mix Modelling (MMM), där man använder statistiken för att se vilka kanaler som har störst påverkan på försäljningen. Utifrån modellen kan man sedan fördela budgeten mellan kanaler på det på det mest effektiva sättet. I det skedet kan man sedan återgå till Google Analytics för att optimera varje individuell kampanj.

Predictive modelling – hur du använder statistiken för att uppskatta framtida försäljning

Så försäljningen påverkas av både externa faktorer (konjunkturen, konkurrenter, årstid) och interna faktorer (prissättning, medieval). När vi nu vet hur varje individuell faktor påverkar försäljningen kan vi också förutspå hur försäljningen kommer att se ut i framtiden. Säg att ekonomin går in i en lågkonjunktur, eller att vi måste skära ner på mediebudgeten. Med hjälp av vår funktion har vi full koll på hur detta påverkar försäljningen.

Algoritmbaserat mediainköp – att använda rätt kanal vid rätt tidpunkt

För att komplicera saker så påverkas ju också våra variabler av varandra. Bioreklam når ju med all sannolikhet en större publik under helgdagarna och än mer så om vädret är dåligt. Detta vill vi förstås utnyttja när vi köper in media. På samma sätt kan vi utnyttja relationen mellan olika kanaler. Om vi exempelvis ser att Facebook-kampanjer går bättre när de kompletteras med LinkedIn-kampanjer vill vi ju självklart anpassa oss efter detta vid medieinköp. Det handlar helt enkelt om att utnyttja all den potential som finns gömd i statistiken. På så vis kan vi optimera våra kanaler dag för dag, minut för minut.

Så hur går modellering till i praktiken och hur vet man att det fungerar?

Tack och lov finns det modelleringsexperter som har utvecklat en praxis för hur påverkan beräknas och hur de sammansätts i en brukbar funktion. Matematiken lämnar vi som utlovat därhän. Själva arbetsprocessen är emellertid en relativt straight forward fyrstegsraket:

1. Identifiera vad som påverkar marknaden/försäljningen
2. Räkna ut avkastningen per marknadsföringsaktivitet
3. Optimering och rekommendationer för framtida marknadsföringsstrategier
4. Estimering av framtida intäkter

Disclaimer! Eftersom människor är människor går det förstås inte att beräkna alla faktorer med hundraprocentig säkerhet. Vem hade till exempel trott att pussmunnen med tupén skulle bli president för fyra år sedan, eller ens ett? Den mänskliga faktorn kommer alltid att spela in. Genom att applicera funktionen på det vi redan vet kan vi emellertid säkerställa att vi fått med de viktigaste faktorerna och att dessa tilldelats ett värde som överensstämmer med deras grad av påverkan. I modellen nedan ser vi en modelleringsberäkning jämföras med ett faktiskt resultat. När överensstämmelsen uppgår till 80 procent eller mer vet vi att funktionen kan användas för att optimera marknadsföringen.

graph estimated sales