Verkkokaupan markkinoinnin tehokkuuden mittaaminen

Miksi verkkokaupan markkinoinnin tehokkuuden mittaamiseen liittyy niin paljon erilaisia teorioita ja mittaustekniikoita?

Kysymystä voi lähteä lähestymään monille verkkokaupoille tyypillisellä skenaariolla. Jos verkkokauppa tekee maksullista mainontaa useassa eri mainonnan kanavassa, niin skenaariossa lukemat voi näyttää esimerkiksi tältä:

• Google Ads raportoi myyntiä: 200 000€ 
•  Google Ads mainonnan kulut: 30 000€ 
  
• Meta raportoi myyntiä: 400 000€ 
• Metan mainonnan kulut: 60 000€
  
• Orgaaninen liikenne näyttää myyntiä: 100 000€ 
• Orgaanisen liikenteen kulut: 10 000€
  
• Myyntiä tulee siis yhteensä: 700 000€
• Kulut on yhteensä: 100 000€
• Myyntiä tulee 7X enemmän vs. kulut. 

Vai tuleeko myyntiä oikeasti näin paljon? 

Verkkokaupan oikeassa kassassa myynti onkin: 350 000€

Tämä on se myynti, joka on oikeasti toteutunut. Myyntiä tuleekin kanavakohtaiseen mittauksen sijaan ainoastaan 3,5X enemmän mainonnan kuluihin verrattuna. 

Tämä skenaario todistaa mielestäni yksinkertaisessa ja helposti ymmärrettävässä muodossa sen, että asiakkaat liikkuvat ennen ostopäätöksen tekemistä useiden eri markkinoinnin kanavien välillä ja kaikki myyntiä raportoivat kanavat ovat jollain tasolla vaikuttaneet ostopäätökseen.

Markkinoinnin tiimit joutuvat ohjaamaan operatiivista toimintaa ja mainontaa ns. yliraportoidun myynnin kautta ja liiketoiminta joutuu taas tekemään tekemään päätöksiä oikeasti toteutuneen myynnin ja kulujen kautta. 

Tämä on se mielenkiintoinen kenttä, jota yritetään sitten analytiikan ja attribuutiomallien avulla ratkaista ja syy siihen, miksi markkinoinnin tehokkuuden mittaamisesta keskustellaan ja spekuloidaan niin paljon. 

Markkinoinnin mittaamisen nokkimisjärjestys

Markkinoinnin tehokkuuden mittaamisen keinoja voidaan ajatusleikkinä asettaa hierarkiseen portaikkoon, josta rakentuu markkinoinnin mittaamisen nokkimisjärjestys. Jos ylempi porras on ristiriidassa alemman kanssa, niin alempi porras on todennäköisesti väärässä ja päätökset kannattaa tehdä ylemmän portaan kautta. 

 

perstuntuma

Tämä on se kuuluisa perstuntuma, jossa vaan todetaan, että tämä toimii tai ei ilman mittaamista. Joskus myös perstuntuma on tärkeä apu siihen, ettei jämähdetä liian hitaisiin päätöksiin ja liiallisen datan aiheuttamiin data-paralyyseihin. Hyvän ja luotettavan perstuntuman kehittyminen vaatii kuitenkin omasta mielestäni mielellään vuosien kokemusta seuraavien portaiden parissa, joten toivottavasti myös seuraavat tasot ovat tuttuja. 

Conversion Tracking

Tällä tasolla tarkoitetaan markkinointialustojen tracking-pikseleillä mitattua myyntiä ja ROAS-tasoja ja Google Analyticsin kautta tehtyjä  havaintoja mainonnan toiminnasta. Tämä porras on tyypillisin taso, jota käytetään verkkokauppojen operatiivisessa toiminnassa, koska markkinoinnin alustojen raportointi ja tekoälyjen toiminta perustuu tällä tasolla tehtyyn mittaukseen. Mainonnan kulut per kanava näkyvät reaaliajassa ja myös toteutunutta myyntiä per kanavan mittaustapa pääsee seuraamaan lähes reaaliajassa.  

Tracking kuulostaa tosi hyvältä, mutta tällä tasolla ongelma on juuri kirjoituksen alussa mainittu ongelma. Sama asiakas liikkuu monessa eri markkinoinnin kanavassa ja yhden ”lompakon” tekemä myynti näkyykin usean eri markkinointialustan evästeen myynnissä. Pitäisi löytää vastaus kysymykseen: Miten paljon milläkin kanavalla oli vaikutusta myyntiin? 

Marketing Mix Modelling

Tämän portaan tavoitteena on löytää vastaus edellisen portaan kysymykseen tai oikeastaan tämän portaan tavoitteena on löytää paras mahdollinen markkinointikanavien välinen tasapaino, joka  maksimoi halutun mittarin (esimerkiksi myynnin) tason. Marketing Mixin löytämiseen käytetään analytiikan ja koneoppimisen malleja ennusteen laatimiseen. Jos tracking-portaan havainnot ovat ristiriidassa tämän portaan kanssa, niin tämä porras tuottaa oikein toteutettuna parempaa tulosta mallinnukseen valitun tavoitemittarin kasvuun.

Mitä isompaa dataa on käytettävissä, sitä nopeammin ennuste päivittyy ja antaa vastauksia. Tässä piilee myös tämän portaan haasteita: Jos dataa on liian vähän, luotettavaa ennustetta joutuu odottamaan tosi pitkään tai päätöksiä joutuu tekemään tosi epätarkalla ennusteella. Jos et itse ole analytiikan ja koneoppimisen asiantuntija, mistä voit tietää, onko mallinnus tehty oikein? Seuraavalle portaalle siirtyminen voi antaa varmempia vastauksia ilman koneoppimisen tutkintoakin. 

Experiments

Isot ja kontrolloidut testit esimerkiksi 1st party datan tai lokaatioiden perusteella antavat jo aika varmoja ja selkeitä vastauksia, joita liiketoiminnan eri edustajienkin on helppo ymmärtää. Tässä pari esimerkkiä: 

• Kasvata some-budjettia kahdeksi viikoksi +50% omaan asiakasdataan perustuvalle 1st party data yleisölle. 
• Seuraa yleisön kokonaismyynnin trendiä omalla asiakasdatalla mitattuna. 
• Laske saman yleisön budjettia kahden seuraavan viikon aikana alkuperäisestä tasosta -50%
• Seuraa taas yleisön kokonaismyynnin trendiä omalla asiakasdatalla mitattuna. 

Jos myynnin trendiin ei tullut selkeää vaikutusta, tällä tavalla tehdyllä markkinoinnilla ei ole todennäköisesti merkitystä verkkokauppasi myyntiin.

Toisena esimerkkinä lokaatioon perustuva testi. Ehkä et pysty mittaamaan 1st party datalla, mutta voit mitata lokaatioon perustuvaa myyntiä helposti. Lopeta joku mainonnan kanava kokonaan lokaatiossa Y pariksi viikoksi. Jos lokaation Y myynnille ei tapahtunut mitään, tiedät miten toimia jatkossa. 

Experiments osuudessa onnistuminen edellyttää aika vankkaa analyyttista osaamista, jotta ymmärtää, mikä on normaali baseline ja miten esimerkiksi AB-testin tuloksia tulkitaan. Myös liian pienellä volumella tehdyt testit ja mittaukset voivat johtaa täysin vääriin johtopäätöksiin. 

Alla olevassa kuvassa näkyy esimerkkitapaus, jossa yli 7000 kävijällä mitatun AB-testin tulokset ovat vielä ihan alkutekijöissään, vaikka toinen versio näyttäisikin houkuttelevasti paremmalta. Voit lukea aiheesta lisää tästä linkistä. 

Tuloslaskelma & Business KPIs

Vaikka markkinoinnin mittaaminen on mielenkiintoista ja siitä voi spekuloida loputtomasti, niin loppupeleissä tuloslaskelman mittarit kuitenkin sanelevat toimiiko homma liiketoiminnan kannalta riittävän tehokkaasti vai ei.

Jos markkinoinnin kulut kasvavat liiketoiminnan kannalta liikaa suhteessa myyntiin, niin pitääkin palata portaita alaspäin ja parantaa juoksua entisestään. Tai voihan olla niin, että portaat on säädetty hyvään tasoon, mutta mainonnan sisällön ja tuotteiden hinnoittelun muuttaminen korjaakin tämän viimeisen portaan kuntoon. 

Tämmöiset muutokset vaikuttavat taas jokaisen portaan mittareihin ja toimintaan, joten jatkuvaa tekemistä vaaditaan joka tapauksessa ja sehän tekeekin jokaisesta verkkokaupan markkinoinnin parissa tehtävästä työpäivästä hauskan ja mielenkiintoisen! 

Katso Juha Saarisen puheenvuoro tallenteena ”Johdanto markkinoinnin automaatioihin” , jonka hän piti Automaatiot markkinoinnissa- valmennuspäivässä 30.1.