Icon
Muuttuva markkinointianalytiikka Myynti

Muuttuva markkinointianalytiikka

08.01.2020 | Ismo Tenkanen, Econometrics Finland Oy

Median murroksesta on puhuttu vuosikymmeniä, ja vaikkapa Helsingin Sanomien sisältöä luetaan tänä päivänä niin monessa eri formaatissa, että kaikki ymmärtävät, miten perusteellisesti digitalisoituminen on muuttanut media-alaa.

Mainonnan ja markkinoinnin tuloksellisuuden sekä mainonnan muun tehon mittaamisessa murros on ollut ehkä vieläkin dramaattisempi edellisen kahdenkymmenen vuoden aikana. Internet ja sen Web-sivustot miellettiin heti ilmestyessään ”täydellisesti mitattavaksi mediaksi”, jossa jokainen sivulataus ja samalla mainosnäyttö pystyttiin mittaamaan sekunnin tarkkuudella. Vielä jos mainostaja myi tuotettaan tai palveluaan verkossa, koettiin, että mainonnan tehon mittaus on täydellistä, kun asiakaspolku voitiin mitata mainosklikistä verkkotransaktioon asti.
Sekä Internet-median että -mainonnan mittaaminen on toki mutkistunut alkuaikojen hurmoksesta. On ymmärretty, että eväste ei ole ihminen, ja päätelaitteiden ja mobiililaitteiden yleistyessä sama ihminen voi lukea samaa mediaa saman päivän aikana kolmelta päätelaitteelta ja kertautua sitä kautta kävijätilastoihin. Mainonnan osalta taas on ymmärretty, että ihminen voi nähdä mainoksen yhdeltä päätelaitteelta, klikata mainosta toiselta ja suorittaa verkko-ostoksen kolmannelta laitteelta tai kokonaan verkon ulkopuolelta – jolloin ansio kaupasta harvoin menee enää mainoksen hyväksi selainpohjaisissa mittauksissa.

Mainonnan tehomittaus kysymällä kohdeyleisöltä

Vielä 30 vuotta sitten mainonnan tehomittaukset olivat pääosin kyselytutkimuksia. Ihmisille näytettiin vaikkapa henkilökohtaisissa haastatteluissa mainoksia, ja kyseltiin sitten kohderyhmään kuuluvilta kuluttajilta, muistavatko he nähneensä mainoksia, ja mitä olivat mieltä mainoksista. Usein ostotapahtumaa ei sisällytetty edes mukaan kyselyyn, koska nopeasti huomattiin, ettei 200-300 vastaajan otoksiin osunut pääsääntöisestä ketään, joka olisi tunnustanut ostaneensa mainostettua tuotetta.
Mutta tästä päästäänkin ongelmaan, tunnustaako mielestään rationaalisesti toimiva ihminen, että olisi koskaan ostanut mitään mainonnan johdosta? Tilanne on pitkälti sama, kuin mediamittauksen ongelma siitä, että roskalehtiä ei kukaan tunnusta lukevansa, ja kaikki katsovat televisiosta vain asiaohjelmia ja dokumentteja – vaikka paneelimittarit näyttävät ihan muuta. Rationaalinen ihminen kertoo, ettei häneen mainonta vaikuta, ja jos ostinkin mainostetun tuotteen, olisin sen ostanut ilmankin mainontaa. Kuitenkin saman henkilön vaatekaappi ja jääkaappi ovat täynnä merkkituotteita – jolloin valintatilanteessa on päädytty ”tuttuun ja turvalliseen” merkkituotteeseen, vaikka rinnalla olisi tuntematon merkki. Ja tähän tietysti brändimainostaja pyrkiikin. Kolajuomien sokkotesteissä voittajaksi päätyy aina jonkin kauppaketjun oman merkin juoma, jota juuri kukaan ei osta, mutta Coca-Cola ja Pepsi-Cola käyvät parhaiten kaupaksi. Ehkäpä sillä mainonnalla on sittenkin jokin vaikutus, mutta kyselytutkimus ei sitä hevin paljasta!

Mainonnan teho mittaamalla, ei kysymällä

Yhtä lailla kuin mediamittaus on siirtynyt yhä enemmän teknologian mittaamiseen, eli mitataan mitä kanavaa katsotaan tai millä web-sivustolla vieraillaan, on mainonnan mittaus edellisen 20 vuoden aikana mennyt yhtä enemmän siihen suuntaan, että pyritään seuraamaan eli ”trackaamaan” kuluttajaa mainonnalle altistumisesta aina ostotapahtumaan tai liidiin asti. Vaikka aniharva tietoisesti skannailee mainosten QR-koodeja ja vie todisteita mainoksen huomaamisesta kaupan kassalle asti, digimainonta pyrkii hankkimaan ”todisteen” mainonnan vaikutuksesta evästeillä, joita mainokset lähettävät selaimille, ja näin on mahdollista seurata vaikka kuukauden päivät mainosnäytöstä, siirtyykö mainonnalle altistunut henkilö (ja ehkä jopa sitä huomannut tai klikannut) selaimellaan mainostajan omalle sivustolle, ja tekeekö hän siellä haluttuja toimenpiteitä eli konversioita.
Yksityisyys- ja tietoturva-asiantuntijat eivät erityisesti pidä evästepohjaisista mittauksista, ja moni estää niitä myös tietoisesti, joko selainasetuksin tai mainonnan esto-ohjelmistojen avulla. Näitä suurempi ongelma mainonnan oikealle tehomittaukselle on kuitenkin se, että päätelaitteet saattavat ostopolun aikana vaihtua moneen kertaan, jolloin mobiililaitteella on nähty tai klikattu mainosta, mutta ostotapahtuma tehdään eri päätelaitteella tai kivijalassa, jolloin konversio ei kirjaudu mainonnan hyväksi.
Ja vaikka ihmisellä olisi vain yksi päätelaite, jolla hän sekä näkee mainoksia että suorittaa ostoksia, niin ostopolku voi olla niin pitkä ja mutkikas, että vaaditaan pidemmälle vietyjä ns. attribuutiomalleja jyvittämään eri mainosaltistumisille oma siivunsa kaupan arvosta. Attribuutiomalleja on lukuisia erilaisia, ja mittauksen ammattilaiset voivat suositella eri mainostajille kuhunkin tilanteeseen parhaiten soveltuvia malleja.

Ekonometriikka myynnin ja mainonnan mallinnukseen

Viime vuosina etenkin isompien mainostajien keskuudessa ovat lisäksi yleistyneet Marketing Mix Modeling -nimellä ekonometriaan perustuvat myynnin ja mainonnan analyysit, joiden etuna on se, että niillä voidaan mitata ilman mitään evästeongelmia yhtä lailla digimainontaa kuin mitä tahansa muuta markkinointia, maksettua mediamainontaa kuin asiakkaan omien kanavien markkinoinnin tehokkuutta.
Mihin ekonometria sitten perustuu? Olen nähnyt MMM-mallin esityksiä myös useissa mainonnan seminaareissa, ja aina on yleisön joukosta noussut käpälä pystyyn ja esitetty jonkun mainostajan mielestä ”haastava” kysymys, että ”mitenkäs meidän tapauksessamme voidaan mitata mainonnan teho, kun meillä on monta eri mediakampanjaa päällekkäin samanaikaisesti?”. Ekonometrisissä mittauksissa tämä on kuitenkin täysin ihannetilanne, että mainostaja käyttää useampaa eri kanavaa, ja vuorottelee niissä eri suuruisin panostuksin eri ajanjaksoina.
Itse asiassa regressioanalyysiin rakentuvat matemaattiset mallit edellyttävät, että panostuksissa on variaatiota eli vaihtelua eri ajanjaksoina, sillä jos mainostaja päättää vaikkapa käyttää saman euromääräisen summan joka kuukausi tiettyyn mediaan, mitään tuloksia ei saada pelkästään siitä syystä, että laskukaavaan tulee jakajaan nolla, eli nolla-variaatiolla ei saada lainkaan tuloksia. Kyse on siis siitä, että mainospanostusten oletetaan kulkevan ”samansuuntaisesti” myyntikäyrien kanssa, ja mitataan tätä samansuuntaisuutta eli korrelaatiota. Jos panostuksissa ei ole vaihtelua, laskukaavaa ei voida lainkaan käyttää!
Marketing Mix Modeling siis laskee eri kanavien panostusten (tai liikennemäärien kuten orgaaninen haku) korrelaatiot myyntiin tai haluttaessa mihin tahansa muuhunkin tunnuslukuun, kuten sivustoliikenne tai muu mittari. Kullekin analysoitavalle selittävälle tekijälle saadaan sekä korrelaatio myyntiin että selitysaste myynnin vaihtelusta laskettua. Lisäksi voidaan tarkastella todennäköisyyttä, kuinka suurin todennäköisyyksin saatu tulos voi selittyä puhtaasta sattumasta. Tavoitteena on saavuttaa sellainen todennäköisyys, että sattuman osuus jäisi alle viiden prosentin. Onnistuneet myynnin mallinnukset selittävät esim. 70-80 % myynnin kaikesta vaihtelusta. Pelkillä markkinointipanostuksilla on harvoin näin suurta yhteisvaikutusta myynnin vaihtelusta, vaan mukaan tarvitaan muitakin muuttujia, kuten sesongit, hinnanmuutokset, kilpailijoiden panostukset yms.

Miksi mainonnan mittaus kehittyy nyt nopeammin kuin koskaan aiemmin?

Aalto-yliopiston Markkinointianalytiikan kurssilla pohdittiin sitä, miksi nyt markkinoinnin analytiikassa yleistyvät sellaisetkin tilastomatemaattiset menetelmät, jotka ovat olleet tilastotieteen kirjoissa sata vuotta? Selityksiä on ainakin kolme.
Ensinnäkin, kaikilla yrityksillä on yhä enemmän dataa omien asiakkaidensa ostokäyttäytymisestä. Ajatelkaapa verkkokauppoja ja vähittäiskauppaketjuja kanta-asiakasohjelmineen. Kaikilla on dataa monin verroin enemmän, kuin kukaan ehtii hyödyntää.
Toiseksi, tietokonekapasiteetti on nyt ihan eri tasolla kuin vielä muutama vuosikymmen takaperin. Nykyisin voidaan Excelillä pyörittää laajojakin aineistoja ja tehdä muutamassa kymmenessä sekunnissa analyysejä, jotka aiemmin vaativat suurta tietokonekapasiteettia.
Ja kolmanneksi todellinen aikakauden trendi, älyteknologia ja koneoppiminen. Eli markkinointiteknologia kehittyy hurjaa vauhtia, ja niin Google kuin monet muut osapuolet kehittävät ohjelmistoja, jotka ohjaavat itse itseään kohti mainostajan itse määrittelemiä tavoitearvoja, kuten hinta per konversio tai mainonnan panos/tuotto-suhde (ROAS). On ihan arkipäivää jo tänä päivänä, että mainostaja määrittelee sen, mitä on valmis maksamaan yhdestä uudesta asiakkaasta, ja ohjelmisto ohjaa mainonnan panostuksia ja kustannuksia siten, että päästään mahdollisimman kustannustehokkaasti haluttuun tavoitteeseen.
Suurin puute on tänä päivänä osaavista analyytikoista. Turun yliopiston professori Heikki Kauppi totesi jo 10 vuotta sitten, että ”ekonometriaa osaavia ekonomisteja ei valmistu työmarkkinoiden tarpeisiin nähden riittävästi”. Vastaavasti LUT:in professori Mikael Collan arvioi vain pari vuotta sitten, että ”Pelkästään Yhdysvalloissa arvellaan olevan puolentoista miljoonan analytiikan osaajan puute vuonna 2018. Euroopassa vallitsee samankaltainen tilanne”.

Kirjoittaja Ismo Tenkanen on Econometrics Finland Oy:n toimitusjohtaja.

Kiinnostaako markkinointianalytiikka? Lue uusista päiväkursseistamme ja syvennä osaamistasi, kouluttajana Econometricsin Ismo Tenkanen! Tsekkaa perustason tai jatkotason kurssi ja ilmoittaudu heti mukaan!

08.01.2020

Muuttuva markkinointianalytiikka

Kuinka dramaattinen muutos on ollut ja mitä uutta ymmärrystä siitä kasvoi?

lue lisää

24.09.2019

Markkinoinnin tukena - Data ja IT

Kulttuurierot markkinoinnin ja IT:n välillä voivat olla hyvinkin suuret. Tässä kohtaa kuvaan astuu DevOps.

lue lisää

19.09.2019

Pasin poiminnat Saksasta DMEXCO 2019 -tapahtumasta

IAB Finlandin toiminnanjohtajan messureportaasi

lue lisää

19.09.2019

Havaintoja mediamyyjän työstä

Miten mediamyyjien työkuva on muuttunut viime vuosina ja mitä menestyjältä konkreettisesti vaaditaan?

lue lisää