Heb je jouw marketing-attributie op orde?

De plek waar de meeste marketeers beginnen met attributie is de last-click attributie van Google Analytics. De reden? De meeste merken starten met Google Analytics als hun belangrijkste analysebron omdat het gratis en eenvoudig te gebruiken is. Maar last-click vertelt nooit het hele verhaal en maakt een (stiekem best) complexe situatie net wat te simpel.

Aan de andere kant van het spectrum heb je juist grote merken die bouwen aan hun eigen custom attributiemodellen. Investeren in een custom model kan zinvol zijn als je elke maand meerdere miljoenen uitgeeft aan advertenties via een aantal online en offline kanalen. Maar het negatieve side effect van custom modellen is analyseverlamming: marketeers raken zo geobsedeerd door het vinden van het perfecte antwoord dat ze vergeten stappen te maken en verder te gaan.

Als je dit leest, zit je mogelijk ergens daar tussenin. Oftewel, een perfect moment om een stapje terug te doen en de effecten te onderzoeken vanuit een beginnersperspectief, zodat je daarna goed doordachte beslissingen kan nemen voor jouw attributiestrategie.

Marketing-attributie: de basisprincipes

Een herkenbare situatie onder marketeers: “Ik weet dat de helft van mijn media-uitgaven wordt verspild. Ik weet alleen niet welke helft.” Deze quote van de Amerikaan John Wanamaker vat de puzzel van attributie vrij goed samen.

Incrementele impact

Groei is de heilige graal van marketing. De reden dat marketing bestaat, is om vraag naar een product of dienst te creëren en te verhogen  – en dit op een winstgevende manier.

Last-click-attributie, de standaard in Google Analytics, meet de interacties van klanten met een specifieke campagne en attribueert dat resultaat aan de laatste interactie. Maar het meet niet wat er was gebeurd als je de campagne níet had gedraaid. Dus last-click-analyses zijn eigenlijk nutteloos om de incrementele impact van jouw marketing te begrijpen.

Dit is waar attributiemodellering om de hoek komt kijken. Op verschillende manieren probeert attributie te bepalen welke marketingcampagnes zorgden voor conversie, zonder dat jij een hold-out-test moet uitvoeren voor elke afzonderlijke campagne. Daarbij komt dat het zelden zo is dat een resultaat volledig aan één campagne of interactie valt te attribueren. Er zijn vrijwel altijd meerdere factoren die bijdragen aan een conversie, en dit hoeven niet alleen online kanalen te zijn. Ook een positieve ervaring van je buurman met een merk of product kan de doorslaggevende factor zijn. Probeer dat maar eens in Google analytics vast te leggen.

Vraag genereren v.s. bestaande vraag converteren

Sommige marketingactiviteiten zorgen voor een nieuwe vraag naar jouw product of dienst, vaak zijn dit pushkanalen zoals social-mediaplatformen. Andere marketingactiviteiten converteren juist de bestaande vraag; deze zouden dus geen conversies genereren als er geen bestaande vraag zou zijn.

Branded search op Google is een goed voorbeeld van een demand-capture kanaal. Iemand gebruikt namelijk alleen een merknaam als zoekopdracht in Google als ze al bekend zijn, op een manier, met dat merk.

Demand-capture-kanalen bevinden zich bij de onderkant van de funnel omdat ze bestaande merkbekendheid en intentie nodig hebben om het doel te bereiken. Om die reden produceren ze vaak supergoede resultaten bij de laatste klik, maar hun vermogen om toenemende conversies te genereren, is twijfelachtig. In het slechtste geval innen deze campagnes gewoon een soort tol, elke keer als je iets verkoopt.

Als marketeer bij een agency zul je bekend zijn met de klant die twijfelt aan social media ads omdat Google alle conversies lijkt binnen te slepen. Dat is precies de ruis die ontstaat door last-click attributie.

Incrementele impact van elke uitgegeven euro

De meeste marketeers gebruiken een statistiek zoals aMER om dagelijks de efficiëntie van hun marketinguitgaven te bepalen. aMER is het totale bedrag dat aan acquisitie is uitgegeven, gedeeld door de totale omzet van nieuwe klanten in dezelfde periode.

Naarmate jouw acquisitie toeneemt, neemt de advertentie-efficiëntie doorgaans af. Dit komt omdat je een breder publiek bereikt dat minder vaak van jouw merk heeft gehoord en dus meer meegenomen moet worden om een aankoop te doen.

Om een goed begrip te krijgen van de efficiëntie van elke extra euro, moet je je analyse beperken tot de conversies die je met die euro hebt gewonnen.

Maar als je kijkt naar toenemende uitgaven op een gemengde basis, komt de werkelijke efficiëntie van elke extra euro die je uitgeeft beter naar voren. Dat komt omdat elke euro en elke transactie gemiddeld wordt genomen.

Om een goed begrip te krijgen van de efficiëntie van elke extra euro, moet je je analyse beperken tot de conversies die je met die euro hebt gewonnen.

David Rekuc heeft een goeie thread met grafieken die dit visueel tot leven brengen.

Incrementele impact van de conversies richting de toekomst

Elke klant die je binnenhaalt, kan uiteindelijk meer opleveren dan alleen de eerste transactie, hoewel veel van je klanten niet terugkeren na hun eerste aankoop. Die lifetime value (of LTV) wordt bijna nooit meegenomen in attributiemodellering, terwijl het wel degelijk een impact heeft op de beoordeling van het succes van campagnes.

Laat ik het concreet maken:

• Je gemiddelde acquisitieprijs van een nieuwe klant via Google is €30 (CPA)
• De gemiddelde bestellingswaarde van die klanten is €200 (AOV)
• De gemiddelde return van nieuwe klanten is 30%, wat de LTV van een klant dus €200 + 30% = €260 maakt
• Maar voor dezelfde CPA kun je ook een klant converteren via Pinterest, echter ligt bij Pinterest de return veel hoger, namelijk op 50%. Dit maakt de LTV voor dat kanaal €300

Het is daarom van belang om in de berekening van de incrementele impact ook mee te nemen welke LTV geldt voor de nieuwe klanten die je aantrekt.

Drie populaire attributie modellen uitgelegd

Nu zou je een beter idee moeten hebben van de impact die jouw digitale-marketingbeslissingen betekenen. Maar de volgende stap is om te snappen hoe je dus betere attributie kunt integreren in jouw strategie. Hier is een overzicht van de drie meest voorkomende modellen en hoe ze werken:

Last-Click Attribution

Dit is een van de meest rechttoe rechtaan attributiemodellen op de markt, populair door Google Analytics. In wezen krijgt het laatste kanaal waarmee een klant interactie heeft voordat hij de site bezoekt en converteert, de volledige credit voor de conversie.

Dus als een klant een e-mail ontvangt, en die e-mail vraagt de klant om op Instagram jouw nieuwe product te bekijken, en die klant zoekt vervolgens naar “[jouw merk] + [productnaam]” op Google en klikt op een zoekopdracht advertentie, zou de zoekadvertentie krediet krijgen voor de verkoop. Fair of niet?

In dit voorbeeld is het makkelijk te zien hoe de last-click attributie het belang van andere kanalen voor het genereren van vraag afzwakt en het belang van kanalen voor het vastleggen van de vraag met een lage trechter overschat. Dat betekent niet dat attributie waardeloos is. Het kan nog steeds gebruikt worden als een manier om de basisprestaties in de loop van de tijd bij te houden. Maar om succesvol te zijn, moet je campagnes en kanalen voor demand-generation en demand-capture aan verschillende normen houden.

MTA: Multi-Touch Attribution

Multi-touch-attributie verzamelt de volledige geschiedenis van weergaven en klikken van een gebruiker. Vervolgens worden er statistische modellen toegepast op de gegevens van jouw klanten om te bepalen welke kanalen een conversie hebben ‘veroorzaakt’. MTA is daarom veel specifieker in het meten van de impact van de verschillende kanalen, dan last-click.

Dit is vooral belangrijk wanneer een merk verder gaat dan het eerste betaalde acquisitiekanaal en het dus lastiger wordt om te bepalen via welk kanaal een aankooptraject is gestart.

Natuurlijk kan geen enkel model of tool 100% van de gegevens van elke klant vastleggen. Maar een goed MTA-model zal statistische technieken gebruiken om rekening te houden met gegevens die mogelijk ontbreken.

MTA kan ook geen kanalen vastleggen die puur offline bestaan, zoals billboards. Maar in sommige gevallen is het mogelijk om locatiegegevens van mobiele telefoons te gebruiken om een schatting te krijgen van wie de advertentie buitenshuis heeft bekeken.

MMM: Marketing Mix Modeling

In plaats van te vertrouwen op individuele klantgegevens, verzamelt Marketing Mix Modeling historische gegevens over wanneer advertentiecampagnes werden uitgevoerd, hoeveel budget is uitgegeven en hoeveel conversies er hebben plaatsgevonden. Op basis van deze gegevens wordt een statistisch model gebouwd, evenals seizoens- en historische trends.

De MMM-aanpak is in staat om niet-digitale campagnes mee te nemen. Maar zoals bij elk statistisch model zijn er beperkingen.

MMM kan achteraf de impact van uitzonderlijke situaties zoals COVID-19 meten, maar niet op het moment dat ze zich voordoen. Dus er is (veel) flexibiliteit voor snelle reacties in dit model.

En de conclusies die uit deze modellen worden getrokken, zijn alleen toepasbaar als de omstandigheden waaruit het model is gemaakt relatief gelijk blijven. Voor meer informatie over de verschillende veelgebruikte attributie-modellen raad ik je aan om dit artikel van Ruud Buijserd te lezen.

De beperkingen van attributiemodellen

Wij als mensheid moeten nog een statistisch model ontwikkelen dat de toekomst kan voorspellen. Maar voor nu kunnen deze attributiemodellen jou een duidelijker beeld geven van wat er in het verleden is gebeurd en waarom. Ze kunnen jouw beslissingen niet volledig overnemen.

Modellen vertellen je wat werkt en wat niet. Maar ze zullen je niet vertellen hoe je jouw problemen kunt oplossen als jouw huidige aanpak niet werkt.

Hier is een voorbeeld: laten we zeggen dat jij advertenties draait op Facebook, Pinterest en Google. Nadat je een attributiemodel hebt gebruikt om een analyse te maken, ontdek je dat de Pinterest-uitgaven winstgevender zijn dan je dacht en dat de Facebook-uitgaven bijna geen incrementele groei veroorzaken.

Met behulp van deze informatie kun je zien wat er gebeurt als je jouw Facebook-budgetten aanpast en die euro’s in Pinterest investeert.

Het model zal je niet vertellen wat je moet doen zodra Facebook en Pinterest zijn opgeschaald tot het punt waarop beide kanalen geen incrementele groei meer leveren. En het zal je niet vertellen wat je moet doen als Facebook plotseling onrendabel wordt als je je investerings- of campagnestrategie niet hebt gewijzigd.

Gegevens en modellen lossen niet elk probleem op. Er is nog steeds behoefte aan creatieve marketing strategieën, maar dit helpt als het goed is wel met meer winstgevende keuzes te maken in jouw strategische beslissingen.

Kom je er nog niet helemaal uit hoe je een attributie tool het beste voor jouw merk in kan zetten? Laat het me weten en neem contact op!