Kiedy 2+2 nie zawsze równa się 4, czyli jak oceniać wyniki kampanii

W zarządzaniu budżetami reklamowymi bardzo często pojawia się problem zawarty w dwóch zdaniach przez Johna Wanamaker’a, amerykańskiego pioniera reklamy: „Połowa pieniędzy wydawanych na reklamę jest wyrzucana w błoto. Problem w tym, że nie wiem, która połowa”.

Wanamaker nie żyje już prawie od 100 lat. Jakie zmiany nastąpiły w ciągu tego okresu w ocenie skuteczności reklam? Wiemy, że problem jest dużo bardziej skomplikowany i nie poddaje się prostemu schematyzowaniu. Budujemy modele atrybucji, podążamy za użytkownikiem, tworząc Customer journey, na każdej stronie pojawiają się informacje o wszechobecnych plikach cookies a dodatkowo chcielibyśmy policzyć ROI dla każdej wydanej na reklamę złotówki. Natłok informacji jest tak duży, że chcąc wytłumaczyć, o co w tym wszystkim chodzi, należy wyjść od czegoś prostszego:

2+2=4

Matematyka  mówi, że 2+2=4, ale w zarządzaniu budżetami reklamowymi nic nie jest takie proste.

PRZYKŁAD 

Prowadzimy rowerowy sklep internetowy. Załóżmy, że współpracujemy z dwoma agencjami marketingowymi obsługującymi różne kanały reklamowe. Agencje nazywają się: Lorem i Ipsum. Po zakończeniu prowadzonej kampanii otrzymujemy raporty: Lorem raportuje „2” sprzedaże, Ipsum „2”, a nasz CRM pokazuje tylko 3 sprzedaże. Co się stało?

2+2=3

Opisana sytuacja przedstawia bardzo powszechny problem: komu w takiej sytuacji przypisać tę transakcję? Przecież działania marketingowe powinny odbywać w cyklu trzyetapowym: planowanie, testowanie, wnioskowanie.

WNIOSKI

Jeżeli na sprzedaży jednego roweru mamy marżę 100 zł a na każdą z kampanii wydaliśmy po 125 zł, może okazać się, że jedno ze źródeł jest nieopłacalne. Interpretacji może być wiele – jeżeli spojrzymy na kampanię holistycznie: kampania kosztowała 250 zł, zarobiliśmy 300 zł – jesteśmy do przodu – hura!

Ale wtedy byłby to  bardzo krótki artykuł i nie dowiedzielibyśmy się niczego nowego.  Musimy bardziej wniknąć w temat. Wyjdźmy na początek od tego, w jaki sposób agencje mierzą efekty swoich kampanii.

Mierzenie efektów kampanii

Zasada jest prosta, przy interakcji z reklamą, przeglądarka użytkownika otrzymuje plik cookie. Kiedy użytkownik  znajdzie się na stronie z podziękowaniem za zakup, znajdujący się tam kod sczytuje plik cookie i wysyła do systemu raportującego informację o sukcesie. Wracając do przykładu z rowerami, w przypadku sprzedaży nr 2, klient przed zakupem miał kontakt z reklamami obu agencji. Ale czy cookie dwóch agencji są sobie równe? Jeśli nie, to jak możemy  zbadać różnice i czy ta wiedza pozwoli nam zdecydować, której agencji przypisać sprzedaż? Czy któraś z reklam, miała większy wpływ na decyzję użytkownika,  dotyczącą wyboru tego konkretnego sklepu internetowego i tego konkretnego roweru?

Przyjrzyjmy się zatem czynnikom, które mogły wpłynąć na ocenę ruchu z obu przykładowych agencji.

Post view/Post click

Pierwszą kwestią, na którą należy zwrócić uwagę jest rodzaj interakcji jaki z reklamą miał użytkownik w momencie, gdy otrzymał cookie. W najprostszym modelu byłoby to wyświetlenie mu reklamy bądź kliknięcie użytkownika w reklamę.  Możemy założyć, że reklama, która bardziej zaangażowała klienta, miała większy wpływ na decyzję o zakupie roweru. Kolejne możliwe założenie związane jest z siłą zaangażowania – kliknięcie jest bardziej angażujące od wyświetlenia ze względu na występowanie m.in. takich zjawisk jak banner blindness czy wyświetlanie bannerów beneath the fold. Ale czy tak dzieje się zawsze? Zawsze to mocne słowo, więc powiemy, że są wyjątki – tak bezpieczniej. Ale kiedy tak nie jest? Jaka jest szansa, że użytkownik tak zaangażował się w reklamę wideo po 5 sekundach, że zdecydował się kliknąć w nią by poznać więcej szczegółów? A jaka jest szansa, że skończyło się odliczanie do możliwości pominięcia reklamy i użytkownik nie trafił w przycisk? Co więcej, czy zawsze kliknięcie jest tak samo angażujące jak wyświetlenie reklamy? Co w przypadku formatów rich mediowych czy to playerów z małymi iksami do zamykania ich? Czego powinniśmy być pewni? Wiemy, że na różnicę w zaangażowaniu użytkownika w reklamę (podczas kliknięcia i odsłony) wpływają 2 czynniki:

  • Atrakcyjność, interaktywność formy (wideo bardziej, niż banner), która sprawia że wyświetlenie ma dla nas większą wartość.
  • Ilość przypadkowych kliknięć w reklamę – małe iksy do zamykania, pomijania reklam, wyłączania dźwięku. Im trudniej “pozbyć się” irytującej reklamy – tym więcej przypadkowych klików. Im więcej przypadkowych klików – tym mniejsze  szansa na przekonanie użytkownika do zakupu roweru numer 2.

Kolejność na ścieżce konwersji

A co jeśli przed zakupem roweru użytkownik kliknął w obie reklamy? Jakie czynniki powinny zdecydować o tym, które źródło lepiej ocenić? Wielu marketerów twierdzi, że powinno się brać pod uwagę  kolejność na ścieżce konwersji. Tutaj z pomocą przychodzą modele atrybucji. Można przypisać 100% ostatniej interakcji zakładając, że to właśnie ona domknęła sprzedaż, można przypisać 100% pierwszej, gdy twierdzimy, że zapoznała użytkownika z marką, można podzielić zasługi, jednakowo lub różnicując. Więcej o modelach atrybucji piszemy tutaj.

Tak czy inaczej na ścieżkach konwersji możemy wyróżnić 3 rodzaje kanałów:

  • Introducer – jest to pierwszy kanał, z którym użytkownik miał kontakt przed konwersją. Jest to kanał, który zapoznał użytkownika z marką lub produktem. Bardzo często takim kanałem jest social, porównywarki cenowe lub kampania SEM na słowa generyczne (rower Kraków).
  • Influencer –  są to wszystkie kanały, które nie były ani pierwsze ani ostatnie na ścieżce konwersji, z założenia wspomogły użytkownika w podjęciu decyzji. Tutaj  bierzemy pod uwagę większość kanałów.
  • Closer –  jest to ten kanał, który sprzedał, last click, the take-it-all. A tak naprawdę jest to kanał który ostatni wystąpił na ścieżce konwersji. Często jest to remarketing, kampania na słowa brandowe w SEMie lub ruch organiczny serwisu.

To w teorii, a w praktyce: jeśli użytkownik dowiedział się o swoim rowerze wcześniej niż 30 dni przed zakupem, to kanał który “przedstawił” mu jego rower nie zostanie zapewne potraktowany jako introducer. Wiąże się to z tym,  że pliki cookie mają swój termin ważności, który mija zazwyczaj w ciągu 30 dni po interakcji. A co w sytuacji gdy ktoś wchodzi na naszą stronę z porównywarki cenowej, a 5 minut później wyszukuje naszą markę w Google – czy faktycznie możemy śmiało stwierdzić, że wyszukiwarka Google jest tu ważniejsza niż porównywarka? Pojawiają się więc jeszcze inne kwestie, które należałoby poruszyć: time lag i życie cookie, wpływ rozpoznawalności marki na analizę atrybucji.

“Time lag”, “time decay” i życie cookie

W naszych rozważaniach pojawia się kolejny wymiar – czas, a w raz z nim kolejne znaki zapytania:

  • Czy użytkownika do zakupu roweru bardziej zachęciła reklama, w którą kliknął tydzień temu, czy bardziej reklama, w którą kliknął wczoraj?
  • Jak daleko powinniśmy patrzeć wstecz w swoich analizach?

Zacznijmy od pierwszej wątpliwości. Zwróćmy uwagę, że nie zadajemy tu pytania, którą reklamę użytkownik lepiej pamięta, tylko która bardziej na niego wpłynęła. Naturalne jest, że zaczynamy zastanawiać się, jaka była komunikacja w tych kampaniach, jaki rodzaj kanałów, ale skoncentrujmy się na omawianym czynniku – czasie. Tendencję najłatwiej zauważyć, zwiększając skalę – jakie jest prawdopodobieństwo, że do zakupu użytkownika zachęciła bardziej reklama, w którą kliknął rok temu? Można stwierdzić, że wpływ reklamy na użytkownika zmniejsza się wraz z upływem czasu. Ale w jakim stopniu? Do określenia skali można użyć statystki, mówiącej ile średnio trwa Customer journey – od pierwszego kanału, który zmierzyliśmy po zakup. Ta statystyka to „time lag”.

Jeśli w naszym sklepie z rowerami użytkownik potrzebuje średnio tydzień na podjęcie decyzji o zakupie, to 7 dni staje się dla nas jakimś wyznacznikiem wpływu reklamy na użytkownika. Tej statystyki możemy użyć  w modelu konwersji „time decay”. Model „time decay” polega na przyporządkowaniu kanałom udziału konwersji, wynikającego z czasu jaki minął pomiędzy interakcją a konwersją. Należy ustalić również „half life” – czas, po którym udział kanału w konwersji spada o połowę. Szacując  „half life” warto posłużyć się time lagiem, a przynajmniej  wziąć go pod uwagę. Następnie według tej wartości czasu powinniśmy ustalić udział.

Przykład:

średni „time lag” w sklepie z rowerami: 1 tydzień
„half life”: 1 tydzień

kampania Lorem – interakcja z reklamą tydzień przed konwersją ➠ jednokrotnie zmniejszamy wagę o połowę ➠ waga przydzielona przez model „time decay” – 50%

kampania Ipsum – interakcja z reklamą 2 tygodnie przed konwersją ➠ dwukrotnie zmniejszamy wagę o połowę ➠ waga przydzielona przez model „time decay” – 25%

W związku z tym, że 1 konwersję dzielimy między 2 kanały i że waga Lorem jest 2 razy większa niż Ipsum, konwersja zostaje zliczona w następujący sposób:

Lorem 66,6%
Ipsum 33,3%

Wracając do drugiego pytania – jak daleko w przeszłość powinniśmy zaglądać, badając wpływ kampanii naszej reklamy na efekty kampanii? Standardowo na rynku przyjęło się 30 dni, ale czy to jest zawsze dobre rozwiązanie?

Niekoniecznie. Jeżeli sprzedajemy produkty o długim procesie decyzyjnym droższe typu premium, jak:  wycieczki all inclusive, luksusowa biżuteria, samochód, 30 dni na analizę może okazać się niewystarczające. W przypadku kampanii produktów codziennego użytku 30 dni może okazać się za długim okresem. Jak ocenić, jaka długość życia cookie jest najodpowiedniejsza? Z pomocą przychodzi znowu „time lag”. Tym razem powinniśmy się przyjrzeć, jaki jest najdłuższy time lag w naszej kampanii, można też użyć np. zasady Pareto i sprawdzić w jakim czasie wpada 80% naszych zamówień.

Wpływ rozpoznawalności marki

W całym artykule celowo pomijałem wpływ marki na wszystkie rozważania. Miało to na celu przyjrzenie się wszystkim dotychczasowym zagadnieniom w próżni, bez uwzględnienia wpływu innych czynników. Niemniej, świadomość marki i lojalność  klientów ma gigantyczne znaczenie w analizach atrybucji. W przypadku, kiedy marka nie jest znana i nie ma jeszcze stałych klientów, wpływ samego wyświetlenia reklamy na sprzedaż jest znacznie większy niż w przypadku marki, która jest znana wszystkim i widoczna na każdym rogu. Jeśli sklep internetowy co miesiąc generuje wiele akcji sprzedażowych, tym większe prawdopodobieństwo, że konwersja typu post-view jest przypadkowa.

Tak samo w przypadku, kiedy ścieżkę konwersji otwiera źródło wymagające wcześniejszej znajomości marki, takie jak kampania na słowa brandowe w Google, retargeting lub direct. Podobne „kontrowersje” związane są z retagretingiem i zasługami tego kanału za sfinalizowanie sprzedaży. Przykładowo,  retargeting bardzo często zamyka proces sprzedażowy ze względu na to, że wyświetla się po podjęciu decyzji przez użytkownika. W związku z tym, że kiedyś „Last Click” był jedynym wykorzystywanym modelem atrybucji, retargeting właśnie w Last Clicku ma dużo lepsze wyniki niż w innym modelach atrybucji.

W związku z korzyściami wynikającymi z rozpoznawalności marki możemy znaleźć się w sytuacji, kiedy:

2+2=5

Jak to możliwe?

Najbliższy rzeczywistości jest ten obraz kampanii: są konwersje, które w oczywisty sposób możemy przydzielić do jednego kanału, są takie, które możemy przydzielić do kilku źródeł. Bardzo często są sytuacje, kiedy konwersji nie jesteśmy w stanie przypisać do żadnego z kanałów.

Co to oznacza? Jedną z dwóch sytuacji:

A. Cała ścieżka zakupowa konsumenta (z ang. Customer journey) miała miejsce na innym urządzeniu lub w mediach offline (radio, TV) i przy obecnym stanie technologii nie jesteśmy ich w stanie powiązać na 100%.

B.  Użytkownik zna naszą markę bardzo dobrze, jest jej lojalnym klientem i dodatkowa reklama nie zachęci go do zakupu. Prowadzi to do jednego wniosku (niezbyt odkrywczego): WARTO ZAINWESTOWAĆ W BUDOWANIE MARKI.

Pytanie na koniec – ile inwestować i jak mierzyć zwrot z takiej inwestycji?

Łatwiej będzie odpowiedzieć na pierwszą część pytania. Przy ustalaniu budżetu na promocję produktów czy usług marki powinniśmy brać pod uwagę zysk ze sprzedaży, które te produkty (usługi) generują  bez przypisania do żadnego ze źródeł. Oczywiście budżet ten możemy wykorzystać na źródła, które generują największą liczbę sprzedaży. Ale czy aby tylko sprzedaż ma znaczenie? Może być taka sytuacja, że proces decyzyjny rozpoczynamy na jednym urządzeniu a kończymy na innym. Jak więc możemy inaczej zbadać efekt wizerunkowy kampanii? Musimy mierzyć WSZYSTKO, każdy kontakt  z marką i wziąć wszystkie wnioski pod uwagę przy podejmowaniu decyzji. Wszystko a więc: wzmianki o marce w social media, wyszukania brandowe, ruch organiczny na stronie, zmiany w średniej konwersji na sprzedaż na stronie czy zasięg kampanii, które prowadzimy. Wszystkie informacje należy skorelować w czasie z działaniami, które prowadziliśmy.

Podsumowanie

Czy nadal wiemy, którą połowę pieniędzy wydanych na marketing wyrzucamy w błoto? Nie do końca. Jesteśmy w stanie lepiej to oszacować, ale wciąż nie możemy tego dokładnie określić.  Współczesna technologia rozwija się jednak tak szybko, że z miesiąca na miesiąc wiemy coraz więcej. Może za kolejnych X lat będziemy mogli precyzyjnie wskazać, którą część wydajemy efektywnie, a która nie ma z efektywnością nic wspólnego.

 

Artykuł ukazał się w na łamach Nowego Marketingu.

Share Button