2. Markkinoijan intuitio – siunaus vai kirous?
2
Mitä enemmän markkinoijalla on
kokemusta, sitä paremmin luulee
tietävänsä miten tehdä asiat.
Kuitenkin todellisuudessa
kokenutkin ammattilainen voi
olla väärässä.
Kokemuksen myötä nopeus
erilaisten vaihtoehtojen arviointiin
kasvaa. Samalla kyky ajatella
niiden ulkopuolella heikkenee.
Markkinoijan intuition
harhaa ei pidä koskaan
unohtaa…
3. Analytiikka kumoaa ”markkinoijan intuition”
“After analyzing the online buying behavior of over
600,000 consumers across numerous e-commerce sites,
I learned that surprisingly 75 percent of shopping cart
abandoners would actually return to the site they
abandoned within a 28-day period. This defies
conventional wisdom: we polled online marketers and 81
percent believed that the majority of abandoners
never return.” (SeeWhy, 2013)
3
I’m a marketer.
I’m always
right!
4. Wanamakerin dilemma (ca. 1901)
“Half the money I spend on advertising is wasted;
the trouble is I don’t know which half.”
• Markkinoija käyttää monta kanavaa.
• Tiedetään, että mainonta lisää myyntiä.
• Ei aina tiedetä miksi, eli mikä kanava tuottaa kuinka
paljon.
• Jos markkinointitoimenpiteitä ei voi mitata, niitä ei voi
parantaa.
4
6. Myynnin arvon allokointi: esimerkki
• Olet ElämysLahjojen markkinointipäällikkö
• Sinulla on yksi 1000 € myyntikonversio
• Analytiikasta näet, että siihen on johtanut neljä
klikkiä.
• Viimeinen klikki on tullut Google-mainoksesta
hakusanalla ‘elämyslahjat’.
Miten allokoit konversion arvon?
6
8. Attribuutiomallit (Google, 2013)
Viimeisin kosketuksen malli 100 % konversion arvosta
viimeiselle kosketukselle (kampanja, kanava)
Ensimmäisen kosketuksen malli 100 % konversion arvosta
ensimmäiselle kosketukselle
Lineaarinen attribuutiomalli jokainen kosketus saa tasaisesti
osan konversion arvosta (esim. 3 kosketusta = 33 % kullekin)
Aikapohjainen attribuutiomalli viimeisempänä konversiota olleet
kosketukset saavat suuremman osan konversion arvosta kuin
kaukaisemmat (aikakerroin)
Etu- ja keskipainotettu attribuutiomalli 40 % konversion arvosta
ensimmäiselle kosketukselle, 40 % viimeiselle kosketukselle, ja 20 %
jaetaan kaikkien väliin jäävien kosketusten välillä.
8
11. ”Viimeisen klikin harha” (last touch bias)
• käytössä olevalla analytiikkatyökalulla pystytään
erottamaan vain viimeinen, konversion tuonut
interaktio (ollaan siis sokeita aiemmille kosketuksille)
• tämän perusteella päätellään että tietty kampanja sai
aikaan konversion, vaikka ainakin osa konversion
arvosta pitäisi sijoittaa aikaisemmille kampanjoille
• miksi tärkeää?
– tuloksena on attribuutiovirhe, jonka seurauksena
voidaan tehdä huonoja allokointipäätöksiä (vrt.
Facebook & suora ROI).
11
12. Attribuutiomallin riski: tarkastelun lyhyt
aikajänne (Goldberg, 2013)
“While our natural tendency is to generally use short
lookback periods (say, 7 days or a month, for example),
on an attributed basis, it’s important to lengthen this out.
The reason is simple… If customers lag a bit before
squeezing the trigger, it’s going to take time for
[conversion] to appear. I like to use 60-90 days as a
lookback period on keywords/ad groups that I know
have a tendency to introduce or influence a conversion
as opposed to closing, so that I can capture as much
information as possible into my bid rule.”
12
13. Viivästynyt konversio (deferred conversion)
13
n. 60 % konversioista tulee
ensimmäisen päivän sisällä, mutta
huomattava osa yli viikon päästä
(ElämysLahjat.fi)
14. Markkinointitulosten pitkäaikainen
tarkastelu
“This is the search graph for Kodak – Successful campaigns, yet no
gained growth. You can see that regardless of their marketing efforts.
Their growth is negative.” (Åström, 2013)
14
• markkinointi ei kompensoi tuotteen
kilpailukyvyn menetystä
• disruptiivinen innovaatio disruptoi myös
markkinointiefektit
15. Haineväefekti (= shark fin effect)
“This is the search graph for ‘Mitt Romney’ and as you
can see… no one cares about Mitt Romney if he doesn’t
buy a shit load of media to get elected.” (Åström, 2013)
15
• kampanjoinnin tulokset voivat jäädä lyhytkestoisiksi
• tämän vuoksi monet digimarkkinoinnin toimenpiteet
ovat jatkuvia (prosessi, ei kampanja)
• prosessi voi vaihdella suuresti, esim.
hakukonemarkkinointi on usein sesonkisidonnaista
18. ”Mites tää offline?”
“Can you share some insights on how does one go
about building cross-channel attribution models? I
understand for digital attribution there is a so called
paper trail - all interactions whether through search
engines, organic, referrals, social media can be tagged.
However, how can one integrate offline as well for e.g.
TV, radio spots, billboards, call center IVRs?”
You can’t.
18
19. Offline-myyntien mittaaminen
“An eye doctor spends $5,000 in one year to bring 10,000 visitors to
her website. In the same year, the doctor spends $5,000 on an ad in
a local weekly newspaper. Discuss the limitations and advantages of
each type of advertising. Describe how you might track each type of
advertising.” (Google, 2007)
Taktiikoita:
– Promokoodi (ostoskori -> CMS)
• OPTIIKKA, niin saat -10 %
– Erillinen puhelinnumero (puhelustatistiikka)
• 0800-SILMÄT
– Erillinen URL (Analytics)
• Eyedoctor.com/alekampanja
19
20. Universaali analytiikka (Brown, 2013)
”[It’s] going to be a major factor in driving organisations to
migrate to Universal Analytics, and a major benefit they’ll
see as a result of doing so. It’s all thanks to the
Measurement Protocol which is one of the core
components of Universal Analytics.
It allows us to send data from pretty much any device, and
collect it in Universal Analytics. This means we can finally
link in-store transactions with campaigns and, via a loyalty
card tagged to a User ID, with an entire history of user
interactions with our brand.”
20
22. Analyysiprosessi
1. Hanki data
2. Siivoa data
3. Analysoi eri mallein / tavoin (GA-raportit, tilastolliset
mallit, visualisointi)
4. Tee päätelmiä
5. Esitä tulokset (raportti, visualisointi)
22
27. Mitä analytiikalla voi saada aikaan:
Analyysiesimerkkejä (Google Analytics)
• ROI:n laskeminen kanavakohtaisesti, esim. AdWords, FB,
display-verkostot
• avustavien konversioiden näyttäminen
• arvokkaimmat sivut
• sivut joissa korkea konversio JA matala liikenne
• keskiostoksen kehitys
• voitollisuus (edellyttää katetietoa)
• toimialavertailu
• poistuma (suurimmat poistumasivut)
• ostokäyttäytymissegmenttien tarkastelu
• affinity eli kiinnostuneisuusanalyysi (sekä demograafinen
analyysi)
• konversiopolut (mistä kanavista asiakkaat tulevat)
27
28. Mobiilianalytiikka (Vuokko, 2015)
On kriittistä analysoida mitä
ominaisuuksia EI käytetä ja siltä
pohjalta karsia niitä. Pitää myös
analysoida mitä ominaisuuksia
käytetään, miten ja miksi.
Klassinen esimerkki on Instagram,
joka oli aluksi jotain ihan muuta
mutta pivotoi filttereihin koska ne
olivat sovelluksen käytetyin
ominaisuus.
Ja on-boardingista Twitter, jonka
alkukokemuksen analysointi johti
retention merkittävään kasvuun.
(Salminen, 2015)
28
30. Miten analytiikka toimii? (Mullins, 2011)
30
• käyttäjät
• sessiot
• vuorovaikutukset
Nettisivu
JavaScript-
koodi
Googlen palvelin
Raportoitava
data
Tietoja voidaan
kerätä myös
evästeillä.
• dimensiot
(laadullinen)
• mittarit
(määrällinen)
31. I. Alustakohtaiset mittarit:
– PageRank, Quality Score (Google)
– EdgeRank (engagement), Relevance Score (FB)
II. Verkkosivu (ennen klikkiä):
– CPM (cost per mille)
– CPC (cost per click)
– CTR (click-through rate)
III. Verkkosivu (klikin jälkeen):
– BR (bounce rate)
– CVR (conversion rate)
– CPA (cost per action)
– CAC (customer acquisition cost)
– ROI (return on investment)
– CLV (customer lifetime value)
Digitaalisen markkinoinnin perusmittarit
31
32. Alustalle optimointi voi olla ristiriidassa
bisnestuloksille optimoinnin kanssa
32
Kumpi mainos on onnistuneempi?
Mainos A Mainos B
Laatupisteet 10 3
CTR 10 % 3 %
Näyttökerrat 1000 1000
Klikit 100 30
Konversiot 15 15
Tuotto 1500 € 1500 €
Kustannukset 500 € 150 €
33. Alustalle optimointi voi olla ristiriidassa
bisnestuloksille optimoinnin kanssa
33
Kumpi mainos on onnistuneempi?
Mainos A Mainos B
Laatupisteet 10 3
CTR 10 % 3 %
Näyttökerrat 1000 1000
Klikit 100 30
Konversiot 15 15
Tuotto 1500 € 1500 €
Kustannukset 500 € 150 €
34. Alustalle optimointi voi olla ristiriidassa
bisnestuloksille optimoinnin kanssa
34
Mainos A Mainos B
Laatupisteet 10 3
CTR 10 % 3 %
Näyttökerrat 1000 1000
Klikit 100 30
Konversiot 15 15
Tuotto 1500 € 1500 €
Kustannukset 500 € 150 €
ROI ? ?
35. Alustalle optimointi voi olla ristiriidassa
bisnestuloksille optimoinnin kanssa
35
Alustan sisäiselle dynamiikalla optimoitu
ratkaisu ei välttämättä optimoi mainostajan
saamaa tuottoa (Libby, 2009).
Mainos A Mainos B
Laatupisteet 10 3
CTR 10 % 3 %
Näyttökerrat 1000 1000
Klikit 100 30
Konversiot 15 15
Tuotto 1500 € 1500 €
Kustannukset 500 € 150 €
ROI 200% 900%
36. CPM (cost-per-mille)
Tuhannen näyttökerran hinta.
36
Hyvät puolet Huonot puolet
Kuvaa ”reachia” eli peittoa,
eli ”tunnettuuden” kasvua,
eli brändin rakentamisen
edellytystä
Bännerisokeus (Benway &
Lane, 1998)
Ei kuvaa lainkaan tuloksia,
ts. prosessoidaanko viesti,
klikkaako joku ja mitä käy
klikin jälkeen
37. CPC (cost-per-click)
Klikin hinta (€)
37
Hyvät puolet Huonot puolet
Ohittaa bännerisokeuden
(jotta klikkaa, pitää ensin
prosessoida)
Klikkipetos (joidenkin
arvioiden mukaan jopa 30
% klikeistä petollisia, esim.
botit)
Maksetaan vain kävijöistä Klikki ei kerro mitään
lopullisista tuloksista
Taitava liikenteenajaja voi
ajaa epärelevanttia
liikennettä, jolloin yritys
maksaa turhasta
38. CTR (click-through-rate)
• Klikkaussuhde (%)
• CTR = klikanneet / kaikki mainoksen nähneet
38
Hyvät puolet Huonot puolet
Kertoo miten hyvin mainos
on toiminut
Ei kerro miten laadukasta
liikenne on, tai miten hyvä
yhteensopivuus
kohdesivustolla ja
mainostetulla asialla on
Ei korreloi myynnin,
mainoksen muistettavuuden
(ad recall), tunnettuuden tai
ostointention kanssa
(Nielsen, 2011)
CTR:ää voi nostaa
epäaidoilla lupauksilla
39. CPA (cost-per-action)
Toiminnon (yl. myyntitapahtuman) kustannus (€)
39
Hyvät puolet Huonot puolet
Ohittaa klikkipetoksen
(näyttää vain klikin jälkeiset
tapahtumat)
Maksuperusteena
harvinainen (lähes
ainoastaan affiliatet)
Maksetaan vain myynneistä Mittarina ei kerro mitä
tapahtuu 1. oston jälkeen
(elinkaariarvo)
Ei kerro kuinka moni
konvertoitui tai kuinka hyvin
suhteellisesti
Missaa myös
ulkoisvaikutuksia, kuten
WOM:in vaikutuksen
40. CVR (conversion rate)
• Konversiosuhde (%)
• CVR = ostaneet / kaikki klikanneet
40
Hyvät puolet Huonot puolet
Kertoo mitä klikin jälkeen on
tapahtunut
Ei mittaa voittoa
Ei mittaa kuinka paljon
rahaa on käytetty (pieni vs.
merkittävä hakutermi)
(Geddes, 2011)
41. ROI (return on investment)
• Tuotto markkinointipanostuksille
• ROI = (P – C) / C * 100% ,
• jossa
– P = panostuksen (esim. kampanjan) tuotto
– C = kustannukset
41
Hyvät puolet Huonot puolet
Kertoo mitä klikin jälkeen on
tapahtunut
Ei ota huomioon katetta
(hyvä ROI voi silti tarkoittaa
tappiollista markkinointia);
tuotekohtaiset erot
Ottaa huomioon myynnin Ei ota huomioon
elinkaariarvoa
42. CLV (customer lifetime value)
• Asiakkuuden elinkaariarvo = kaikki tuotot (€), jotka
asiakkaalta saadaan koko asiakkuuden aikana
• Yleensä tavoitellaan, että CAC < CLV
• CAC = asiakashankinnan kustannus
42
Hyvät puolet Huonot puolet
Ottaa huomioon mitä
tapahtuu oston jälkeen
(asiakasuskollisuus, -kato)
Vaikeampi mitata
Tiedetään tarkalleen vasta
jälkikäteen
45. On anonyymia ja ihmispohjaista
analytiikkaa
• Yleensä tiedot kerätään anonyymisesti ja esitetään
yleensä aggregaatteina (yksittäisiä käyttäjiä ei
tunnisteta). (Näin on esim. GA:ssa.)
• Poikkeuksena on ns. ihmispohjainen seuranta, jossa
nimenomaan pyritään seuraamaan yksilöitä. Tätä
sovelletaan yleensä yritysten välisessä kaupassa
(markkinoinnin automaatio).
45
46. Absoluuttiset ja suhteelliset mittarit
• Tarvitset molempia
• Absoluuttinen kertoo kuinka iso merkitys jollain
asialla on (kampanjan klikit, konversiot,
kustannukset), suhteellinen kuinka hyvin se toimii
(kampanjan klikkiprosentti, konversioprosentti)
46
47. Case 1: Negative Correlation between
Conversion Rate and Average Order Value
47
(Sharma, 2012)
48. Case 1: Negative Correlation between
Conversion Rate and Average Order Value
48
(Sharma, 2012)
49. Case 2: Negative Correlation between
Conversion Rate and Transactions
49
(Sharma, 2012)
50. Case 2: Negative Correlation between
Conversion Rate and Transactions
50
(Sharma, 2012)
51. Case 3: Positive Correlation between
Conversion Rate and Acquisition Cost
51
(Sharma, 2012)
52. Kaksi riskiä datan suhteen
a. Analyysiparalyysi (analysis paralysis)
= ei tehdä mitään, koska liikaa dataa
b. Turhamaisuusmittarit (vanity metrics)
= seurataan typeriä mittareita ja leikitään että
tehdään hyvää työtä
Ratkaisu: valitaan oikeat mittarit ja keskitytään
niihin.
52
53. ”Mitataanko sitä mitä on helppoa mitata vai
sitä mitä on järkevää mitata?”
53
(Järvinen, 2015)