Joni

I hate to see investors coming into a growing startup… here’s why

english

I hate to see, from a customer’s perspective, investors coming into a growing Web startup.

Because it only means rising prices.

The logic is this: 1) the investors need a positive return, and 2) the startup is growing because it has created something valuable, in most cases significantly more valuable than what it is charging from the customer.

Therefore, the investor logic is to raise the price and narrow down the extant value gap, i.e. charge according to the value provided (or, closer to it). However, most customers will still stay, because they keep getting more value than what they pay, even with increased prices, and therefore the startup can maximize its revenue. In addition, there would be a switching cost associated with finding a new provider, such as learning the new tool, configuring it, exporting/importing data, etc. So basically, this strategy is a form of value transfer from the customer to the startup — or, more correctly, to the investor.

Next, we’ll explore what this means for investors and founders.

1. Implications for investors

The major implication for an investor of course is that it makes sense to identify startups which are growing fast but have not optimized the value capture part of their business model.

However, a major difference lies in between having some revenue and not having revenue at all; in the latter case, the growth might be just an indicator of popularity, not business potential. (See my dissertation on startup dilemmas for a thorough elaboration of this topic.)

2. Implications for founders

The major implication to a startup is that if you seek funding, price your product well below the value provided, thereby sacrificing unit-level profitability for growth. But if you want to stay away from investors, experiment with rising prices – that way, it’s only you keeping the surplus. Obviously, this is “ceteris paribus”, so it excludes the potential revenue uplift from scaling with investor money. As we know, the only reason to bring in an investor is to grow the size of the business and thereby also increasing the founder’s personal profit, regardless of stock dilution.

Dr. Joni Salminen holds a PhD in marketing from the Turku School of Economics. His research interests relate to startups, platforms, and digital marketing.

Contact email: [email protected]

Joni

Koneoppiminen ja Googlen algoritmi

suomeksi

Johdanto

Tämä postaus sisältää muutamia Rand Fiskinin (MOZ) “What Deep Learning and Machine Learning Mean For the Future of SEO” -videosta syntyneitä ajatuksia.

Video löytyy täältä, ja se kannattaa katsoa jotta pysyy kärryillä.

Mikä on SEO:n tulevaisuus koneoppimisen myötä?

Kukaan ei varmasti tiedä, miltä osin Google on jo implementoinut koneoppimisen periaatteita sijoittelualgoritmiinsa. Kertauksen vuoksi, koneoppiminen voidaan määritellä avustetuksi tai avustamattomaksi ohjelmistotoiminnaksi, jossa algoritmi löytää ns. harjoitusaineiston avulla yleisesti tehokkaimman ratkaisun tiettyyn, määriteltyyn tavoitteeseen nähden

Fiskinin visiossa Google soveltaa koneoppimista niin, että sijoittelualgoritmin sisältö (ominaisuudet ja niiden painotukset) ei olisi enää ennalta määritelty, vaan se tehtäisiin koneoppimisen kautta. Tähän liittyen algoritmilla ei olisi yleistä muotoa, vaan se mukautuisi esim. hakuteemojen ja hakijoiden mukaan (jo nythän tuloksia personoidaan hakijan tunnettujen ominaisuuksien mukaan).

Tärkein “uusi” hakukoneoptimoinnin parametri?

Mikäli koneoppimisalgoritmi määrittäisi kaikista saatavilla olevista datapisteistä merkittävimmät onnistuneen haun kannalta (tulkittu ei-palaavana hakijana tietyllä lyhyellä aikajaksolla), mikä olisi tärkein SEO-parametri? Tietysti ländäri, jonka pitäisi varmistaa että kävijä jää.

Toiseksi tärkein olisi SERP-teksti, johon voidaan vaikuttaa metadatalla ja HTML-tägeillä (yllätys yllätys, niillä jolla “ei ole enää väliä”), koska siinä pitäisi a) saavuttaa suhteellisesti korkea CTR ja b) viestiä totuudenmukaisesti, jotta relevanssi SERPin ja ländärin välillä pysyy korkealla tasolla.

Kuten huomataan, kumpikaan näistä parametreistä ei ole uusi, eikä uusia parametrejä voi syntyäkään niin kauan kuin algoritmin käytettävissä olevat ominaisuudet (ominaisuusavaruus) eivät laajene.

Koneoppimisen riski

Koneoppimisen soveltamisessa on mukana yleisesti tunnettu “big datan” helmasynti, eli harhaanjohtavat korrelaatiot. Mitä enemmän hakujen tulkinnassa mennään kontekstisidonnaisuuteen, sitä todennäköisemmin mukaan tulee harhaanjohtavia korrelaatioita. Mitä enemmän muuttujia kone ottaa mukaan (tuhansia), sitä todennäköisemmin mukaan tulee harhaanjohtavia korrelaatioita. Eli “totuuden” selvittäminen vaatii aina kontrolloitua testausta, ja sen puute on merkittävä rajoite tavanomaisissa koneoppimisimplementoinneissa.

Johtopäätös: Ei mitään radikaalia

Jos Fiskinin visiota vertaa nykyiseen Google-algoritmiin (sellaisena kuin se yleisesti tunnetaan), niin nykyisin käytetään suoria mittareita, joiden perusteella lasketaan pistearvo ja pistearvot summaamalla määritetään indeksissä olevien sivujen sijainnit suhteessa tiettyyn hakuun.

Uudessa mallissa kone rakentaisi mallin joka mittaisi suorien mittareiden välisiä suhteita, vaikka niin että mistä mittareista bounce muodostuu (ts. mitkä ennustavat sitä parhaiten). Tämä ei siis tarkoita että SEO-parametrit muuttuisivat jotenkin turhiksi (koska ne ovat välttämätön osa ominaisuusavaruutta, josta kone rakentaa mallin), vaan että niiden painotus tarkentuisi koneoppimisen kautta.

“Käyttäjäystävällisyys” eli hakijan palveleminen on aina ollut Googlen hakualgoritmin peruskivi, ja ystäväni Viet Dang puhui jo vuonna 2010 UFO:sta (= User-Friendly Optimization) SEO:n sijaan. Niin kauan kuin yleisesti tunnetuilla tekijöillä (nopeus, hyvä copyteksti, haun suhteen relevantti tarjonta) on välillinen tai välitön kytkös käyttäjän tyytyväisyyteen (jota Google mittaa epäsuorasti), eivät hakukoneoptimoinnin perusteet muutu.

Mikä olisi paras tapa hyötyä koneoppimisesta?

Hakukoneoptimoija hyötyisi eniten, jos hän rakentaisi oman koneoppimisalgoritmin hakuja varten ja ajaisi sitä omassa hakuympäristössään (ts. oikeassa maailmassa). Koneen luoma malli mahdollistaisi hakukäyttäytymisen syvällisemmän ymmärtämisen ja tulosten yleistämisen hakukoneoptimointiin Google-ympäristössä. Koska tämä menetelmä kuitenkin vaatisi käytännössä oman hakukoneen rakentamisen, ei se liene realistinen vaihtoehto keskivertohakukoneoptimoijalle.

Joni Salminen
KTT, markkinointi

Joni Salminen toimii tutkijana Turun kauppakorkeakoulussa. Hänen osaamisalueitaan ovat digitaalinen markkinointi, Internet-alustat, ja verkkoliiketoiminta.

Joni

Kohtaamisongelmia opiskelija-startupeissa

suomeksi

Johdanto

Tapasimme Timo Herttuan kanssa Helsingissä elokuussa 2014, ja startup-harrastajina keskustelimme tietysti startupeista. Tämä artikkeli tiivistää tuon keskustelun tulokset.

Lähdimme liikkeelle siitä, että opiskelijavetoiset startit ohjattaisiin löytämään ja ratkaisemaan suuryritysten (Kone, Wärtsilä, jne.) ongelmia. Tällä vältettäisiin “triviaalien applikaatioiden ongelma”, jossa keskitytään asioihin, joilla on marginaalisen pieni vaikutus ihmisten elämään merkittävien ongelmien sijaan. Haluamme tässä yhteydessä korostaa, että kaikki startup-toiminta on tottakai haluttavaa ja hyödyllistä harjoitusta opiskelijoille, mutta siitä huolimatta jotkin ideat ovat lähtökohtaisesti merkittävämpiä kuin toiset, etenkin kun mietitään siirtymää ideasta liiketoiminnaksi. Yhteistyö suuryritysten kanssa on yksi väylä merkittävämpien ongelmien löytämiseen ja ratkomiseen.

Mitä kohtaamisongelmat ovat?

Ratkoessaan merkittäviä ulkoisia ongelmia, startup-hankkeet kohtaavat myös monenlaisia sisäisiä ongelmia. Osa niistä on “matchmaking”- eli kohtaamisongelmia, joissa eri osapuolet tai heidän tavoitteensa eivät kohtaa. Tämä artikkeli käsittelee näitä kohtaamisongelmia erityisesti opiskelija-starttien kohdalla. Opiskelija-startup on opiskelijavetoinen startup-hanke, joissa startup-yrittäjät ovat opiskelijoita.

Kohtaamisongelmat syntyvät vuorovaikutuksessa ympäristön kanssa. Ympäristöstä nostamme esiin suuryritykset eli korporaatiot, jotka saattaisivat hyötyä nuorten ja energisten startup-tiimien työpanoksesta. Lyhyesti sanottuna opiskelijoilla on energiaa ja osaamista, ja yrityksillä sekä tunnettuja että tuntemattomia ongelmia, mutta ei aikaa tai osaamista niiden ratkaisemiseen. On tärkeää ymmärtää, että tunnettujen ongelmien lisäksi yrityksillä on tuntemattomia ongelmia, joiden löytämiseen opiskelijatiimien tekemää työtä voisi hyödyntää design-ajattelun (design thinking) ja Steven Blankin esittelemän asiakaskehitysmallin (customer development) hengessä.

Voimme soveltaa tähän ajatukseen kaksisuuntaista alustadynaamiikka näin:

  1. Kysyntä (so. ongelmat): isot yritykset, kuten Kone, L&T
  2. Tarjonta (so. ongelmien ratkaisu): korkeakouluopiskelijat
  3. Alusta (kohtaanto): koulut, kurssit, startup-tilaisuudet

Win-win eri toimijoiden välillä tulisi siitä, että opiskelijat soveltaisivat asiakaskehitystä ja ketterää startup-teoriaa (lean startup) sekä tunnettujen ongelmien löytämiseen ja ratkaisemiseen, sekä löytääkseen ongelmia joista kohdeorganisaatiolla ei ole hajuakaan.

Opiskelijavetoisten startupien kohtaamisongelmat

Tarkastelemme seuraavaksi tarkemmin neljää kohtaamisongelmaa opiskelijoiden ja korporaatioiden välillä.

  1. kiinnostusongelma
  2. osaamisongelma
  3. luottamusongelma
  4. tiimiytymisongelma

Kiinnostusongelma on kohtaamisongelma opiskelijoiden kiinnostuksen ja hankkeiden välillä – ts. baariongelmat kiinnostavat enemmän kuin hissifirman optimointi. Meille useita opiskelijastartteja nähneille tämä on tuttu teema – ideat reflektoivat opiskelijoiden rajallista kokemusta, ja siksi ratkaistavat ongelmat ovat usein triviaaleja.

Osaamisongelma on kohtaamisongelma opiskelijoiden osaamisen ja tarvittavan osaamisen välillä. Toisin sanoen opiskelijat voivat olla tarpeeksi taitavia rakentamaan baarisovelluksia mutta eivät tarpeeksi taitavia ratkaisemaan teknisesti erittäin haastavia ongelmia, tai ongelmia jotka vaativat kapeaa mutta syvää osaamista.

Luottamusongelma, eli isot yritykset eivät yksinkertaisesti halua päästää pieniä startupeja nuuskimaan sensitiivistä liiketoimintatietoa. Tätä voisi verrata Arthur Stincombe’in vuonna 1965 esittämään klassiseen ilmiöön nimeltä “liability of newness”, joka viittaa uuden yrityksen legitimiteetin puuttumiseen. Ongelmaa pahentaa, jos startup tarjoaa löydettyä ratkaisua myös kilpailijoille, jolloin potentiaalinen kilpailuhyöty kutistuu.

Keskustelussamme tuli myös esille ns. tiimiytymisongelma, joka on kohtaamisongelma eri tyyppisten opiskelijoiden välillä. Pääpiirteissään osaamisalueet teekkareiden ja kyltereiden välillä ovat komplementteja (toisiaan täydentäviä), niin että teekkarit ratkaisevat ongelmia rakentamalla tuotteita ja kylterit varmistavat että ongelma on ratkaisemisen arvoinen, sekä hoitavat kaupallistamisen ja markkinoinnin (ts. rakentavat bisnestä myymällä tuotteita). Kuitenkin nämä opiskelijatyypit usein hengailevat eri piireissä, mikä pienentää mahdollisuuksia luoda toisiaan täydentäviä tiimejä. Silloin kun eri ryhmät tekevät töitä erillään, on tuloksena siiloutuminen ja krooninen epäonnistuminen, koska palapelistä puuttuu aina toinen pala.

Tiimiytymiseen liittyy myös ns. henkilökohtaisen kemian ongelma, eli yksinkertaisesti on mahdotonta ennustaa miten eri ihmiset tulevat toimeen keskenään – koulutehtävissä tämän ohi voi luovia, mutta startup vaatii niin tiivistä yhteistyötä, että henkilöiden on nautittava toistensa seurasta ja kommunikoitava tehokkaasti yhteen korkean paineen alaisuudessa. Syyt miksi oikeat henkilöt eivät aina yhdisty oikeissa projekteissa liittyvät paitsi henkilökohtaisiin kemioihin myös “ristiinpölytystilaisuuksien” puutteesta; jälkimmäistä korjaamaan useat toimijat, kuten AaltoES ja Boost Turku, ovat tehneet tärkeää työtä.

Muita kitkatekijöitä merkittävien ongelmien ratkaisussa

Tietysti edellä mainitut kohtaamisongelmat ovat ainoastaan yksi ulottuvuus mietittäessä siirtymää triviaaleista sovelluksista merkittäviin ongelmiin. Muita kitkatekijöitä ovat mm. ongelmien sosiaalinen luonne (korruptiota ei voi ratkaista tekkistartilla) tai muut laajat järjestelmäongelmat, joihin liittyy monimutkaisuutta ja useita toimijoita joihin starteilla ei ole valtaa – kuten tiedetään, on intressiryhmiä jotka blokkaavat mielellään innovaatioita (Pariisin Uber-mellakka esimerkkinä). Viime kädessä ongelmien ratkaisun tulee myös olla taloudellisesti kannattavaa, tai muuten startupin pitää elää lahjoituksista tai julkisesta rahasta.

Kuinka ratkoa ongelmat?

Timo korosti sitä näkökulmaa, että alustan toiminnassa tulisi olla mukana kokeneita startup-yrittäjiä, jotka auttaisivat ehkäisemään useita startup-harhoja tai väärinkäsityksiä. Kirjoitin näistä vääristä ajattelumalleista laajemmin väitöskirjassani (esim. validation bias, internalization problem, lack of domain-specific expertise).

Alustana voisi toimia myös teollisinkubaattori, johon suuryritykset antavat rahaa. Kaiken kaikkiaan fokuksena tulisi olla markkina-, liiketoimintamalli-, asiakas- ja tuotekehitys, yleisesti ottaen kaupallistaminen sekä mahdollisesti myös rahoituksen nostaminen. Olennaista on, että sovelletaan ketteriä, hukkaa poistavia menetelmiä asiantuntijaraateihin perustuvien mallien sijaan, ja sitoutetaan hands-on-eksperttejä sellaisten ihmisten sijaan, jotka eivät pysty tuomaan lisäarvoa startupin rakentamisen arkeen.

Tiivistimme seuraavaan taulukkoon mahdollisia ratkaisuja kohtaanto-ongelmien ratkaisemiseksi.

OngelmaMahdollinen ratkaisu
kiinnostusongelmaOpiskelijoiden mielenkiinnon kohteiden laajentaminen; yritysvierailut, vierailuluennot
osaamisongelmaOpetuksen päivittäminen työelämässä tarvittavien taitojen opettamiseksi, laadukas opetus
luottamusongelmaKevyillä kokeiluilla aloittaminen, strateginen projektien rajaus, NDA-sopimukset, yhteisten pelisääntöjen sopiminen, yritysten avustaminen riskianalyysissa
tiimiytymisongelmaRistiinpölyttymismahdollisuuksien kasvattaminen, erilaiset startup-tapahtumat

Käytännön toteutuksessa on myös useita avoimia kysymyksiä, joihin tulisi löytää vastaukset.

  • Miten huolehditaan että molemmat osapuolet (korporaatiot ja startit) hyötyvät, eli mikä on motivaatio kunkin osapuolen osallistumiselle?
  • Miten kulttuurien yhteentörmäyksestä selvitään? Olisiko esim. yhteisen kielen / työtapojen / kokeilukulttuurin rakentaminen esivaatimus yhteistyön aloittamiselle?

Erilaiset kohtaamistapahtumat (speed dating, reverse pitching) ovat yksi lähestymistapa kohtaamisongelmien ratkaisuun. Ideana tässä näkökulmassa on, että kun laitamme toimijat samaan tilaan, tapahtuu luontaista verkostoitumista ja yksilöt itseohjautuvasti löytävät toisensa. Toinen vaihtoehto on kasvattaa alustajan roolia välittäjänä – erilaisten ongelmien ja profiilien (tausta, kokemus, tiimikompositio) kartoittaminen sekä kysyntä- että tarjontapuolella ja sitten näiden yhdistäminen parhaalla tavalla (introt, face-to-face-tapaamisten järjestäminen). Tärkeää on ymmärtää kummankin osapuolen motivaatio, sovittaa odotukset samalle tasolle ja näin rakentaa realistinen win-win-tilanne. Millainen ratkaisu onkaan, siinä tulisi välttää ”monen tekijän soppaa” ja löytää lyhin mahdollinen reitti em. tavoitteiden saavuttamiseen.

Johtopäätös

Yleisesti ottaen toivoisimme, että startupit käyttäisivät luovuutta ja kyvykkyyksiään merkittävien ongelmien ratkaisuun. Yliopistojen pitäisi kehittää toimintaansa innovaatioalustoina, joissa tunnustetaan eri kurssien ja opinto-ohjelmien mahdollisuudet luoda uutta, merkittävää liiketoimintaa tärkeiden ongelmien ratkaisun kautta. Jotta tavoitteisiin päästäisiin, tulee parantaa opetushenkilökunnan pätevyyttä sekä viestiä selkeä tahtotila ylimmän yliopistojohdon taholta.

Uskomme, että startupien hyödyntäminen yhteiskunnallisesti merkittävissä hankkeissa olisi järkevää ja johtaisi etenkin ohjelmistokehityksessä nykyisiä suorastaan surkeita tuloksia parempiin tuloksiin. Valtion johdolla olisi mahdollista lähteä mukaan konkreettisesti kokeilukulttuuriin, jossa nykyisen hankintakulttuurin selkein ongelma, eli liian isot tietojärjestelmähankkeet, pilkottaisiin osaongelmiinsa jolloin niiden ratkaisu olisi mahdollista myös pienemmille toimijoille.

Tässä artikkelissa olemme pohtineet sitä, miten voisimme saada isot suomalaiset yritykset ja startupit saman pöydän ääreen. Lähestymistapoja on varmasti muitakin; oletko sinä miettinyt tätä asiaa omalla tahollasi? Mihin johtopäätökseen päädyit? Osallistu keskusteluun kommenttikentässä.

Kirjoittajat

Joni Salminen on kauppatieteiden tohtori, joka toimii Turun kauppakorkeakoulussa digitaalisen markkinoinnin opettajana. Joni tutki väitöskirjassaan alusta-startupien strategisia ongelmia Internetissä. Väitöskirja on ladattavissa täältä: https://www.doria.fi/handle/10024/99349

Timo Herttua on palkkatöistä yrittäjäksi vastikään palannut tuotekehittäjä, joka on yrittäjänä toiminut niin startupien, digitaalisen tuotekehityksen, myynnin, markkinoinnin kuin strategiankin parissa. Timo auttaa kasvuhaluisia yrityksiä löytämään uusia kasvu-uria hyödyntämällä markkinointianalytiikkaa sekä lean startup -menetelmää. Lisätietoja täältä: http://www.efekta.fi

Artikkeli on julkaistu ensimmäisen kerran Boost Turku Ry:n blogissa.

Joni

The Basics of Dilemmas

english

Introduction

By definition, a dilemma is a trade-off situation in which there are two choices, each leading to a negative outcome.

General solution

A general solution, then, is to weigh the outcomes and compare them against one another.

For example:

choice A: -1
choice B: -2

In this example, choice A has smaller negative effect, so we’d pick that one.

Complications

However, there are complications.

Consider the above would in fact be the short-term outcomes, but there are also long-term outcomes. For example

choice A: -1, -3
choice B: -2, -1

This leads us into payoff functions, so that the outcomes (payoffs) consist of many variables. In the example, the long-term negative effects outweigh the short-term effects, and we would  change our choice to B.

However, the choice can also be arbitrary, meaning that neither choice dominates. In game theory terms, there is no dominant strategy.

This would be the case when

choice A: -1, -2
choice B: -2, -1

As you can see, it doesn’t matter which choice we take since each gives a negative outcome of equal size. There is an exception to this rule, namely when the player has a preference between short- and long-term outcomes. For example, if he wants to minimize long-term damage, he would pick B, and vice versa.

How to apply this in real life?

In decision-making situations, it’s common to make lists of + and -, i.e. listing positive and negative sides. by assigning a numerical value to them, you can calculate the sum and assign preference among choices. in other words, it becomes easier to make tough decisions.

I’m into digital marketing, startups, and platforms. Download my dissertation on startup dilemmas: http://goo.gl/QRc11f

Joni

Organic reach and the choice of social media platform

english

(This is work in progress.)

Introduction

It is a well-established fact that the organic reach in a dominant platform decreases over time, as the competition over users’ attention increases. There is thus an inverse relation:

The more competition (by users and firms) in a user’s news feed, the less organic visibility for a firm.

The problem

How would a firm willing to engage in a social media activity approach this matter?

In particular,

  • how should it divide its time and marketing efforts between alternative platforms?
  • when does it make sense for it to diversify?

The analysis

The formula behind the decision is u * o, in which

u = fan base
o = organic reach

  • all else equal, the larger the organic reach, the better
  • all else equal, the larger the fan base, the better

But, even in a drastically smaller platform a large o can offset the relative fan base advantage.

For example, consider a firm has presence in two platforms.

platform A
500M users, 5,000 fans

platform B
10,000 users, 100 fans

By first look, it would make sense to invest time and effort in platform A, given that both the overall user base as well as the fan base are significantly larger. However, now consider the inclusion of factor o.

platform A
500M users, 5,000 fans
organic reach 1% = 50 users

platform B
10,000 users, 100 fans
organic reach 90% = 90 users

It now makes sense to shift its social media activities to platform B, as it gives better return on investment in terms of gained reach.

(it is assumed here that post-click actions are directly proportional to the amount of website traffic, and thus do not interfere in the return calculation).

Conclusion

More generally,

as organic reach decreases in platform A, platform B with relatively better organic visibility becomes more feasible

Implications

Firms are advised to consider their social media investments in the light of organic reach, and not be fooled by vanity metrics such as the total user base of a platform. Relative metrics, such as share of organic visibility matter more.

Entrant platforms can encourage switching behavior by promising firms larger degree of organic reach. At early stages this does not compromise utility of the users, as their news feeds are not yet cluttered. However, as the entrant platform matures and gains popularity, it will have an incentive of decreasing organic reach.

This effect may partially explain why a dominant platform position is never secure; entrants can promise better reach for both friends’ and firms’ posts, thereby giving more feedback on initial posts and a better user experience which may increase multi-homing behavior and even deserting dominant platforms, as multi-homing behavior has its cost in time and effort.

I’m into digital marketing, startups, platforms. Download my dissertation on startup dilemmas: http://goo.gl/QRc11f

Joni

About moral hazard and banking crises

english

Introduction

The struggle against moral hazard in banking is constant and real. There’s no turn-key solution for eliminating it, but it must be kept in mind at all times by policy makers.

Consider the following citation from Wikipedia:

“The role of the lender of last resort, and the existence of deposit insurance, both create moral hazard, since they reduce banks’ incentive to avoid making risky loans. They are nonetheless standard practice, as the benefits of collective prevention are commonly believed to outweigh the costs of excessive risk-taking.”

This structural problem, similar to that of the problem of the commons, drives individual bankers into competing with risks. It’s an escalating situation in which one banker takes a slightly larger risk; after seeing this one fares okay, another banker takes again a marginally increased risk position, and so on. As a result, the overall risk position of the market escalates (little by little), until one trigger event causes a collapse.

Because there is a lender of last resort, the risks for the bankers are mitigated (as long as there are enough bankers who participate in “bidding up” the risks). Because there is deposit insurance, the risk for the private individuals is eliminated as well, so they continue putting their money on the “roulette table” of the (rationally) greedy banker. The lender of the last resort will impose some more regulation, and the bankers promise to behave nicely.

However, there are no fixed threshold rules in how the financial markets work and so “boiling the frog” begins all over again.

What to do?

In my opinion, the best way to counter this effect of excessive risk taking is to move the collective risk at individual risk level, so that bankers would be privately responsible for their bank’s rescue – this would take the form of losing banking license and/or private assets.

This might lead, in cases of crises, in exchange of an entire generation of bankers, but this would only be fair; at good times, they are healthily compensated, so at bad times of their own doings, they must bear the consequences. Moral hazard, by definition, arises when there is a potential that the interests of the agent and the principal differ – by aligning the interests, the problem perishes. The same effect works in reverse; in this case aligning the cost of reckless behavior.

The author is a university teacher at the Turku School of Economics. His “hobby” is to keep track of the euro-crisis.

Joni

Big data is not enough data

english

There is a big data fallacy

My argument here is simple – even though it’s a common argument that “everything is tracked”, marketers face a big data fallacy when assessing their ability to predict consumer behavior.

The reason is explicated here [1]:

“On any given occasion, everything from personal factors such as how well a person has slept the night before, current mood, hunger, and previous choices, to environmental variables such as the weather, the presence of other people, background music, and even ceiling height can influence how a customer responds. Algorithms can use only a handful of variables, which means a lot of weight is inevitably placed on those variables, and often the contextual information that really matters, such as the person’s current physical and emotional condition or the physical environment in which the individual is tweeting, Facebooking, or buying online, isn’t considered.”

Therefore, what is known is simply not enough to accurately predict an individual consumer’s behavior. On average, however, given the limitation of computable variables, marketing algorithms can enhance marketing performance. But data will never make marketing “perfect” – just simply because there’s not enough of it.

Endnotes

[1]: Dholakia (2015) https://hbr.org/2015/06/the-perils-of-algorithm-based-marketing

I’m into digital marketing, startups, platforms. Download my dissertation on startup dilemmas: http://goo.gl/QRc11f

Joni

How to measure offline marketing with online metrics?

english
How to measure offline marketing with online metrics?

Introduction

The issue with offline marketing is tracking. For many offline marketing efforts, such as exhibitions and networking events, it’s hard to track results.

Participation in these events is often expensive, and the results are evaluated on a qualitative basis. Although qualitative evaluation is better than nothing, quantitative data is obviously better. And in many cases, we can do that – all we need it the measuring mindset and a little bit of creativity.

The bottom line is: If you’re spending a lot of money into offline marketing, you have to justify its performance. Otherwise you don’t know how well the money turns into desired outcomes, let alone how well event A compared with event B in terms of performance.

The simple solution

The issue can be solved by using metrics. For example, if we are selling in a trade fair, I can use performance metrics like these:

  • sales (€, qty)
  • number of catalogs and/or flyers distributed
  • number of emails gathered via a lead-generation contest (“give us your email – win prize x”)

Of course, knowing the cost of participation, we can now calculate composite metrics such as:

  • Direct ROI = (sales – cost) / cost
  • Cost per lead (email) = cost / number of emails
  • Cost per catalogue distributed = cost / number of catalogues distributed

These can be now measured against digital channels, and evaluated whether or not we’d like to participate in the event in question again, say, next year.

Comparing offline and online performance

During my time as a marketing manager, I’ve come up with different ways to standardize the offline metrics, that is to say calculate offline marketing activities so that they are comparable with digital channels.

Here are three ways we’ve been using.

1. Cost per card

  • CPCa = cost of participation / number of business cards collected
  • Compare with: CPL

Networking is an important part of the sales cycle, especially in B2B markets. By quantifying the results, you are able to compare one event against another, as well as compare the results with lead generation (CPL) through digital channels
(for this, only include the business cards of potential customers).

2. Cost per catalog

  • CPCat = cost of distribution / number of catalogues distributed
  • Compare with: CPC

In Finland, I’ve found that catalog distribution inside magazines is a cost-effective form of marketing. This metric I compare with Google CPC, i.e. the cost of average paid user via Google. The rationale is that since the catalog is inside the customer’s favorite magazine, she will surely take a look at it (during the reading
session you tend to have more time).

3. Cost per festival contact

  • CPF = cost of participation / number of visitors
  • Compare with: CPM

Summer festivals are hot in Finland. Every year, there is more than a dozen big festivals across the country. We’re participating in some of them together with our suppliers. Festivals most often provide you with the number previous year’s visitors. I find it best to compare this metric with CPM, since the visitors are just
hypothetical contacts.

Of course, we can use several metrics, so for festivals I use CPF to evaluate which ones are the most cost-effective ones (that’s one, but the not the only criterion, since the match between us and the target audience is more important). Then, to evaluate how well we did, I’ll use the other metrics, mainly cost per lead (email) and cost per catalog distributed.

Hopefully this article gave you some useful ideas. If you have something to share, please write in in the comments. Thanks for reading.

I’m into digital marketing, startups, platforms. Download my dissertation on startup dilemmas: http://goo.gl/QRc11f

Joni

A Few Interesting Digital Analytics Problems… (And Their Solutions)

english

Introduction

Here’s a list of analytics problems I’ve devised for a class I was teaching a digital analytics course (Web & Mobile Analytics, Information Technology Program) at Aalto University in Helsinki. Some solutions to them are also considered.

The problems

  • Last click fallacy = taking only the last interaction into account when analayzing channel or campaign performance (a common problem for standard Google Analytics reports)
  • Analysis paralysis = the inability to know which data to analyze or where to start the analysis process from (a common problem when first facing a new analytics tool 🙂 )
  • Vanity metrics = reporting ”show off” metrics as oppose to ones that are relevant and important for business objectives (a related phenomenon is what I call “metrics fallback” in which marketers use less relevant metrics basically because they look better than the primary metrics)
  • Aggregation problem = seeing the general trend, but not understanding why it took place (this is a problem of “averages”)
  • Multichannel problem = losing track of users when they move between online and offline (in cross-channel environment, i.e. between digital channels one can track users more easily, but the multichannel problem is a major hurdle for companies interested in knowing the total impact of their campaigns in a given channel)
  • Churn problem = a special case of the aggregation problem; the aggregate numbers show growth whereas in reality we are losing customers
  • Data discrepancy problem = getting different numbers from different platforms (e.g., standard Facebook conversion configuration shows almost always different numbers than GA conversion tracking)
  • Optimization goal dilemma = optimizing for platform-specific metrics leads to suboptimal business results, and vice versa. It’s because platform metrics, such as Quality Score, are meant to optimize competitiveness within the platform, not outside it.

The solutions

  • Last click fallacy → attribution modeling, i.e. accounting for all or select interactions and dividing conversion value between them
  • Analysis paralysis → choosing actionable metrics, grounded in business goals and objectives; this makes it easier to focus instead of just looking at all of the overwhelming data
  • Vanity metrics → choosing the right KPIs (see previous) and sticking to them
  • Aggregation problem → segmenting data (e.g. channel, campaign, geography, time)
  • Multichannel problem → universal analytics (and the associated use of either client ID or customer ID, i.e. a universal connector)
  • Churn problem → cohort analysis (i.e. segment users based on the timepoint of their enrollment)
  • Data discrepancy problem → understanding definitions & limitations of measurement in different ad platforms (e.g., difference between lookback windows in FB and Google), using UTM parameters to track individual campaigns
  • Optimization goal dilemma → making a judgment call, right? Sometimes you need to compromise; not all goals can be reached simultaneously. Ultimately you want business results, but as far as platform-specific optimization helps you getting to them, there’s no problem.

Want to add something to this list? Please write in the comments!

[edit: I’m compiling a larger list of analytics problems. Will update this post once it’s ready.]

Learn more

I’m into digital marketing, startups, platforms. Download my dissertation on startup dilemmas: http://goo.gl/QRc11f

Joni

Digital Marketing Laws (work in progress…)

english

Hi,

this is work in progress – I’ll keep updating this list as new moments of “heureka” hit me.

Digital marketing laws

  1. The higher the position in a SERP, the higher the CTR
  2. The more a mixed platform gains demand-side popularity, the more it restricts the organic reach of supply-side
  3. Search-engine traffic consistently outperforms social media traffic in direct ROI
  4. People are not stupid (yes, this is why retargeting is not a stairway to heaven)
  5. “it is almost always much cheaper to retain satisfied customers and turn them into repeat business than it is to attract a new, one-time customer.”

Want to add something? Please post it in the comment section!