Skip to content

Digital marketing, startups, and platforms Posts

Konversio-optimoinnin LTO-malli

Konversio-optimoinnilla tavoitellaan asiakkaan lompakkoa.

Johdanto

Konversio-optimointi on ollut alusta alkaen ollut osa digitaalista markkinointia. Olen opiskellut ja opettanut konversio-optimointia vuodesta 2012 lähtien. Silti monet verkkokaupat ja -sivustot yhä laiminlyövät konversio-optimoinnin perusperiaatteita.

Mitä konversio-optimointi on? Määrittelen sen näin:

Konversio-optimointi on ostamisen todennäköisyyden kasvattamiseen tähtäävää järjestelmällistä kehitystoimintaa.

Pyritään siis kehittämään verkkosivua ja muita ostamiseen vaikuttavia tekijöitä. Järjestelmällisyys tarkoittaa sitä, että a) kehityksestä on tehty suunnitelma, b) sitä noudatetaan vaihe vaiheelta, ja c) päätökset tehdään datan perusteella.

Huom! Konversio-optimointi ei siis ole vain verkkosivun parantamista, vaan se koskee kaikkia konversion todennäköisyyteen vaikuttavia tekijöitä, mukaan lukien tuotteet, maksutavat, jne.

Konversio-optimointi on suomeksi sanottuna myynnin tehostamista, vaikka konversio voi tietysti tarkoittaa jotain muutakin tavoitetta kuin myynti.

Mitkä ovat konversio-optimoinnin perusperiaatteet?

Lähestytään tätä LTO-mallin kautta. Sen osat ovat:

  1. Löytäminen
  2. Tietäminen
  3. Ostaminen

Nämä kolme ovat peruselementtejä asiakkaan polussa verkkosivuille saapumisesta ostoon. Ensin heidän pitää löytää sopiva tuote, sitten oppia siitä ja lopuksi ostaa se. Kunkin vaiheen pitää olla helppoa ja sisältää kaikki tarvittava tieto.

1. Löytäminen

Löytämisessä on tärkeää 1) toimiva haku, 2) toimiva tuoteselaus, ja 3) kattava navigaatio. Parhaassa hakuominaisuudessa on mukana automaattinen täydennys ja se antaa tuloksia luonnollisen kielen kautta, eli siis ihmiset voivat kirjoittaa hakukenttään mitä vain ja se antaa tuloksia tuotevalikoiman perusteella.

Esimerkki täydentävästä hausta:

verkkokaupan haku
verkkokaupan haku

Toimiva tuoteselaus on tärkeää kokemuksellisuuden kannalta: ihmiset pitävät selaamisesta, joka on verkko-ostamisen “shoppailu”-osa. Tuotteiden pitää siis olla houkuttelevasti läsnä ja selaamisen mieluusti keskeyttämätöntä, mikä voidaan toteuttaa loputon selaus -tekniikalla (eng. infinite scrolling). Eräässä verkkokaupassa huomasimme, että kävijät lähtevät sivulta selattuaan tuotevalikoiman loppuun, mikä kertoo juuri selauskokemuksen luonnollisesta tärkeydestä.

Esimerkki loputtomasta selauksesta:

verkkokaupan loputon selaus
verkkokaupan loputon selaus

Navigaatio on läsnä monella tasolla; etusivulla (päävalikko), kategoriasivuilla (päävalikko, sivuvalikko) ja tuotesivuilla (päävalikko, leivänmurut). Navigoinnin kattavuus on tärkeää, koska et tiedä mille sivulle asiakas ensiksi päätyy. Koska aloitussivu riippuu esimerkiksi siitä minkä kampanjan kautta asiakas saapuu sivulle, navigaation täytyy olla aina läsnä ja saatavilla.

Esimerkki kattavasta navigaatiosta:

verkkokaupan navigaatio
verkkokaupan navigaatio

Tuotteiden on siis oltava mahdollisimman löydettävissä, mikä tarkoittaa kategoriasivujen kohdalla kahta asiaa: 1) suodatinominaisuudet (eng. filters) ja 2) automaattiset suositukset.

Suodatinten kautta asiakas voi typistää tuhansien nimikkeiden valikoiman omien preferenssiensä mukaiseksi. Mitä enemmän tuotteita on tarjolla, sitä tärkeämpi hyvä suodatintoiminnallisuus on. Automaattinen suosittelu vie löytämisen astetta pidemmälle ehdottamalla sopivia tuotteita käytettävissä olevan datan perusteella. Näitä voivat olla esimerkiksi suosituimmat tuotteet (=eniten myyntiä, eniten näyttökertoja) tai tuotekategoriaan liittyviä täydentäviä tuotteita (=komplementit). Automaattiset suositukset voivat myös olla personoituja, jolloin käytetään ns. 1st party -dataa valikoiman räätälöimiseksi sivuille palaaville kävijöille.

Esimerkkejä suodatinjärjestelmistä:

verkkokaupan suodattimet
verkkokaupan suodattimet

Tässä esimerkki tuotesuositusten automatisoinnista:

verkkokaupan automaattiset suositukset
verkkokaupan automaattiset suositukset

2. Tietäminen

Löytämiseen liittyvät teknisten ominaisuuksien lisäksi informatiiviset opastetekstit, jotka kannustavat kävijää eteenpäin konversiopolulla. Informaation rooli on vielä tärkeämpää tuotesivuilla — sen puute on yksi tavallisimmista verkkomyynnin virheistä. Jokaisesta tuotteesta pitäisi olla niin paljon tietoa saatavilla, että asiakkaiden kaikkiin mahdollisiin kysymyksiin vastataan etukäteen. Hyvin harva kävijä kysyy erikseen sähköpostilla lisätietoa, ellei kyseessä ole korkea sitoutuminen. Useimmat eivät vaivaudu. Tuoteinformaation lisäksi ostamiseen liittyvät tiedot pitävät olla läsnä joka sivulla: keskeiset maksu- ja toimitustiedot.

Tiedon pitää olla saatavilla monessa muodossa: ideaalitilanteessa tuotteesta on saatavilla yksityiskohtainen tekstikuvaus, mahdolliset tekniset tiedot, useita korkealaatuisia kuvia, ja tuotteesta riippuen video. Riippumatta siitä onko myytävä tuote palvelu vai tavara, on mahdollista tuottaa kaikkia em. sisältötyyppejä. Monet verkkokaupat vain jättävät sen tekemättä syystä tai toisesta. Yleistä on, että kaikki rahat menevät teknologian hankintaan, ja sisältö hoidetaan vasemmalla kädellä – ihan kuin myynti olisi tekninen suoritus eikä ihmisiin vaikuttamista. Hyvän käytettävyyden ja sitä tukevan layoutin lisäksi tarvitaan mielenkiintoista ja informatiivista sisältöä; ilman sisältö tavara ei liiku tai se liikkuu hitaammin kuin voisi liikkua.

3. Ostaminen

Ostaminen on mallin kolmas osa – kuten mainittu, ostoon liittyvä tieto pitää olla “omni-läsnä” eli saatavilla joka konversiopolun vaiheessa. Sitä ei pidä piilottaa esim. UKK-osioon. Mutta informaation lisäksi ostamisen sisältö täytyy olla kunnossa. Sisällöllä tarkoitan itse vaihtoehtoja: maksutapojen pitää olla kuluttajan mieleen (esim. osamaksu, mobiilimaksu, verkkopankit, lasku), samoin toimitustapojen (sähköinen toimitus vs. posti) ja toimitusajan (toimitus heti sähköpostiin, postin kautta 2 päivässä tai kuriirilla 1 päivässä). Ostamiseen liittyy totta kai muutakin: esimerkiksi alennusten antaminen useamman tuotteen ostamisesta, asiakaspalvelun saatavuus (esim. maksuton puhelinpalvelu, reaaliaikainen chat-asiakaspalvelu), ja kanta-asiakkuus.

Johtopäätös

Konversio-optimointi on monimutkainen aihe, sillä se sisältää kaikki ostamisen todennäköisyyteen vaikuttavat tekijät. Sitä voidaan tarkastella monesta näkökulmasta, mukaan lukien tässä esitetty LTO-malli, joka pyrkii tiivistämään konversio-optimoinnin toimenpiteet kolmen peruspilarin alle. Ilmiötä voitaisiin tarkastella muidenkin mallien kautta, joita ovat esimerkiksi a) konventiomalli, b) suostuttelumalli (why, how, what? + psykologia) ja ns. 3) Korko-malli. Saatan kirjoittaa näistä malleista toiste, mutta toivottavasti tämä artikkeli antoi uusia ajatuksia!

‘Social selling’ yhdessä lauseessa

Social selling eli sosiaalinen myynti on nyt kuuminta hottia. Tiivistin toissa päivänä markkinoinnin professorille, mistä siinä on mielestäni kysymys. Tässä siis asian ydin yhdessä lauseessa:

Social selling on liidien lämmittämistä sosiaalisen median kautta.

Hyöty on siinä, että social selling vie kylmyyden pois kontaktoinnista. Myyntiä tehneet tietävät, että paras yhteys saadaan esittelyn (‘soft link’) kautta. Huonoin on kylmäkontaktointi, oli se sitten puhelimitse, mailitse taikka LinkedIn-viestin kautta. Social selling sijoittuu näiden kahden väliin – se on paras vaihtoehto silloin kun pehmeää linkkiä ei ole.

Kuinka tehdä sosiaalista myyntiä?

Neljä askelta:

  1. Tee lista henkilöistä, joille yrityksesi kykenee tuottamaan aidosti lisäarvoa (=liideistä)
  2. Seuraa heitä somessa (LinkedIn, Twitter)
  3. Muodosta suhde verkossa (ks. tarkemmat ohjeet alla)
  4. Sovi live-tapaaminen (lounas, kahvi)

Viimeinen vaihe on varsinainen myyntitilanne, jolloin pääsette yhdessä miettimään löytyykö yritystenne välillä win-win. Eli suhde muodostetaan verkossa, mutta jalostetaan kasvokkain.

Kuinka muodostaa suhde verkossa?

Yksinkertaisesti kommentoi liidien postauksia, tykkää niistä ja jaa niitä eteenpäin. Käytä tähän päivittäin aikaa vähintään 45 minuuttia. Tuossa ajassa ehdit pitää yllä somesuhdetta hyvin moneen henkilöön.

Kommentoinnissa ole positiivinen ja koita tuottaa kommenteillasi aitoa lisäarvoa. Annan hyvän ja huonon esimerkin.

Hyvä esimerkki: “Hyvä pointti! Olen myös huomannut, että myynnin esikysely parantaa kylmäsoittojen responssia. Etenkin kun tekee selväksi, että kysymys on asiakkaan ongelmien ratkaisusta.”

Tässä jaetaan kokemuksia eli kerrotaan jotain, mitä alkuperäinen kirjoittaja ei välttämättä ole ajatellut.

Huono esimerkki: “Kiitos artikkelista!”

Kommentissa ei ole arvoa. Se ei välttämättä ole yksittäisenä kommenttina huono, mutta pitkässä juoksussa et tuota liidille lisäarvoa. Vähintään kirjoita näin: “Kiitos artikkelista, jaoin eteenpäin!” Tuossa jakaminen viestii, että olet tuottanut lisäarvoa tuomalla alkuperäiselle ajatukselle lisää näkyvyyttä.

Mitä sosiaalinen myynti ei ole?

Sosiaalinen myynti ei siis ole sitä, että lähetetään LinkedIn-viestejä ihmisille, jotka eivät tunne sinua. Tuo on suora vastine kylmäsoitolle, joka siis on huonoin kontaktoinnin tapa – valitettavasti sitä kuitenkin näkee paljon, koska se on “helppoa” (helpot oikotiet harvoin toimivat).

Sosiaalinen myynti lähtee siitä, että puuttuva linkki luodaan ennen suoraa kontaktointia, jolloin vastapuoli todennäköisemmin suhtautuu yhteydenottoon suopeasti, koska hän tietää sinusta jo jotain. Sosiaalisen myynnin kautta asiakas oppii sinusta, ja sinä hänestä. Se on ihmiskeskeistä myyntiä verkon avustuksella.

Digimarkkinoinnin tulosten estimointi: primaari- ja sekundaaridata

Johdanto. Juttelin tänään erään ammattimyyjän kanssa digimarkkinoinnin tulosten estimoinnista eli suomeksi etukäteisarvioinnista. Aihe on noussut ennenkin esiin – asiakkaat haluaisivat kuulla perusteltuja arvioita digimarkkinoinnin tuotosta ennen investointia. Tämä on erittäin perusteltu kanta, sillä kuten muidenkin investointien kohdalla, digimarkkinoinnin tulokset tulisi kyetä perustelemaan etukäteen. Aiheesta ei kuitenkaan löydy juurikaan materiaalia ainakaan suomeksi, joten ajattelin kirjoittaa tämän lyhyen artikkelin, jossa avaan omia näkemyksiäni digimarkkinoinnin tulosten estimoinnista.

Ennustamisen perusteet. Lähtökohtana voidaan ajatella estimointia ennustamisena. Ennustaa voidaan tyypillisesti kahden datalähteen perusteella:

  1. Primaaridata — ts. asiakkaalta tuleva historiallinen tieto keskeisten mittareiden arvoista
  2. Sekundaaridata — ts. toisen käden tieto, eli esimerkiksi toimialan tai avainsanojen keskimääräiset arvot historiallisesti tarkasteltuna.

Primaaridataa saadaan asiakkaalta, sekundaaridataa muista lähteistä, esim. Googlen mediasuunnittelutyökalun kautta tai suorittamalla pilottikampanja Facebookissa. Primaaridatan voidaan katsoa olevan luotettavampaa, koska se kuvastaa juuri kyseisen asiakkaan tilannetta. Sitä ei kuitenkaan aina ole saatavilla, jolloin on turvauduttava sekundaaridataan.

Digimarkkinoinnin tulosten estimoinnin tueksi asiakkaalta olisi hyvä saada seuraavat tiedot:

  • CVR eli konversioaste (%)
  • CTR eli mainosten klikkiaste (%)
  • CPC eli klikkikustannus (€)
  • CPA eli myynnin kustannus (€)
  • AOV eli keskimääräisen ostoksen arvo (€)

Näiden tietojen perusteella voidaan arvioida mainonnan tuotto eri panostuksilla käyttämällä erilaisia laskukaavoja. Voidaan esimerkiksi ajatella kolme skenaariota: A: Matala panostus = 3000 EUR / kk; B: Keskitason panostus = 10,000 EUR / kk; C: Korkea panostus = 50,000 EUR / kk. Oikeat luvut luonnollisesti riippuvat asiakkaan markkinointibudjetista.

Esimerkki. Sanotaan, että historiallinen konversioaste olisi 1 %, klikkikustannus 0,50 € ja keskimääräinen ostoskorin arvo 150 €. Näistä voidaan laskea myynnin kustannus (0,50 / 0,01 = 50 €). Eri skenaarioilla tuotto olisi taulukon mukainen.

Taulukko 1 Esimerkki tulosten estimoinnista

Menetelmässä on muutama rajoitus.

Ensinnäkään laskentakaava ei ota huomioon uudelleenostoja eli asiakkaan elinkaariarvoa. Koska asiakkaalla on elinkaariarvo, eli keskimääräinen ostojen määrä asiakkuuden aikana on suurempi kuin yksi, suoran tuoton mittaaminen esittää mainonnan tuloksellisuuden aina alakanttiin. Tätä voidaan korjata laskemalla tai estimoimalla CLV-kerroin, joka kasvattaa keskimääräisen ostoksen arvoa ( CLV * AOV = korjattu AOV). Jos asiakkaat esimerkiksi ostavat keskimäärin kaksi kertaa uudestaan ja uudelleenostojen keskimääräinen ostoskorin arvo pysyy samana, esimerkin korjattu AOV on (1+2)*150=450 €. Tämän luvun käyttäminen antaakin tulkitsijalle täysin erilaisen kuvan mainonnan kannattavuudesta.

Toinen huomioon otettava seikka on tulosten ei-lineaarisuus, kun markkinointibudjettia kasvatetaan. Esimerkkitaulukossa oletetaan tulosten kasvavan lineaarisesti panostusten kanssa, mutta monet kokeneet markkinoijat voivat kertoa ettei näin aina käy. Viime kädessä markkinoilla on kullakin hetkellä tietty määrä tyydyttämätöntä kysyntää, jolloin ylimääräinen markkinointipanostus menee hukkaan. Voidaankin ajatella tämän olevan eräs merkittävimmistä syistä markkinoinnin tehottomuuteen – ylisaturoituneilla markkinoilla jokainen yritys ottaa jyvitetyn osuuden ylijäämäisestä markkinointi-investoinnista.

Kolmantena kaikki yritykset eivät suinkaan myy verkossa. Oletuksena em. määrittelyssä on verkkokauppa-asiakas, mutta tulokset voidaan estimoida myös esimerkiksi B2B-asiakkaan kohdalla käyttämällä myyntien sijaan liidejä eli suomeksi potentiaalisia asiakkaita. B2B-tulosten estimoinnin mittarit olisivat tällaisia:

  • CVR eli konversioaste (%)
  • CTR eli mainosten klikkiaste (%)
  • CPC eli klikkikustannus (€)
  • CPL eli liidin kustannus (€)
  • keskimääräinen liidin arvo (€)

Keskimääräinen liidin arvo voidaan laskea, kun tiedetään keskimääräinen kaupan arvo ja konversiosuhde liidistä asiakkaaksi. Tällöin voidaan estimoida myös mainonnan tuottoprosentti eli ROI tai ROAS.

Todellisten lukujen merkitys. Asiakkaalta saatujen lukujen tulisi olla historiallisia, toteutuneita arvoja. Toteutunut luku lisää estimoinnin luotettavuutta. Luvut voivat olla keskiarvoja, tai ne voivat olla jaoteltuina kanavoittain. Esimerkiksi hakukoneet ja sosiaalinen media voidaan esittää erikseen, koska niiden tuloksellisuus vaihtelee usein suuresti. Samasta syystä orgaaninen ja maksettu liikenne voidaan esittää erikseen. Tällöin myöskin estimaatin tarkkuus paranee, kun siinä voidaan eritellä investointeja kanavoittain.

Mainittuja tietoja saa verkkoanalytiikan kautta (esim. Google Analytics), kunhan tarvittavat seurannat on asennettu. Mikäli asiakas ei kykene toimittamaan tietoja estimoinnin tueksi, käytetään sekundaarista dataa. Tämä perustuu historiallisiin tietoihin; esimerkiksi verkkokaupan konversioaste on tyypillisesti 1-2 %:n välillä. Klikkihinnat voidaan estimoida Googlen mediasuunnittelutyökalun ja toteutuneiden Facebook-klikkihintojen perusteella. Arvioinnissa voidaan käyttää myös muita ohjelmallisen ostamisen alustoja tai kanavia ja niistä opittuja tietoja.

Lopuksi. Huomioi, että estimaatit ovat aina arvioita, ja ne voivat mennä pieleen. Tämä koskee kuitenkin kaikkea muutakin suunnittelua. Mitä todellisempaa dataa estimaattien laskemiseen käytetään, sitä luotettavampia ne ovat. Toteutuneet digimarkkinoinnin luvut voivat edustaa silti tehokasta markkinointia, vaikka estimaatissa esitettyjä arvoja ei saavutettaisikaan. Totuus on, että markkinoinnissa on usein yllättävän paljon tehottomuutta – digiympäristössä tämä perimmäinen totuus vain tulee helpommin esiin kuin hankalasti mitattavissa offline-kampanjoissa.

Facebook Ads: remember data breakdowns

Here’s a small case study.

We observed irrational behavior from Facebook ads. We have two ad versions running; but the one with lower CTR gets a better relevance score and lower CPC.

This seems like an irrational outcome, because in my understanding, CTR as a measure of relevance should be largest impact factor to CPC and Relevance Score.

Figure 1  Aggregate data

So, we dug a little bit futher and did a breakdown of the data. It turns out, the ad version with lower aggregate CTR performs better on mobile. Apparently this adds emphasis to the algorithm’s calculation.

Figure 2  Breakdown data

Lesson learned: Always dig in deeper to understand aggregate numbers. (If you’re interested in learning more about aggregate data problems, do a lookup on “Simpson’s paradox”.)

On online debates: fundamental differences

Back in the day, they knew how to debate.

Introduction. Here’s a thought, or argument: Most online disputes can be traced back to differences of premises. I’m observing this time and time again: two people disagree, but fail to see why. Each party believes they are right, and so they keep on debating; it’s like a never-ending cycle. I propose here that identifying the fundamental difference in their premises could end any debate sooner than later, and therefore save valuable time and energy.

Why does it matter? Due to commonness of this phenomenon, its solution is actually a societal priority — we need to teach people how to debate meaningfully so that they can efficiently reach a mutual agreement either by one of the parties adopting the other one’s argument (the “Gandhi principle”) or quickly identifying the fundamental disagreement in premises, so that the debate does not go on for an unnecessarily long period. In practice, the former seems to be rare — it is more common that people stick to their original point of view rather than “caving in”, as it is falsely perceived. While there may be several reasons for that, including stubborness, one authentic source of disagreement is the fundamental difference in premises, and its recognition is immune to loss of face, stubborness, or other socio-psychological conditions that prevent reconciliation (because it does not require admittance of defeat).

What does that mean? Simply put, people have different premises, emerging from different worldviews and experiences. Given this assumption, every skilled debater should recognize the existence of fundamental difference when in disagreement – they should consider, “okay, where is the other guy coming from?”, i.e. what are his premises? And through that process, present the fundamental difference and thus close the debate.

My point is simple: When tracing the argument back to the premises, for each conflict we can reveal a fundamental disagreement at the premise level.

The good news is that it gives us a reconciliation (and food for though to each, possibly leading into the Gandhi outcome of adopting opposing view when it is judged more credible). When we know there is a fundamental disagreement, we can work together to find it, and consider the finding of it as the end point of the deabte. Debating therefore becomes a task of not proving yourself right, but a task of discovering the root cause for disagreement. I believe this is more effective method for ending debates than the current methods resulting in a lot of unnecessary wasted time and effort.

The bad news is that oftentimes, the premises are either 1) very difficult to change because they are so fundamentally part of one’s beliefs that the individual refuses to alter them, or 2) we don’t know how we should change them because there might not be “better” premises at all, just different ones. Now, of course this argument in itself is based on a premise, that of relativity. But alternatively we could say that some premises are better than others, e.g. given a desirable outcome – but that would be a debate of value subjectivity vs. universality, and as such leads just into a circular debate (which we precisely do not want) because both fundamental premises co-exist.

In many practical political issues the same applies – nobody, not even the so-called experts, can certainly argue for the best scenario or predict the outcomes with a high degree of confidence. This leads to the problem of “many truths” which can be crippling for decision-making and perception of togetherness in a society. But in a situation like that, it is ever more critical to identify the fundamental differences in premises; that kind of transparency enables dispassionate evaluation of their merits and weaknesses and at the same time those of the other party’s thinking process. In a word, it is important for understanding your own thinking (following the old Socratean thought of ‘knowing thyself’) and for understanding the thinking of others.

The hazard of identifying fundamental premise differences is, of course, that it leads into “null result” (nobody wins). Simply put, we admit that there is a difference and perhaps logically draw the conclusion that neither is right, or that each pertains the belief of being right (but understand the logic of the other party). In an otherwise non-reconcialiable scenario, this would seem like a decent compromise, but it is also prohibitive if and when participants perceive the debate as competition. Instead, it should be perceived as co-creation: working together in a systematic way to exhaust each other’s arguments and thus derive the fundamental difference in premises.

Conclusion. In this post-modern era where 1) values and worldviews are more fragmented than ever, and 2) online discussions are commonplace thanks to social media, the number of argumentation conflicts is inherently very high. In fact, it is more likely to see conflict than agreement due to all this diversity. People naturally have different premises, emerging from idiosyncratic worldviews and experiences, and therefore the emergence of conflicting arguments can be seen as the new norm in a high-frequency communication environments such as social networks. People alleviate this effect by grouping with likeminded individuals which may lead into assuming more extreme positions than they would otherwise assume.

Education of argumentation theory, logic (philosophy and practice), and empathy is crucial to start solving this condition of disagreement which I think is of permanent nature. Earlier I used the term “skilled debater”. Indeed, debating is a skill. It’s a crucial skill of every citizen. Societies do wrong by giving people voice but not teaching them how to use it. Debating skills are not natural traits people are born with – they are learned skills. While some people are self-learned, it cannot be rationally assumed that the majority of people would learn these skills by themselves. Rather, they need to be educated, in schools at all levels. For example, most university programs are not teaching debating skills in the sense I’m describing here – yet they proclaim to instill critical thinking to their students. The level and the effort is inadequate – the schooling system needs to step up, and make the issue a priority. Otherwise we face another decade or more of ignorance taking over online discussions.

Miten tuottaa lisäarvoa dynaamisella uudellenkohdennuksella?

Juttelin tänään erään Facebookin edustajan kanssa, jonka tehtävänä on auttaa Elämyslahjoja tekemään parempaa Facebook-mainontaa.

Keskustelu pyöri aloittelijatasolla, kunnes sanoin että olemme tehneet Facebook-mainontaa jo monta vuotta ja tiedämme nämä perusjutut.

Silloin henkilö ehdotti meille Facebookin dynaamista uudellenkohdennusta (eng. dynamic retargeting). Ko. mainonnan muoto siis toimii niin, että tietyllä tuotesivulla käyneelle henkilölle näytetään Facebookissa samasta tuotteesta mainoksia. Katsot siis verkkokaupasta kenkiä, ja näet samat kengät Facebook-mainoksessa.

Hän suositteli sitä meille, koska se kuulemma toimii. Kysyin että miksi se toimii? No, hän sanoi, että ensinnäkin monet isot verkkokauppa-asiakkaat käyttävät sitä ja toiseksi se tuottaa hyvin konversioita.

Tarkastellaan näitä argumentteja:

A) “Muut käyttävät” –> pätevyys: huono, koska se että muut tekevät jotain ei tarkoita että se olisi järkevää; nettimarkkinoinnissa on paljon harhaisia markkinointikäsityksiä, jotka ajavat tehottomuutta, isoissakin firmoissa.

B) “Tuottaa konversioita” –> pätevyys: luultavasti huono, koska attribuutio ja ostoprosessi osuvat yksiin, jolloin Facebook-mainos saa sille “kuulumatonta” kunniaa myyneistä. Kirjoitin tästä ilmiöstä täällä.

Selitin siis nämä perustelut ja kerroin että tarkoitin kysymyksellä sitä, että mitä lisäarvoa kyseinen ominaisuus tuottaa asiakkaalle. Henkilö selkeästi häkeltyi, eikä osannut vastata. Hän sitten toisti ensin sanomansa argumentit.

Rupesin miettimään tätä asiaa.

Oikeasti – mitä hyötyä on siitä, että henkilö A näkee tuotteen X vielä uudelleen mahdollisesti viikkojen ajan uudelleenmarkkinoinnissa? Kun hän selailee Facebookia tai uutissivustoja. Se sama tuote, jonka jo katsoin läpi enkä ostanut.

Omassa päätelmässäni ei mitään hyötyä. Päinvastoin, se on hukattu mahdollisuus. Miksi “hukattu”?

Koska itse tieto siitä mistä tuotteesta henkilö oli kiinnostunut on erittäin arvokas, jos sitä käytetään oikein.

On väärin näyttää samaa tuotetta uudelleen ja uudelleen ja kuvitella, että ihminen yhtäkkiä muuttaisi mielensä. Tämä on sama kuin inttäminen perinteisessä myynnissä. Toimiiko sellainen taktiikka? Ei toimi. Inttämisen sijaan pitää tarjota vaihtoehtoja, ja kun tiedetään mistä asiakas on ollut kiinnostunut, voidaan sitä tietoa käyttää suosittelun pohjana.

Toisin sanoen Facebook kehottaa käyttämään uudelleenkohdennusta näin:

1) Kerro lisää samasta tuotteesta –> uskottavuus: matala, koska tämä on inttämistä (ts. tarjotaan sama asia tuhat kertaa, ja odotetaan eri tulosta = Einsteinin määritelmä typeryydelle)

2) Muistuta ostamisesta –> uskottavuus: matala, koska ihmisen muisti on pidempi kuin kultakalan (ts. olen jo nähnyt tuotteen ja päättänyt että ei)

Molempien taustalla on väärä ihmiskuva: “ihmiset ovat tyhmiä ja manipuloitavissa, joten heitä tulee koko ajan muistuttaa ja he kuin taikaiskusta päättävätkin ostaa tuotteen.” Ajatellaan, että ihmiset ovat aivottomia robotteja. Todellisuudessa retargeting toimii suureksi osaksi mainitsemani attribuutioharhan vuoksi, ei sen takia että se tuottaisi aitoa lisäarvoa.

Kuinka sitten tehdä asia oikein? Mahdollisuuksia tuottaa aitoa lisäarvoa dynaamisella uudelleenkohdennuksella ovat ainakin:

1) Ylösmyynti (eng. upselling, en löytänyt hyvää suomenkielistä käännöstä) – suositellaan asiakkaalle kalliimpaa (tai edullisempaa) vaihtoehtoa ja mahdollisesti lisäosia taikka lisäpalveluja. Lue lisää.

2) Ristiinmyynti (eng. cross-selling) – suositellaan asiakkaalle täydentäviä tuotteita (komplementteja); esim. jos ostit kengät, osta sukat, jne. Lue lisää ristiinmyynnistä.

Molemmissa taktiikoissa ajatuksena on, että suositellaan asiakkaalle tuotteita, joita hän ei ole vielä nähnyt, mutta joista hän datamme perusteella voisi olla kiinnostunut. Tilastollisten mallien avulla pystytään tunnistamaan paitsi tuotteiden suhdetta toisiinsa, myös tekemään suosituksia aikaisempien asiakkaiden ostoskorien sisällön perusteella. Ao. kuva havainnollistaa asiaa.

Lähde: Liukkonen, 2016

Yritysten pitäisi siis rakentaa samanlaisia suosittelukeinoja (eng. recommendation engine) mainontaan kuin mitä verkkosivuilla käytetään (ks. esim. Amazon, suomalaisia palveluntarjoajia ovat ainakin Nosto ja Custobar). Näillä voidaan parantaa mainonnan relevanssia ja ennen kaikkea tuottaa lisäarvoa. Perinteisessä myynnissä tehokkaiksi havaitut taktiikat tulisi jalkauttaa sopivalla tavalla verkkoon, koska niiden takana on pitkä tutkimus ja käytäntö ja niiden toimivuus voidaan täten perustella.

Johtopäätös: Dynaamisessa uudelleenmarkkinoinnissa kannattaa 1) näyttää mitä asiakas ei ole nähnyt, ja 2) tuottaa lisäarvoa (ei spämmiä).

Olin häkeltynyt kuinka pinnallisia ja yksioikoisia suosituksia sain Facebookin edustajalta (ihmiskuva? robotti; lisäarvo? ei mietitä). Mutta olen opettaessani huomannut tämän ennenkin: markkinoinnin opiskelijoille syötetään väärää mielikuvaa yksinkertaisista asiakkaista, joiden manipulaatioon (konversioon) riittää tietty määrä toistoja. Tungetaan pullaa kurkusta alas, jos ei hyvällä niin pahalla.

Tällainen vanhanaikainen ihmiskäsitys — ns. spämmääjän mentaliteetti — on markkinoijalle haitallista. Spämmäävä markkinointi johtaa reaktanssiin ja mainosten yleiseen vastustukseen. Lisäksi ohjelmallisessa ostamisessa on muitakin laatuongelmia, joten markkinoijien tulisi kaikin keinoin pyrkiä toteuttamaan lisäarvon periaatetta.

Toivottavasti tämä artikkeli herätti ajattelemaan asioista toisella tavalla, ainakin dynaamisen uudelleenkohdistuksen kontekstissa.

What is a “neutral algorithm”?

1. Introduction

Earlier today, I had a brief exchange of tweets with @jonathanstray about algorithms.

It started from his tweet:

Perhaps the biggest technical problem in making fair algorithms is this: if they are designed to learn what humans do, they will.

To which I replied:

Yes, and that’s why learning is not the way to go. “Fair” should not be goal, is inherently subjective. “Objective” is better

Then he wrote:

lots of things that are really important to society are in no way objective, though. Really the only exception is prediction.

And I wrote:

True, but I think algorithms should be as neutral (objective) as possible. They should be decision aids for humans.

And he answered:

what does “neutral” mean though?

After which I decided to write a post about it, since the idea is challenging to explain in 140 characters.

2. Definition

So, what is a neutral algorithm? I would define it like this:

“A neutral algorithm is a decision-making program whose operating principles are minimally inflenced by values or opinions of its creators.” [1]

An example of a neutral algorithm is a standard ad optimization algorithm: it gets to decide whether to show Ad1, Ad2, or Ad3. As opposed to asking from designers or corporate management which ad to display, it makes the decision based on objective measures, such as click-through rate (CTR).

A treatment that all ads (read: content, users) get is fair – they are diffused based on their merits (measured objectively by an unambiguous metric), not based on favoritism of any sort.

3. Foundations

The roots of algorithm neutrality stem from freedom of speech and net neutrality [2]. No outsiders can impose their values and opinions (e.g., censoring politically sensitive content) and interfere with the operating principles of the algorithm. Instead of being influenced by external manipulation, the decision making of the algorithm is as value-free (neutral) as possible. For example, in the case of social media, it chooses to display information which accurately reflects the sentiment and opinions of the people at a particular point in time.

4. Limitations

Now, I grant there are issues with “freedom”, some of which are considerable. For example, 1) for media, CTR-incentives lead to clickbaiting (alternative goal metrics should be considered), 2) for politicians and electorate, facts can be overshadowed by misinformation and short videos taken out of context to give false impression of individuals; and 3) for regular users, harmful misinformation can spread as a consequnce of neutrality (e.g., anti vaccination propaganda).

Another limitation is legislation – illegal content should be kept out by the algorithm. In this sense, the neutral algorithm needs to adhere to a larger institutional and regulatory context, but given that the laws themselves are “fair” this should impose no fundamental threat to the objective of neutral algorithms: free decision-making and, consequently, freedom of speech.

I wrote more about these issues here [3].

5. Conclusion

Inspite of the aforementioned issues, with a neutral algorithm each media/candidate/user has a level playing field. In time, they must learn to use it to argue in a way that merits the diffusion of their message.

The rest is up to humans – educated people respond to smart content, whereas ignorant people respond to and spread non-sense. A neutral algorithm cannot influence this; it can only honestly display what the state of ignorance/sophistication is in a society. A good example is Microsoft’s infamous bot Tay [4], a machine learning experiment turned bad. The alarming thing about the bot is not that “machines are evil”, but that *humans are evil*; the machine merely reflects that. Hence my original point of curbing human evilness by keeping algorithms free of human values as much as possible.

Perhaps in the future an algorithm could figuratively spoken save us from ourselves, but at the moment that act requires conscious effort from us humans. We need to make critical decisions based on our own judgment, instead of outsourcing ethically difficult choices to algorithms. Just as there is separation of church and state, there should be separation of humans and algorithms to the greatest possible extent.

Notes

[1] Initially, I thought about definition that would say “not influenced”, but it is not safe to assume that the subjectivity of its creators
would not in some way be reflected to the algorithm. But “minimal” leads into normative argument that that subjectivity should be mitigated.

[2] Wikipedia (2016): “Net neutrality (…) is the principle that Internet service providers and governments should treat all data on the Internet the same, not discriminating or charging differentially by user, content, site, platform, application, type of attached equipment, or mode of communication.”

[3] Algorithm Neutrality and Bias: How Much Control? <https://www.linkedin.com/pulse/algorithm-neutrality-bias-how-much-control-joni-salminen>

[4] A part of the story is that Tay was trolled heavily and therefore assumed a derogatory way of speech.

Advertisers actively following “Opportunities” in Google AdWords risk bid wars

PPC bidding requires strategic thinking.

Introduction. Wow. I was doing some SEM optimization in Google AdWords while a thought struck me. It is this: Advertisers actively following “Opportunities” in AdWords risk bid wars. Why is that? I’ll explain.

Opportunities or not? The “Opportunities” feature proposes bid increases for given keywords, e.g. Week 1: Advertiser A has current bid b_a and is proposed a marginal cost m_a, so the new bid e_a = b_a+m_a. During the same Week 1: Advertiser B, in response to Advertiser A’s acceptance of bid increase, is recommended to maintain his current impression share by increasing his bid b_b to e_b = b_b+m_b. To maintain the impression share balance, Advertiser A is again in the following optimization period (say the optimization cycle is a week, so next week) proposed yet another marginal increase, et cetera.

If we turn m into a multiplier, then the bid will eventually be b_a = (b_a * m_a)^c, where c is the number of optimization cycles. Let’s say AdWords recommends 15% bid increase at each cycle (e.g., 0.20 -> 0.23$ in the 1st cycle); then after five cycles, the keyword bid has doubled compared to the baseline (illustrated in the picture).

Figure 1   Compounding bid increases

Alluring simplicity. Bidding wars were always a possible scenario in PPC advertising – however, the real issues here is simplicity. The improved “Opportunities” feature gives much better recommendations to advertisers than earlier version, which increases its usage and more easily leads into “lightly made” acceptance of bid increases that Google can show to likely maintain a bidder’s current competitive positioning. From auction psychology we know that bidders have a tendency to overbid when put into competitive pressure, and that’s exactly where Google is putting them.

It’s rational, too. I think that more aggressive bidding can easily take place under the increasing usage of “Opportunities”. Basically, the baselines shift at the end of each optimization cycle. The mutual increase of bids (i.e., bid war) is not only a potential outcome of light-headed bidding, but in fact increasing bids is rational as long as keywords still remain profitable. But in either case, economic rents (=excessive profits) will be competed away.

Conclusion. Most likely Google advertising will continue converging into a perfect market, where it is harder and harder for individual advertisers to extract rents, especially in long-term competition. “Opportunities” is one way of making auctions more transparent and encourage more aggressive bidding behavior. It would be interesting to examine if careless bidding is associated with the use of “Opportunities” (i.e., psychological aspect), and also if Google shows more recommendations to increase than decrease bids (i.e., opportunistic recommendations).

Belief systems and human action

What people believe, sometimes because real because of that.

1. Introduction. People are driven by beliefs and assumptions. We all make assumptions and use simplified thinking to cope with complexities of daily life. These include stereotypes, heuristical decision-making, and many forms of cognitive biases we’re all subject to. Because information individuals have is inherently limited as are their cognitive capabilities, our way of rational thinking is naturally bounded (Simon, 1956).

2. Belief systems. I want to talk about what I call “belief systems”. They can be defined as a form of shared thinking by a community or a niche of people. Some general characterizations follow. First, belief systems are characterized by common language (vocabulary) and shared way of thinking. Sociologists could define them as communities or sub-cultures, but I’m not using that term because it is usually associated with shared norms and values which do not matter in the context I refer to in this post.

3. Advantages and disadvantages. Second, the main advantage of belief systems is efficient communication, because all members share the belief system and are therefore privy to the meaning of specific terms and concepts. The main disadvantage of belief systems is the so-called tunnel vision which restricts the members adopting a belief system to seek or accept alternative ways of thinking. Both the main advantage and the main disadvantage result from the same principle: the necessity of simplicity. What I mean by that is that if a belief system is not parsimonious enough, it is not effective in communication but might escape tunnel vision (and vice versa).

4. Adoption of belief systems. For a belief system to spread, it is subject to the laws of network diffusion (Katz & Shapiro, 1985). The more people have adopted a belief system, the more valuable it becomes for an individual user. This encourages further adoption as a form of virtuous cycle. Simplicity enhances diffusion – a complex system is most likely not adopted by a critical mass of people. “Critical mass” refers here to the number of people sharing the belief system needed for additional members to adopt a belief system. Although this may not be any single number since the utility functions controlling the adoption are not uniformly distributed among individuals; there is an underlying assumption that belief systems are social by nature. If not enough people adopt a belief system, it is not remarkable enough to drive human action at a meaningful scale.

5. Understanding. Belief systems are intangible and unobservable by any direct means, but they are “real” is social sense of the word. They are social objects or constructs that can be scrutinized by using proxies that reflect their existence. The best proxy for this purpose is language. Thus, belief systems can be understood by analyzing language. Language reveals how people think. The use of language (e.g., professional slang) reveals underlying shared assumptions of members adhering to a belief system. An objective examinator would be able to observe and record the members’ use of language, and construct a map of the key concepts and vocabulary, along with their interrelations and underlying assumptions. Through this proceduce, any belief system could be dissected to its fundamental constituents, after which the merits and potential dischords (e.g., biases) could be objectively discussed.

For example, startup enthusiasts talk about “customer development” and “going out of building” as new, revolutionary way of replacing market research, whereas marketing researchers might consider little novelty in these concepts and actually be able to list those and many more market research techniques that would potentially yield a better outcome.

6. Performance. By objective means, a certain belief system might not be superior to another either to be adopted or to perform better. In practice, a belief system can yield high performance rewards either due to 1) additional efficiency in communication, 2) randomity of it working better than other competing solutions, or 3) its heuristical properties that e.g. enhance decision-making speed and/or accuracy. Therefore, beliefs systems might not need to be theoretically optimal solutions to yield a practically useful outcome.

7. Changing belief system. Moreover, belief systems are often unconcious. Consider the capitalistic belief system, or socialist belief system. Both drive the thinking of individuals to an enormous extent. Once a belief system is adopted, it is difficult to learn away. Getting rid of a belief system requires considerable cognitive effort, a sort of re-programming. An individual needs to be aware of the properties and assumptions of his belief system, and then want to change them e.g. by for looking counter-evidence. It is a psychological process equivalent to learning or “unlearning”.

8. Conclusion. People operate based on belief systems. Belief systems can be understood by analyzing language. Language reveals how people think. The use of language (e.g., professional slang) reveals underlying shared assumptions of a belief system. Belief systems produce efficiency gains for communication but simultaneously hinder consideration of possibly better alternatives. A belief system needs to be simple enough to be useful, people readily absorb it and do not question the assumptions thereafter. Changing belief systems is possible but requires active effort for a period of time.

References

Katz, M. L., & Shapiro, C. (1985). Network Externalities, Competition, and Compatibility. The American Economic Review, 75(3), 424–440.

Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129–38.

Digital marketing in China: search-engine marketing (SEM) on Baidu

Introduction

China is an enormous market, amounting to 1.3 billion people and growing. Out of all the BRIC markets, China is the furthest in the adoption of technology and digital platforms, especially smartphones and applications.

Perhaps the most known example of Chinese digital platforms in the West is Alibaba, the ecommerce giant with market cap of over 200 $bn. Through Ali Express, Western consumers can order Chinese products – but also Western companies can use the marketplace to sell their products to Chinese consumers. However, this blog post is about Baidu, the Chinese equivalent to Google.

About Baidu

Baidu was founded in 2000, almost at the same time as Google (which was
founded in 1998). Google left China in 2010 amidst censorship issues, after which Baidu has solified its position as the most popular search engine in China.

Most likely due to their similar origins, Baidu is much like Google. The user interface and functionalities have borrowed heavily from Google, but Baidu also displays some information differently from Google. An example of Baidu’s search-engine results page (SERP) can be seen below.

Figure 1   Example of Baidu’s SERP

A lot of Chinese use Baidu to search for entertainment instead of information;
Baidu’s search results page support this behavior. In terms of search results, there is active censorship on sensitive topics, but that is not directly influencing most Western companies interested in the Chinese market. Overall, to influence Chinese consumers, it is crucial to have a presence on Baidu — companies not visible on Baidu might not be considered by the Chinese Internet users as esteemed brands at all.

Facts about Baidu

I have collected here some interesting facts about Baidu:

  1. Baidu is the fourth most visited website in the world (Global Rank: 4), and number one in China [1]
  2. Over 6 billion daily searches [2]
  3. 657 million monthly mobile users (December 2015) [3]
  4. 95.9% of the Baidu visits were from mainland China. [4]
  5. Baidu’s share of the global search-engine market is 7.52% [5]
  6. Baidu offers over 100 services, including discussion forums, wiki (Baidu Baike), map service and social network [6]
  7. Most searched themes are film & TV, commodity supply & demand, education, game and travel [7]

The proliferation of Internet users has tremendously influenced Baidu’s usage, as can be seen from the statistics.

How to do digital marketing in Baidu?

Baidu enables three type of digital marketing: 1) search-engine optimization (SEO), 2) search-engine advertising (PPC), and 3) display advertising. Let’s look at these choices.

First, Baidu has a habit of favoring its numerous own properties (such as Baidu News, Zhidao, etc.) over other organic results. Even up to 80% of the first page results is filled by Baidu’s own domains, so search-engine optimization in Baidu is challenging. Second, Baidu has a similar network to GDN (Google Display Network). It includes some 600k+ websites. As always, display networks need to be filtered for ad fraud by using whitelisting and blacklisting techniques. After doing that, display advertising is recommended as an additional tactic to boost search advertising performance.

Indeed, the best way to reach Baidu users is search advertising. The performance of PPC usually exceeds other forms of digital marketing, because ads are shown to the right people at the right time. Advertising in Baidu is a common practice, and Baidu has more than 600,000 registered advertisers. Currently advertiser are especially focusing on mobile users, where Baidu’s market share is up to 90% and where usage is growing the fastest [8].

How does Baidu advertising work?

For an advertiser, Baidu offers similar functionalities than Google. Search-engine advertising, often called PPC (pay-per-click), is possible in Baidu. In this form of advertising, advertisers bid on keywords that represent users’ search queries. When a user makes a particular serch, they are shown text ads from the companies with winning bids. Companies are charged when their ad is clicked.

The following picture shows how ads are displayed on Baidu’s search results page.

Figure 2   Ads on Baidu

As you can see, ads are shown on top of the search results. Organic search results are placed after ads on the main column. On the right column, there is extra “rich” information, much like on Google. The text ads on Baidu’s SERP look like this:

Figure 3   Text ads on Baidu

The ad headlines can have up to 20 Chinese characters or 40 English characters, and the description text up to 100 Chinese characters or 200 English characters. There is also possibility to use video and images in a prominent way. Below is an example of Mercedez Benz’s presence in Baidu search results.


Figure 4   Example of brands presence on Baidu

It can be easily understood that using such formats is highly recommendable for brand advertisers.

How to access Baidu advertising?

Baidu’s search advertising platform is called Phoenix Nest (百度推广). The tools to access accounts include Web interface and Baidu PPC Editor (百度推广助手).

To start Baidu advertising, you will need to create an account. For that, you need to have a Chinese-language website, as well as send Baidu a digital copy business registration certificate issued in your local country. You also need to make a deposit of 6500 yuans, of which 1500 is held by Baidu as a setup fee and the rest is credited to your advertising account. The opening process for Baidu PPC account may take up to two weeks. Depending on your business, you might also need to apply for Chinese ICP license and host the website in mainland China.

Alternatives for Baidu

There are other search providers in China, such as 360 Search and Sogou but with its ~60% market share in search and ~50% of overall online advertising revenue in China, Baidu is the leading player. Additionally, Baidu is likely to remain on top in the near future to its considerable investments on machine learning and artificial intelligence in the fields of image and voice recognition. Currently, some 90% of Chinese Internet users are using Baidu [9]. For a marketer interested in doing digital marketing in China, Baidu should definitely be included in the channel mix.

Other prominent digital marketing channels include Weibo, WeChat, Qihoo 360, and Sogou. For selling consumer products, the best platforms are Taobao and Tmall – many Chinese may skip search engines and directly go to these platforms for their shopping needs. As usually, companies are advised to leverage the power of superplatforms in their marketing and business operations.

Sources

[1] Alexa Siteinfo: Baidu <http://www.alexa.com/siteinfo/baidu.com>
[2] Nine reasons to use Baidu <http://richwaytech.ca/9-reasons-use-baidu-for-sem-china/>
[3] Baidu Fiscal Year 2015 <http://www.prnewswire.com/news-releases/baidu-announces-fourth-quarter-and-fiscal-year-2015-results-300226534.html>
[4] Is Baidu Advertising a Good Way to Reach Chinese Speakers Living in Western Countries? <https://www.nanjingmarketinggroup.com/blog/how-much-baidu-traffic-there-outside-china>
[5] 50+ Amazing Baidu statistics and facts <http://expandedramblings.com/index.php/baidu-stats/>
[6] 10 facts to understand Baidu <http://seoagencychina.com/10-facts-to-understand-the-top-search-engine-baidu/>
[7] What content did Chinese search most in 2013 <https://www.chinainternetwatch.com/6802/what-content-did-chinese-search-most-2013/#ixzz4G59YyMRG>
[8] Baidu controls 91% mobile search market in China <http://www.scmp.com/tech/apps-gaming/article/1854981/baidu-controls-91pc-mobile-search-market-china-smaller-firms>
[9] Baidu Paid Search <http://is.baidu.com/paidsearch.html>