Skip to content

Tag: analytiikka

CLV-pohjainen markkinointibudjetin allokaatio alustojen välillä

Odottelen, että ilmaantuisi helppo tapa tehdä järkevää markkinointia. Nythän tilanne on niin, että markkinointibudjetit allokoidaan joko fiiliksen mukaan (lehdet, TV, radio) taikka konversiokustannusten mukaan (digi). Eli toisin sanoen jälkimmäisessä tapauksessa lasketaan CPA:ta, kun pitäisi laskea CLV:tä.

Miksi CLV:tä ei lasketa?

CLV:tä ei lasketa, koska se on niin hankalaa. Pitäisi erottaa ostohistoria ja kytkeä jokainen konversio asiakkaaseen (luokittelu: uusi/vanha), jotta saataisiin elinkaariarvo. Tieto on piilossa omissa järjestelmissä (CRM/SQL) ja sen kytkeminen Web-analytiikkaan vaatii räätälöintiä. Kertaluonteisen konversion, tyypillisesti myynnin, hintaa on helppo seurata yhdellä skriptin pätkällä ja siksi sitä käytetään budjetin allokoimisen pohjana. Tyydytään saatavilla olevaan dataan, koska se on helpointa.

Miksi CLV pitäisi laskea?

CLV eli asiakkaan elinkaariarvo määrittää monta asiaa. Asiakkaat voidaan jakaa kannattavuuden mukaan eri segmentteihin, joille tarjotaan eri palvelutaso ja ehdotetaan erilaisia tuotteita taikka annetaan lisäetuja kiitoksena uskollisuudesta. Elinkaariarvo voi vaihdella kanavoittain, ikäluokittain, sijainnin mukaan, yms. Erottelevat tekijät olisi tärkeä tunnistaa, jotta kannattavimmille asiakkaille yhteiset piirteet ohjaisivat markkinoinnin kohdistamista.

CLV-laskelmien jalkauttaminen

Parhaimmillaan kohdentamisen voi automatisoida. Ainakin kolme tapaa tulee mieleen:

1. Budjetin/bidin säätö CLV-estimoinnin perusteella: kannattavimmille kohderyhmille osoitetaan enemmän budjettia taikka niiden huomiosta tarjotaan mainoshuutokaupassa tietty ylikerroin, sillä perusteella että ne ovat kannattavampia. Tämän voi toteuttaa joko vain nykyiselle asiakaskannalle, tai laajemmalle kohderyhmälle jolla on kannattavinta asiakasryhmää vastaavat piirteet (vrt. “lookalike”-logiikka). Erilaiset dataratkaisut (DMP) mahdollistavat teoriassa tietyn kohderyhmän saavuttamisen mediariippumattomasti, vaikka käytännössä eri alustat joutuu konfiguroimaan erikseen. Mikäli rakennetaan väliohjelmisto (à la Smartly), voidaan budjetointi/bid-päätökset tehdä joustavasti niin että ohjelmisto kerää tiedot alustoilta, yhdistää yrityksen omaan dataan, päivittää CLV-laskelman ja sen mukaisesti tekee em. päätökset.

2. Erillinen palvelukokemus: tarjotaan kannattavimmille asiakkaille eri tuotesuositukset tai lisäpalvelut verkossa taikka sen ulkopuolella. Ts. tyypillinen verkkosivun dynaaminen personointi, mutta tässä tapauksessa CLV-arvon perusteella.

3. Erilliset kampanjat/tarjoukset: kohdistetaan sähköposti- ja muuta suoramarkkinointia joka on räätälöity kannattavimmille asiakasryhmille. Ts. dynaamiset listat, jotka päivittyvät CLV-laskelman perusteella, ja kullekin listalle räätälöidyt sisällöt/polut.

Filosofinen tausta on, että pyritään vähentämään hukkaa tavoittamalla vain sitoutuneet asiakkaat. Aika voidaan käyttää siihen, että mietitään miten palvella heitä entistä paremmin, sen sijaan että jahdataan jatkuvasti uusia asiakkaita. Tuloksen on markkinointi-investointien tuottavuuden (ROI) kasvu. Riskinä on häirikönti – viestinnän pitää tuntua oikea-aikaiselta ja sisällön puolesta osuvalta. Liian usein toteutukset kuitenkin ovat tylsiä ja eivät pureudu tarpeeksi kohderyhmän aitoihin motiiveihin. Sen vuoksi kampanjoiden saamaa responssia ja etenkin negatiivisia “pisteitä” tulee seurata aktiivisesti.

Johtopäätös

Markkinointibudjettien allokointi on yhä edelleen mutun varassa. Toimialalla ei ole tarjolla helppoja ratkaisuja ongelman ratkaisuun. Tulevaisuudessa CLV-laskelmat mahdollistava teknologia toivottavasti yleistyy ja tulee kaikkien saataville kohtuuhintaan. Alalla on vielä tilaa useammalle startupille, vaikka lopulta Facebookin ja Googlen kaltaiset toimijat tulevat levittämään CLV-laskelmat kaikkien mainostajien saataville.

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!

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.

Ajatuksia analytiikasta

Vähän sivuan jo Mr. Järvisen tulevaa väitöstä Jyväskylä yliopistossa 🙂 mutta mielenkiintoisen keskustelun perusteella pääteltiin seuraavaa.

Organisaation toimintatavat eivät monessa tapauksessa tue tiedolla johtamista. Tämä tekee analytiikasta jos ei hyödytöntä, niin ainakin paljon hankalammin hyödynnettävissä olevaa. Ei voida puhua analytiikkainvestointien tuotosta, jos organisaatiokulttuuri tai muut tekijät estävät markkinoinnin tehoa parantavat muutokset.

Hyvä esimerkki on jäykkä markkinointibudjetointi. Kankeat organisaatiot eivät muuta markkinointibudjettia lennosta, vaikka performanssi olisi aidosti ROI-positiivinen. “Aidosti” on tärkeä sana, koska Joel oikein huomautti, että positiivinen ROI ei tarkoita vielä voitollista mainontaa (Janni Widerholm kirjoitti tästä M&M:aan). Hyvä esimerkki joustavasta markkinointibudjetoinnista on Rovio – tai ainakin Tapio Tuomola puhui tästä ongelmasta, ja oletan että panostuksia heillä muutettiin melko lailla lennosta. Mutta monista ketteristä organisaatioista huolimatta markkinoinnin budjetointi tehdään usein jäykästi, sen sijaan että määriteltäisiin raamit, ja muutettaisiin markkinointibudjettia tulosten saavuttamisen mukaisesti.

Olennainen havainto on myös, että markkinointibudjettien allokointi tehdään usein “gut feeling” -periaatteella, eli arvioidaan miten eri kanavat toimivat tai mikä on niiden merkitys liiketoiminnassa. Tämä yhdistettynä jäykkään budjetointiin johtaa luonnollisesti lopputulokseen, joka on budjetin käytön kannalta kaukana optimaalisesta. Teoreettista markkinointipanostusten optimaalia ei voitane lainkaan saavuttaa johtuen ennustamattomista ja tuntemattomista tekijöistä, mutta analytiikan kautta tapahtuvan optimoinnin tavoite on lähestyä sitä. Mitä jäykempää budjetin muuttaminen on, sitä kauemmas optimista jäädään.

Näin ollen analytiikkaa hyödyntävien yritysten päätöksenteko ei ole aina rationaalista, vaan siihen vaikuttaa yhtäältä organisaation jäykkyys, toisaalta epäluottamus analytiikan luotettavuutta kohtaan.

Mielenkiintoinen kysymys on yrityksen koon vaikutus. Ts. toimivatko pienet yritykset ketterämmin analytiikan hyödyntämisessä ja saavat näin siitä enemmän irti? Vai onko ketteryys ylipäänsä liitettävissä yrityksen kokoon? Vai esimerkiksi “kulttuuriin”, joka voi vaikka korporaation ja startupin välillä olla samankaltainen.

Lisäksi puhuimme sosiaalisen median monitoroinnista, ja totesimme että nykyiset työkalut ovat varsin kehittymättömiä. Sentimenttianalyysin toteutuksissa on käytännössä laajoja puutteita, ja lopputuloksena saatava sentimenttipisteytys ei juuri lisää asiakasymmärrystä. Pitäisi edetä kohti latenttien muuttujien ja ns. hiljaisten signaalien tunnistamista, ja jopas low tech -ratkaisut (puhelin & muistio) ovat suotavia.

Joelilla oli hyviä ajatuksia kuinka sosiaalista mediaa analysoimalla voidaan tunnistaa sisältömarkkinoille olennaisia teemoja – itse kehitin ajatusta eteenpäin niin, että teemojen määrän kasvauessa niiden priorisointi tapahtuu koneellisesti kasvuvauhtia ja absoluuttista viestien määrää tarkastelemalla. Näin voidaan yhdistää ihmisen ja koneen parhaat puolet sisältömarkkinoinnin ohjaamiseksi sosiaalisessa mediassa trendaavien ilmiöiden kautta.

Analytiikan ongelmista myös puhuttiin, lähinnä siitä että se yleensä peilaa menneisyyttä, jolloin organisaatioiden pitäisi pyrkiä deskriptiivisyydestä ennakoivaan analytiikkaan. Mutta koska vielä deskriptiivisen analytiikan soveltamisessakin löytyy puutteita, monilla organisaatioilla on edessään pitkä tie. Samoin analytiikan suhde luovuuteen ja tosielämän toimiin (ehkä intuitionkin kautta) on mielenkiintoinen teema.

Paljon muutakin vielä juteltiin, mutta nämä jäivät päällimmäisenä mieleen! Akateemisesti valveutuneiden kavereiden kanssa keskusteltaessa päästään nopeasti korkeisiin sfääreihin ja voidaan irrottaa asioita kontekstista. Täytyy arvostaa sellaista keskustelua.

Kirjoittaja toimii tutkijana ja opettaa digitaalista markkinointia Turun kauppakorkeakoulussa.

Kun “konversio” ei ole konversio: Kvasikonversion idea ja todellisen CPA:n laskeminen

On tilanteita, joissa konversioiden määrä ja sitä myöten laskettu CPA ovat harhaanjohtavia.

Erityisesti tällainen tilanne on, kun lasketun konversion jälkeen tapahtuu karsintaa (esim. liidien klousaus, korkea palautusprosentti, affiliate-huijaus).

Miten siinä tapauksessa tulisi laskea CPA?

Kaava on yksinkertainen:

(1/(1-k))*CPA, jossa

  • k on mitatun konversion jälkeinen katoprosentti
  • CPA on konversion kustannus

Esimerkki:

Vaatealan verkkokauppa mainostaa mainosalustassa x. He laittavat mainontaan rahaa 1000 €, jolla tulee 50 konversiota (myyntiä).

Perinteisesti laskettuna CPA on tällöin 1000 / 50 = 20 €. Tämä on siis luku, jonka alusta raportoi.

Jo konvertoituneista kuitenkin peräti neljäosa palauttaa tuotteet. Mainosalustan raportoima CPA on siis harhaanjohtava, koska todellisuudessa kyseessä ei ollut myynti.

Käyttämällä edellä mainittua kaavaa saadaan:
(1/(1-0,25))*(1000/50) = 26,70 €

Todellinen konversion kustannus on siis huomattavasti korkeampi. Tämä on siis tärkeä asia, koska CPA:ta käytetään optimointitavoitteena. Todellista matalampi CPA-arvo voi antaa kuvan, että markkinointi on kannattavaa, vaikka se ei todellisuudessa ole.

Vaihtoehtoinen muoto kaavalle on:

c/(o*(1-k), jossa

  • c on kustannukset
  • o on konversioiden määrä

Johtopäätös: digimarkkinoijan tulee olla tarkkana määritellessään konversiota, koska kaikissa tapauksissa analytiikan palauttama konversiomäärä ei vastaa todellista lukua.

 

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