Dynamisk attribuering med machine learning

Få et reelt billede af hvor dine kunder kommer fra, og hvilke marketing-aktiviteter der driver lead-genereringen og omsætningen både online & offline.

En af de største udfordringer vi møder, når vi taler med marketingdirektører og E-commerce managers idag er, at de mangler et indblik i hvordan deres kanaler spiller sammen både online og offline.

thomas-obelitz-høgsbro-rode-impact-machine-learning
Thomas Høgsbro-RodeCo-CEO & Partner

Flere og flere virksomheder sigter i dag mod at være datadrevne. Det handler i stor grad om at forstå, hvor ens konverteringer kommer fra, og fra hvilke kanaler de bestemt ikke kommer fra.

Kun ved at kende resultaterne af ens marketing-initiativer kan man forbedre disse på tværs af online og offline. Men hvordan gør man det i praksis?

Statiske attribueringsmodeller

Der findes flere statiske attribueringsmodeller, som fortæller hvilke kanaler der performer bedst. Disse er dog kun baseret på historisk data, og medregner ikke alle touchpoints kunden har været igennem.

Men hvorvidt kan en last-click attribuering fortælle om hvor den reelle konvertering kommer fra? Den viser ikke hvilke tidligere reklamer eller kanaler der har påvirket kunden til at konvertere. Dette kan resultere i, at man får slukket nogle kampagner, som man ikke tror giver konverteringer. Kun, fordi de ikke bidrog til det sidste klik.

Den tager ikke hensyn til om kunden har set en tv-reklame, før de går direkte ind på hjemmesiden eller om det er en betalt annonce der skaber købet på stedet.

Kunderejser består typisk af flere touchpoints. Her, både hvor organisk trafik, annoncer og TV har indflydelse. Tidligere resultater har eksempelvis bevist, at TV ikke har været det første touchpoint. Dog, derimod en kanal der har haft indflydelse på, at kunden senere har foretaget et køb.

Et realistisk datagrundlag med machine learning

Hvis man vil skabe et realistisk datagrundlag, hvor man tager hele kunderejsen i betragning i et omnichannel-perspektiv. Skal man bruge en mere avanceret model. Hos IMPACT Extend bruger vi machine learning til at skabe algoritme-baserede attribueringsmodeller. De tager både online og offline aktiviteter med i betragtningen. Når disse indsigter bliver implementeret konsekvent kan man i gennemsnit se en positiv udvikling i ROAS på 44%.
Vores software kan på under 6 uger skabe kvalitetssikrede resultater. Dette giver et klart billede af fordelingen af de investerede marketing-kroner. Det indeholder data fra både tv-reklamer, email-marketing, ourdoor banners og adwords.

Systemet tager udgangspunkt i 70% af alle kunderejser og opretter modeller, som kreditterer kanalerne korrekt baseret på den gennemsnitlige kunderejse. De mønstre der opstår i de 70% af kunderejserne bliver testet på de resterende 30%, for at sikre høj nok datakvalitet. Alt dette bliver automatisk genereret ved hjælp af vores samarbejdspartner Adtriba. Løsningen skaber dybe indsigter i kunderejser, marketing allokering og håndtering af kanaler.

Ved at få et konkret overblik over sine kampagner kan man fra et forretningsmæssigt perspektiv danne grundlag for hvordan man skal distribuere sine marketing-kroner.

Overblikket over hvilke poster der generer konverteringer og hvilke poster der er spild af marketing-kroner gør det nemmere at tage økonomiske markedsføringsbeslutninger. Dette dashboard viser et månedligt overblik over kampagner’s performance baseret på en CLV attribuering. Eksemplet giver anbefalinger fra specifikke kampagner baseret på algoritmer.

Overblik over attribuering
Forklaringer på ovenstående eksempel:

Waste:

De har aldrig haft indflydelse på de konverterende kunderejser. Disse kampagner er dermed spild af penge og bør slukkes helt med det samme.

Savings potential:

Kampagner som performer dårligere end gennemsnittet af alle andre kampagner. Disse kampagner er dog stadig en del af en konverterende kunderejse, men har et potentiale for at man kan skrue ned for spending.

Growth potential:

Kampagner hvor der er potentiale for at investere mere, da de performer bedre end gennemsnittet.

I eksemplet kan vi se at waste udgør sammenlagt ca. 33.000 kr. /månedligt, eller små 400.000 kr. årligt. Dette er udelukkende på 2 kampagner. Disse to kampagner bør man slukke for med det samme, da de ikke har haft indflydelse på en konverterende kunderejse.

Hvis vi kigger på den kolonne med savings potential, så ser vi på en kampagne hvor vi potentielt kan spare 8.317kr. Det er penge, som har været unødvendige at bruge på konverteringen, men som man i stedet kunne allokere et andet sted og samtidig få samme eller højere konvertering. Det optimale ville være at reducere sit spend på denne kampagne (estimeret 15%), men stadig holde den kørende, da den har genereret konverteringer. På trods af, at kampagnen måske har haft en indvirken i kunderejsen, så bliver den stadig vurderet til at være ineffektiv, da kunderne ville have konvereret alligevel.

machine-learning-clv-impactextend

Half the money I spend on advertising is wasted; the trouble is I don’t know which half.

John Wanamaker

Ligesom at man kan se hvilke penge man spilder, så får man også overblik over hvilket potentiale der rent faktisk gemmer sig i kampagnerne. I eksemplet er et anbefalet growth potential på en paid kampagne på næsten 37.000 DKK. Havde man vidst at man burde investere mere i denne kampagne, kunne man have skabt flere salg eller konverteringer. Her anbefaler vi at vi flytter penge fra savings potential (de 15% af beløbet) og beløbet fra waste, og igen monitorerer udviklingen.

Har du brug for en gennemgang af hvordan man får disse indsigter, hvor man skal starte eller hvad man skal være opmærksom på når man går i gang med denne proces?

Så giv os et kald, eller send os en mail, så kan vi tage en dialog omkring Jeres udfordringer.

Vil du vide mere
om dynamisk attribuering?

Så tag fat i Kenneth, som brænder for at hjælpe og fortælle mere!