Altri tool
Casi d'uso
Ogni anno, i marketer spendono 16,4 miliardi di dollari nell'influencer marketing, con un aumento del 18,8% nel 2022, ma i brand faticano ancora a misurare l'impatto di tutti questi investimenti.
Misurare il ROI degli influencer è stato un tema su cui ho riflettuto a lungo mentre creavo il team di marketing science di Harry’s, un brand DTC di prodotti per la rasatura maschile, quindi so quanto possa essere difficile. Abbiamo scoperto rapidamente che non si può fare affidamento solo sui codici promozionali: troppi clienti dimenticano di usarli e gli affiliati meno affidabili sono tentati di condividere i codici tramite portali di scambio coupon per ottenere più clic.
I codici promozionali devono invece far parte di un approccio alla misurazione più ampio e olistico, che integri il tracciamento digitale e il Marketing Mix Modeling (MMM), facendoli lavorare insieme per eliminare gli investimenti media sprecati in campagne che non generano vendite incrementali.
Inizieremo esaminando i problemi di misurazione che potreste riscontrare con le vostre campagne di influencer marketing. Successivamente, forniremo una breve introduzione al Marketing Mix Modeling, ai suoi punti di forza e limiti e al motivo per cui i moderni brand DTC lo hanno adottato.
Infine, illustreremo come creare concretamente un semplice modello di marketing mix in Excel / Fogli Google. Vedrete quali dati vi servono, come funziona la tecnica e quali decisioni potete prendere sulla base dei risultati.
L'influencer marketing è uno dei canali digitali meno misurabili, perché è “fuori piattaforma”: invece di pagare una piattaforma come Meta (Facebook & Instagram) per la pubblicità, in genere contattate singoli influencer e collaborate direttamente con loro.
I risultati variano spesso, poiché il successo di una campagna dipende in larga misura da 1) quanto il vostro prodotto sia rilevante per il pubblico di un influencer, 2) se l'influencer è appassionato del vostro prodotto e 3) dall'esecuzione creativa della vostra campagna. C'è anche il problema delle frodi. Nel 2021, per esempio, il 49% degli account Instagram di influencer è stato interessato da frodi, costringendo i marketer a verificare la presenza di follower falsi. Anche la FTC e le piattaforme di social media stanno intensificando i controlli sulla corretta segnalazione dei post pubblicitari da parte degli influencer.
Uno dei principali metodi di misurazione utilizzati dalla maggior parte dei brand è l'uso dei collaudati codici promozionali. Questa tecnica risale agli anni 1920, durante la Grande Depressione, quando l'uso dei coupon raggiunse il suo apice. I primi marketer scientifici, come Daniel Starch e Claude Hopkins, furono pionieri della pratica di assegnare codici promozionali univoci a diverse varianti di testi pubblicitari per verificarne l'efficacia.
Questa tecnica semplice ma efficace presenta purtroppo notevoli difetti se utilizzata nell'odierna economia digitale.
In nessuno di questi scenari le vendite registrate sono “incrementali”: si sarebbero comunque verificate anche senza un campo per il codice promozionale, quindi qualsiasi importo pagato agli affiliati o scontato dal prezzo del prodotto è stato sprecato.
Dall'altro lato, molti clienti si dimenticano semplicemente di usare i propri codici promozionali! Oppure potrebbero non aver notato il codice nascosto nel testo del post. In ogni caso, qualsiasi marketer con esperienza nella gestione di campagne con influencer vi dirà che, quando le campagne vengono attivate, si osservano picchi nelle vendite superiori a quanto si potrebbe spiegare con il tracciamento.
Il Marketing Mix Modeling (MMM) è stato introdotto negli anni 1960 per mettere in relazione i picchi e i cali delle vendite con le azioni di marketing intraprese (e con fattori esterni). Se eseguito correttamente, può indicarti l'impatto incrementale di ogni componente della tua strategia di marketing, permettendoti di prendere decisioni basate sui dati su dove allocare il tuo budget di marketing.
Storicamente, veniva utilizzato soprattutto dai grandi inserzionisti, quelli che spendono milioni in pubblicità durante il Super Bowl, ma è stato adottato dai moderni brand DTC in seguito alle modifiche alla privacy di Apple iOS14, al GDPR/CCPA e ai blocchi degli annunci che limitano la capacità dei marketer di tracciare gli utenti. L'MMM funziona senza richiedere dati a livello di singolo utente, quindi è perfetto per canali difficili da tracciare come TV, podcast e influencer.
Dopo aver creato un modello, potrai determinare quanto spendere per ciascun canale di marketing, riallocando il budget dai canali con prestazioni scarse a quelli con maggiori possibilità di scalare. Fornisce un secondo parere rispetto al tracciamento e alle analisi digitali, fungendo spesso da arbitro tra ciò che Google Analytics, il tracciamento dei codici promozionali e il sondaggio “come hai saputo di noi” indicano sui canali a cui attribuire il merito delle vendite.
I modelli di marketing mix possono essere difficili da mettere a punto e talvolta richiedono conoscenze statistiche avanzate, come la familiarità con gli algoritmi bayesiani. Offrono una visione più dall'alto, canale per canale, dell'impatto complessivo, anziché consentire di analizzare nel dettaglio singole campagne, creatività/messaggi o tattiche. Detto questo, se messi a punto correttamente, gli MMM sono una componente preziosa del moderno stack di attribuzione.
Per seguire il tutorial, consulta il modello di questo articolo, basato sui dati di un'azienda e-commerce fittizia, tratto dai corsi di modellazione del marketing mix di Vexpower:
Per un grande brand aziendale, un modello di marketing mix può essere un progetto complesso, che richiede fino a 3 mesi di lavoro da parte di più persone, oltre a un impegno continuo per la manutenzione. Se ti trovi in questa situazione, ha senso usare una libreria esistente come Meta Robyn, oppure provare uno strumento di modellazione del marketing mix completamente automatizzato come quello che offriamo su Recast.
Tuttavia, come PMI o start-up, puoi ottenere in un pomeriggio un modello “sufficientemente valido” usando solo Excel o Google Sheets.
Ti servono dati relativi all'intero mix di marketing, a tutto ciò per cui spendi denaro e che genera vendite, affinché il modello possa separare l'impatto degli influencer da tutto il resto. Devono essere in formato tabellare, come mostrato, ossia una riga per ogni giorno o settimana e una colonna per ogni canale o campagna.
Nota: quando lavori con canali come YouTube, è improbabile che tu ottenga tutti i risultati il giorno o la settimana in cui il contenuto viene pubblicato. Se prevedi traffico continuativo a lungo termine, questo modello non attribuirà tali benefici a lungo termine.
—
Suggerimento professionale per la modellazione degli influencer:
Abbina la spesa al tuo calendario di pubblicazione
Il trucco consiste nell'abbinare quanto hai speso per ciascun post al momento in cui quel post è stato pubblicato. Altrimenti il modello cercherà l'impatto nel posto sbagliato. Attribuire la spesa al giorno in cui l'accordo è stato concluso è un errore comune, così come raggrupparla per settimana o mese di calendario.
—
Idealmente, per ogni canale media dovresti misurare l'effetto della spesa: quanti dollari ottieni in cambio per ogni $1 speso? In altre parole, se possibile, dovresti modellare il costo effettivo delle tue campagne, non la copertura, le impression, i follower o altre metriche facili da manipolare.
Potresti anche voler controllare le variabili esterne rilevanti, come in questo caso il tuo posizionamento su Amazon o le PR, anche se dovresti fare attenzione a come le integri.
Questa incomprensibile serie di numeri è il risultato della funzione LINEST, disponibile sia in Excel sia in Google Sheets. La riga superiore riporta i coefficienti (nota: sono visualizzati in ordine inverso), che indicano l'impatto di ciascuna attività di marketing (presupponendo che il modello sia corretto).
Puoi interpretare i coefficienti come segue. Per le campagne influencer di Modash, il coefficiente è 0.02, il che significa che per ogni $1 di budget hai ottenuto 0.02 vendite. Se dividi 1 per 0.02, ottieni il costo per acquisizione (CPA), che nel nostro modello è di $46.60. Puoi confrontarlo con il dato fornito dal monitoraggio dei codici promozionali, che potrebbe essere più alto o più basso.
Il moltiplicatore è il rapporto tra questi due valori, che puoi usare come regola pratica per stimare il ROI “reale” delle tue campagne in futuro. Ad esempio, se lanci una nuova campagna che mostra un CPA di $50 tramite il monitoraggio dei codici promozionali, con un moltiplicatore di 0.73, puoi essere ragionevolmente sicuro che il CPA “reale” sia stato più vicino a $37 (50 x 0.73 = 37).
Nel nostro caso, possiamo vedere che il modello prevede con grande precisione le vendite passate. Il MAPE, una misura di accuratezza/errore, è solitamente inferiore al 5% in una data settimana e si attesta complessivamente al 3.5%. È un buon inizio, ma non è sufficiente!
Successivamente, dovremmo verificare che il nostro modello sia in grado di prevedere con accuratezza nuovi dati che non ha ancora visto: ad esempio, le vendite delle 4 settimane successive.
È inoltre importante che il modello sia plausibile: se ci avesse detto che i nostri influencer generavano vendite a $5 anziché a $50, sarebbe difficile da credere e sarebbe un segnale che c'è qualcosa che non va nel modello. In ogni caso, questi modelli dovrebbero essere convalidati e calibrati rispetto a quanto hai appreso da altri metodi di attribuzione del marketing, compresi, e soprattutto, gli esperimenti controllati randomizzati (test A/B).
Man mano che punti a una maggiore accuratezza e validità statistica, inizierai a voler adottare tecniche più avanzate come il MMM bayesiano, oltre a misurare l'impatto ritardato delle tue campagne influencer (per quanto tempo dopo il post continuano a verificarsi vendite?) e i rendimenti decrescenti (quanto puoi spendere prima di raggiungere la saturazione?), nonché una serie di altre importanti caratteristiche di un buon Marketing Mix Model. È a questo punto che devi iniziare a imparare tecniche MMM avanzate, avere a disposizione un data scientist oppure affidarti a un fornitore come Recast, in grado di gestire questa complessità e assicurarsi che il tuo modello sia accurato.