Meer tools
Toepassingen
Marketeers besteden jaarlijks $ 16,4 miljard aan influencermarketing, een stijging van 18,8% in 2022, maar merken hebben nog steeds moeite om de impact van al dat geld te meten.
Het meten van de ROI van influencers was iets waar ik veel over nadacht toen ik het marketingwetenschapsteam bij Harry’s opbouwde – een DTC-merk voor scheerproducten voor mannen – dus ik weet hoe moeilijk het kan zijn. We ontdekten al snel dat je niet alleen op promotiecodes kunt vertrouwen: te veel klanten vergeten ze te gebruiken en minder betrouwbare affiliates komen in de verleiding codes via couponuitwisselingsportalen te delen om meer klikken te genereren.
In plaats daarvan moeten promotiecodes deel uitmaken van een bredere, meer holistische meetaanpak die digitale tracking en Marketing Mix Modeling (MMM) combineert om verspilde media-uitgaven aan campagnes die geen extra omzet genereren te voorkomen.
We beginnen met de meetproblemen die je mogelijk ondervindt met je influencermarketingcampagnes. Vervolgens geven we een korte introductie tot Marketing Mix Modeling, de sterke punten en beperkingen ervan, en waarom moderne DTC-merken het hebben omarmd.
Tot slot lopen we stap voor stap door het proces om daadwerkelijk een eenvoudig marketingmixmodel te bouwen in Excel / GSheets. Je ziet welk soort gegevens je nodig hebt, hoe de techniek werkt en welke beslissingen je op basis van de output kunt nemen.
Influencermarketing is een van de minder goed meetbare digitale kanalen, omdat het “off-book” plaatsvindt – in plaats van een platform zoals Meta (Facebook & Instagram) te betalen voor advertenties, neem je doorgaans contact op met individuele influencers en werk je rechtstreeks met hen samen.
De resultaten verschillen vaak, omdat het succes van een campagne grotendeels afhangt van 1) hoe relevant je product is voor het publiek van een influencer, 2) of de influencer enthousiast is over je product en 3) de creatieve uitvoering van je campagne. Daarnaast is er het probleem van fraude. In 2021 werd bijvoorbeeld 49% van de Instagram-influenceraccounts getroffen door fraude, waardoor marketeers op nepvolgers moeten controleren. Ook de FTC en socialemediaplatforms zien strenger toe op de juiste vermelding van gesponsorde posts door influencers.
Een van de voornaamste meetmethoden die de meeste merken gebruiken, zijn de beproefde promotiecodes. Deze techniek dateert uit de jaren 1920, tijdens de Grote Depressie, toen coupons het meest werden gebruikt. Vroege wetenschappelijke marketeers zoals Daniel Starch en Claude Hopkins waren pioniers in het toewijzen van unieke promotiecodes aan verschillende varianten van advertentieteksten om de effectiviteit ervan te testen.
Deze eenvoudige maar effectieve techniek heeft helaas aanzienlijke gebreken wanneer ze wordt gebruikt in de huidige digitale economie.
In geen van deze scenario’s worden de verkopen als “additioneel” geregistreerd – ze zouden ook zonder invoerveld voor een promotiecode hebben plaatsgevonden – dus al het geld dat aan affiliates wordt betaald of van de productprijs wordt afgetrokken, is verspild.
Aan de andere kant van de medaille vergeten veel klanten gewoonweg hun promotiecodes te gebruiken! Of misschien zagen ze de code niet, omdat die verborgen stond in de tekst van het bericht. Hoe dan ook, elke marketeer met ervaring in het uitvoeren van influencercampagnes zal je vertellen dat ze verkooppieken zien wanneer influencercampagnes live zijn gegaan die niet volledig met tracking kunnen worden verklaard.
Marketingmixmodellering (MMM) werd in de jaren 1960 geïntroduceerd om pieken en dalen in de verkoop te koppelen aan marketingactiviteiten (en externe factoren). Als het goed wordt uitgevoerd, kan het je inzicht geven in de incrementele impact van elk onderdeel van je marketingstrategie, zodat je datagedreven beslissingen kunt nemen over de verdeling van je marketingbudget.
Historisch gezien werd het vooral gebruikt door grote adverteerders die miljoenen uitgeven aan Super Bowl-advertenties, maar moderne DTC-merken zijn het gaan gebruiken naar aanleiding van de privacywijzigingen in Apple iOS14, de AVG/CCPA en adblockers die het vermogen van marketeers om gebruikers te volgen beperken. MMM werkt zonder gegevens op gebruikersniveau, waardoor het perfect is voor moeilijk te volgen kanalen zoals tv, podcasts en influencers.
Zodra je een model hebt gebouwd, kun je bepalen hoeveel je moet uitgeven aan elk marketingkanaal, waarbij je budget herverdeelt van slecht presterende kanalen naar kanalen met meer ruimte om op te schalen. Het dient als second opinion voor je digitale tracking en analyses en geeft vaak de doorslag tussen wat Google Analytics, de tracking van je promotiecodes en de enquête „Hoe heb je over ons gehoord?” aangeven over aan welke kanalen de verkoop moet worden toegeschreven.
Marketingmixmodellen kunnen lastig zijn om goed op te zetten en vereisen soms geavanceerde statistische kennis, bijvoorbeeld bekendheid met Bayesiaanse algoritmen. Ze bieden eerder een top-downweergave van de totale impact, per kanaal, dan dat je kunt inzoomen op individuele campagnes, creatie/boodschap of tactieken. Dat gezegd hebbende: als je het goed doet, zijn MMM's een waardevol onderdeel van de moderne attributiestack.
Om mee te volgen, bekijk je het sjabloon uit deze post, gebaseerd op gegevens van een fictief e-commercebedrijf, afkomstig uit de cursussen over marketingmixmodellering van Vexpower:
> MMM-sjabloon voor influencers
Voor een groot merk kan een marketingmixmodel een complex project zijn waaraan meerdere mensen tot 3 maanden kunnen werken om het te voltooien en dat vervolgens doorlopend onderhoud vereist. Als je je in die situatie bevindt, is het logisch om een bestaande bibliotheek zoals Meta Robyn te gebruiken, of een volledig geautomatiseerde tool voor marketingmixmodellering te proberen, zoals wij aanbieden bij Recast.
Als mkb'er of start-up kun je echter in een middag met alleen Excel of Google Sheets een „goed genoeg”-model maken.
Je hebt gegevens nodig uit je volledige marketingmix: alles waarvoor je betaalt en dat verkoop stimuleert, zodat het model de impact van influencers kan onderscheiden van al het andere. De gegevens moeten, zoals weergegeven, in tabelvorm staan: één rij voor elke dag of week en één kolom voor elk kanaal of elke campagne.
Opmerking: Wanneer je met kanalen zoals YouTube werkt, is het onwaarschijnlijk dat je alle resultaten krijgt op de dag of in de week waarin de content wordt gepubliceerd. Als je langdurig doorlopend verkeer verwacht, schrijft dit model die langetermijnvoordelen niet toe.
—
Pro tip voor het modelleren van influencers:
Stem uitgaven af op je publicatieschema
De truc is om wat je aan elke post hebt uitgegeven, te koppelen aan het moment waarop die post online kwam. Anders zoekt het model op de verkeerde plek naar impact. Uitgaven toewijzen aan de dag waarop de deal werd gesloten is een veelgemaakte fout, net als uitgaven groeperen per kalenderweek of -maand.
—
Idealiter wil je voor elk mediakanaal het effect van uitgaven meten: hoeveel dollar krijg je terug voor elke bestede $1? Dat betekent dat je, indien mogelijk, de werkelijke kosten van je campagnes moet modelleren, niet het bereik, aantal impressies, volgers of andere eenvoudig te manipuleren statistieken.
Misschien wil je ook corrigeren voor externe variabelen met veel impact, zoals in dit geval je Amazon-ranking of PR, al moet je voorzichtig zijn met hoe je die verwerkt.
Deze ondoorgrondelijke verzameling cijfers is het resultaat van de LINEST-functie, die beschikbaar is in zowel Excel als Google Spreadsheets. De bovenste regel bevat de coëfficiënten (let op: ze verschijnen in omgekeerde volgorde), die je de impact van elke marketingactiviteit vertellen (ervan uitgaande dat het model klopt).
Je kunt de coëfficiënten als volgt interpreteren. Voor Modash-influencercampagnes is de coëfficiënt 0,02, wat betekent dat je voor elke $1 budget 0,02 verkopen kreeg. Als je 1 door 0,02 deelt, krijg je de Cost Per Acquisition (CPA), die in ons model $46,60 bedraagt. Je kunt dit vergelijken met het cijfer dat je promocode-tracking oplevert, dat hoger of lager kan zijn.
De vermenigvuldigingsfactor is de verhouding tussen deze twee cijfers, die je als vuistregel kunt gebruiken om in de toekomst de ‘werkelijke’ ROI van je campagnes te schatten. Als je bijvoorbeeld een nieuwe campagne uitvoert die via promocode-tracking een CPA van $50 laat zien, kun je er met een vermenigvuldigingsfactor van 0,73 redelijk zeker van zijn dat de “werkelijke” CPA dichter bij $37 lag (50 x 0,73 = 37).
In ons geval zien we dat het model eerdere verkopen heel nauwkeurig voorspelt. De MAPE – een maat voor nauwkeurigheid/foutmarge – ligt in een willekeurige week doorgaans onder de 5% en bedraagt in totaal 3,5%. Dit is een goed begin, maar niet voldoende!
Vervolgens moeten we controleren of ons model nieuwe gegevens die het nog niet heeft gezien nauwkeurig kan voorspellen, bijvoorbeeld de verkopen van de volgende 4 weken.
Het is ook belangrijk dat het model plausibel is: als het ons had verteld dat onze influencers verkopen opleverden voor $5 in plaats van $50, zou dat moeilijk te geloven zijn en een teken dat er iets mis is met het model. Deze modellen moeten in ieder geval worden gevalideerd en gekalibreerd aan de hand van wat je hebt geleerd uit andere methoden voor marketingattributie, waaronder en vooral gerandomiseerde gecontroleerde experimenten (A/B-tests).
Naarmate je streeft naar een hogere nauwkeurigheid en statistische validiteit, zul je geavanceerdere technieken zoals Bayesiaanse MMM willen toepassen, evenals het meten van de vertraagde impact van je influencercampagnes (hoe lang na de post vinden er nog verkopen plaats?) en de afnemende opbrengsten (hoeveel kun je uitgeven voordat het verzadigd raakt?), plus een aantal andere belangrijke kenmerken van een goed Marketing Mix Model. Hier moet je geavanceerde MMM-technieken leren, een datawetenschapper inschakelen of een leverancier zoals Recast inhuren die deze complexiteit aankan en ervoor zorgt dat je model nauwkeurig is.