Narzędzia
Zastosowania
Marketerzy wydają co roku 16,4 mld dolarów na marketing influencerów — w 2022 r. o 18,8% więcej — jednak marki nadal mają trudności z mierzeniem efektów tych wszystkich wydatków.
Mierzeniu ROI influencerów poświęciłem dużo czasu, budując zespół analityki marketingowej w Harry’s — marce DTC produkującej męskie artykuły do golenia — więc wiem, jak trudne to może być. Szybko odkryliśmy, że nie można polegać wyłącznie na kodach promocyjnych: zbyt wielu klientów zapomina ich użyć, a mniej rzetelni partnerzy afiliacyjni chętnie udostępniają kody za pośrednictwem portali wymiany kuponów, aby zdobyć więcej kliknięć.
Zamiast tego kody promocyjne powinny być częścią szerszego, bardziej kompleksowego podejścia do pomiaru, które łączy śledzenie cyfrowe i modelowanie miksu marketingowego (MMM), aby wspólnie wyeliminować marnowanie budżetu mediowego na kampanie, które nie generują przyrostowej sprzedaży.
Zaczniemy od omówienia problemów z pomiarem, które możesz napotykać w swoich kampaniach influencer marketingowych. Następnie krótko przedstawimy modelowanie miksu marketingowego, jego mocne strony i ograniczenia oraz wyjaśnimy, dlaczego współczesne marki DTC je stosują.
Na koniec przeprowadzimy Cię przez proces tworzenia prostego modelu miksu marketingowego w Excelu / Arkuszach Google. Zobaczysz, jakich danych potrzebujesz, jak działa ta metoda i jakie decyzje możesz podejmować na podstawie jej wyników.
Influencer marketing jest jednym z trudniejszych do zmierzenia kanałów cyfrowych, ponieważ odbywa się poza platformami — zamiast płacić platformie takiej jak Meta (Facebook & Instagram) za reklamę, zazwyczaj kontaktujesz się z poszczególnymi influencerami i współpracujesz z nimi bezpośrednio.
Wyniki często się różnią, ponieważ sukces kampanii w dużej mierze zależy od: 1) tego, na ile Twój produkt jest trafny dla odbiorców influencera, 2) tego, czy influencer jest nim zainteresowany, oraz 3) kreatywnej realizacji kampanii. Problemem są także oszustwa. Na przykład w 2021 r. oszustwa dotknęły 49% kont influencerów na Instagramie, co zmusza marketerów do sprawdzania fałszywych obserwujących. FTC i platformy społecznościowe również zaostrzają egzekwowanie zasad prawidłowego oznaczania postów reklamowych publikowanych przez influencerów.
Jedną z głównych metod pomiaru, z których korzysta większość marek, są sprawdzone kody promocyjne. Ta technika sięga lat 1920., kiedy podczas wielkiego kryzysu wykorzystanie kuponów osiągnęło szczyt. Pionierzy marketingu naukowego, tacy jak Daniel Starch i Claude Hopkins, jako pierwsi przypisywali unikalne kody promocyjne do różnych wariantów tekstów reklamowych, aby testować ich skuteczność.
Ta prosta, lecz skuteczna technika ma niestety istotne wady, gdy stosuje się ją w dzisiejszej gospodarce cyfrowej.
W żadnym z tych scenariuszy odnotowana sprzedaż nie jest „przyrostowa” — doszłoby do niej nawet bez pola na kod promocyjny — więc wszelkie kwoty wypłacone partnerom afiliacyjnym lub odjęte od ceny produktu zostały zmarnowane.
Z drugiej strony wielu klientów po prostu zapomina użyć swoich kodów promocyjnych! A może nie zauważyli kodu ukrytego w tekście posta. Tak czy inaczej, każdy marketer mający doświadczenie w prowadzeniu kampanii influencerskich powie Ci, że po uruchomieniu takich kampanii obserwuje skoki sprzedaży, których nie da się w pełni wyjaśnić śledzeniem.
Modelowanie miksu marketingowego (MMM) wprowadzono w latach 1960., aby powiązać wzrosty i spadki sprzedaży z działaniami marketingowymi (oraz czynnikami zewnętrznymi). Dobrze wykonane pozwala określić dodatkowy wpływ każdego elementu strategii marketingowej, dzięki czemu możesz podejmować oparte na danych decyzje o alokacji budżetu marketingowego.
W przeszłości, było ono wykorzystywane głównie przez dużych reklamodawców wydających miliony na reklamy podczas Super Bowl, ale po zmianach dotyczących prywatności w Apple iOS14, GDPR/CCPA oraz ograniczeniach możliwości śledzenia użytkowników przez programy blokujące reklamy zaczęły je stosować nowoczesne marki DTC. MMM działa bez potrzeby korzystania z danych na poziomie użytkownika, dlatego idealnie sprawdza się w trudnych do śledzenia kanałach, takich jak telewizja, podcasty i influencerzy.
Po zbudowaniu modelu będziesz w stanie określić, ile wydać na każdy kanał marketingowy, przesuwając budżet z kanałów o słabych wynikach do tych, które mają większy potencjał skalowania. Stanowi ono dodatkowe źródło weryfikacji danych z cyfrowego śledzenia i analityki, często rozstrzygając rozbieżności między tym, co Google Analytics, śledzenie kodów promocyjnych i ankieta „Skąd się o nas dowiedziałeś/-aś?” mówią o tym, którym kanałom należy przypisać sprzedaż.
Modele miksu marketingowego mogą być trudne do właściwego opracowania i czasami wymagają zaawansowanej wiedzy statystycznej, na przykład znajomości algorytmów bayesowskich. Oferują one raczej odgórny widok ogólnego wpływu, kanał po kanale, zamiast umożliwiać szczegółową analizę pojedynczych kampanii, kreacji/przekazu lub taktyk. Mimo to, jeśli zostaną prawidłowo opracowane, modele MMM stanowią cenną część nowoczesnego stosu atrybucji.
Aby wykonać kolejne kroki, zapoznaj się z szablonem z tego wpisu, opartym na danych fikcyjnej firmy e-commerce, pochodzącym z kursów modelowania miksu marketingowego w Vexpower:
> Szablon MMM dla influencerów
W przypadku dużej marki korporacyjnej model miksu marketingowego może być złożonym projektem, którego ukończenie zajmuje kilku osobom do 3 miesięcy i który wymaga stałej pracy w celu utrzymania. Jeśli jesteś w takiej sytuacji, warto skorzystać z istniejącej biblioteki, takiej jak Meta Robyn, lub wypróbować w pełni zautomatyzowane narzędzie do modelowania miksu marketingowego, takie jak to, które oferujemy w Recast.
Jednak jako mała lub średnia firma albo start-up możesz w jedno popołudnie stworzyć model „wystarczająco dobry”, używając wyłącznie Excela lub Arkuszy Google.
Potrzebujesz danych z całego miksu marketingowego — dotyczących wszystkiego, na co wydajesz pieniądze, aby zwiększać sprzedaż — aby model mógł oddzielić wpływ influencerów od wszystkich pozostałych czynników. Dane muszą być przedstawione w formie tabeli, jak pokazano, czyli jeden wiersz dla każdego dnia lub tygodnia oraz jedna kolumna dla każdego kanału lub kampanii.
Uwaga: W przypadku kanałów takich jak YouTube prawdopodobnie nie uzyskasz wszystkich wyników w dniu lub tygodniu opublikowania treści. Jeśli oczekujesz długoterminowego, stałego ruchu, ten model nie przypisze tych długoterminowych korzyści.
—
Wskazówka eksperta dotycząca modelowania influencerów:
Dopasuj wydatki do harmonogramu publikacji
Kluczem jest dopasowanie wydatków na każdy post do momentu jego publikacji. W przeciwnym razie model będzie szukał wpływu w niewłaściwym miejscu. Częstym błędem jest przypisywanie wydatków do dnia, w którym sfinalizowano transakcję, podobnie jak grupowanie wydatków według tygodnia lub miesiąca kalendarzowego.
—
W idealnym przypadku w odniesieniu do każdego kanału mediowego warto mierzyć efekt wydatków: ile dolarów otrzymujesz z powrotem za każdy wydany 1 USD? Oznacza to, że jeśli to możliwe, należy modelować rzeczywisty koszt kampanii, a nie zasięg, wyświetlenia, liczbę obserwujących ani inne wskaźniki, którymi łatwo manipulować.
Możesz też uwzględnić istotne zmienne zewnętrzne, takie jak w tym przypadku pozycja w rankingu Amazon lub PR, choć należy zachować ostrożność przy ich uwzględnianiu.
Ten nieczytelny zestaw liczb to wynik funkcji LINEST, dostępnej zarówno w Excelu, jak i Arkuszach Google. Górny wiersz zawiera współczynniki (uwaga: są wyświetlane w odwrotnej kolejności), które pokazują wpływ każdego działania marketingowego (zakładając, że model jest poprawny).
Współczynniki można interpretować następująco. W przypadku kampanii influencer marketingowych Modash współczynnik wynosi 0,02, co oznacza, że na każdy 1 USD budżetu przypada 0,02 sprzedaży. Jeśli podzielisz 1 przez 0,02, otrzymasz koszt pozyskania klienta (CPA), który w naszym modelu wynosi 46,60 USD. Możesz porównać to z wartością uzyskaną dzięki śledzeniu kodów promocyjnych, która może być wyższa lub niższa.
Mnożnik to stosunek tych dwóch wartości, którego możesz użyć jako praktycznej wskazówki przy szacowaniu „rzeczywistego” ROI przyszłych kampanii. Na przykład jeśli prowadzisz nową kampanię, dla której śledzenie kodów promocyjnych wskazuje CPA na poziomie 50 USD, przy mnożniku 0,73 możesz z dużą pewnością przyjąć, że „rzeczywisty” CPA był bliższy 37 USD (50 × 0,73 = 37).
W naszym przypadku widzimy, że model bardzo trafnie przewiduje wcześniejszą sprzedaż. MAPE — miara dokładności/błędu — w każdym tygodniu zwykle wynosi poniżej 5%, a łącznie 3,5%. To dobry początek, ale niewystarczający!
Następnie należy sprawdzić, czy model potrafi dokładnie przewidywać nowe dane, których jeszcze nie widział — na przykład sprzedaż z kolejnych 4 tygodni.
Ważne jest również, aby model był wiarygodny: gdyby wskazywał, że influencerzy generują sprzedaż przy CPA wynoszącym 5 USD, a nie 50 USD, trudno byłoby w to uwierzyć i byłby to znak, że z modelem coś jest nie tak. W każdym razie modele te należy weryfikować i kalibrować względem wiedzy uzyskanej z innych metod atrybucji marketingowej, w tym zwłaszcza z randomizowanych eksperymentów kontrolowanych (testów A/B).
W miarę dążenia do większej dokładności i trafności statystycznej warto zacząć stosować bardziej zaawansowane techniki, takie jak bayesowski MMM, a także mierzyć opóźniony wpływ kampanii influencerskich (jak długo po publikacji nadal występuje sprzedaż?), efekt malejących korzyści (ile można wydać, zanim nastąpi nasycenie?) oraz szereg innych istotnych cech dobrego modelu miksu marketingowego. W tym momencie należy zacząć uczyć się zaawansowanych technik MMM, zaangażować analityka danych lub zatrudnić dostawcę, takiego jak Recast, który poradzi sobie z tą złożonością i zapewni dokładność modelu.