Cross-channel marketingmodellen vergelijken: hoe?

Hoe bepaal je de effecten van je marketinguitingen over verschillende marketingkanalen die steeds meer integreren? Met de toename in crosschannel tracking en beschikbare rekenkracht verschijnen er nieuwe vormen van marketingattributie. We nemen een objectieve blik op de verschillende marketingmodellen.

Voor lange tijd stond het modelleren van cross-channel marketing synoniem aan marketingmix modellen, vaak de ‘top down’ aanpak genoemd vanwege de brede kijk op de impact van kanalen en factoren op de omzet. De nieuwe modellen hanteren eerder een ‘bottom-up’ aanpak, waarbij juist op klantniveau wordt gekeken naar de merkinteractie voor een aankoop. Alhoewel deze modellen er allemaal naar streven om de relatieve impact van marketinguitingen in de verschillende kanalen te kwalificeren, verschillen ze enorm in hun aanpak. Dit overzicht is geen evaluatie: elke methode heeft zijn eigen sterktes en zwaktes, en de keuze per bedrijf zal verschillen per behoefte.

‘Half the money’
Maar wat zijn marketingmodellen nu precies? Een marketingmodel is een versimpelde weergave van een markt waarmee je analyses en voorspellingen kan doen. Zo wil je bepalen welke marketinguiting welk effect heeft op de verkopen. John Wanamaker, een pionier in marketing, zei het al: ‘Half the money I spend on advertising is wasted; the trouble is I don’t know which half.’ Vandaag de dag zijn er drie veelgebruikte marketingmodellen:

• Econometrisch top-down benadering (marketingmix modellen)
• Algoritmisch bottom-up benadering (attributiemodellen)
• Machine learning benadering (agent-gebaseerde modellen)

Econometrische benadering
De klassieke econometrische benadering van de marketingmix wordt al jaren het meeste toegepast, met name in de FMCG-branche. Doorgaans gebruikt voor budgetbepaling op hoog niveau, past deze benadering een vorm toe van zogeheten ‘distributed lag regression’: er wordt een voorspelling gedaan van marketingacties op de verkoop, op basis van eerdere verkoop en marketingacties. Een voorspelling kan zijn: door een gerichte kortingsactie in het retailkanaal tijdens het WK, zal de verkoop met 25% toenemen. Traditioneel uitgevoerd als individuele adviesprojecten, nu hebben sommige leveranciers deze methode geautomatiseerd en weggezet als standaard product.

Manier van aanpak:

1. Verzamel historische gegevens over uitgaves en marketingactiviteiten over verschillende kanalen, samen met conversies en verkoopgegevens en overige exogene (niet-media) factoren zoals de economie, sport, het weer, prijsveranderingen enzovoorts.
2. Bouw een statisch model om de effecten van deze variabelen te plotten op de verkopen en andere relevante KPI’s.
3. Kwantificeer de impact van iedere marketingkanaal of campagne.

Sterkte: Datagedreven statistische aanpak geeft hoog voorspellend vermogen.
Zwakte: De detaillering van inzichten en wat-als-scenario’s zijn sterk afhankelijk van de detaillering van de aangeleverde data.

Algoritmische benadering
Deze benadering kijkt naar het marketingeffect van specifieke contactmomenten, en was pas recent mogelijk dankzij nieuwe cross-channel tracking mogelijkheden. Modellen met een algoritmische benadering kijken naar gebeurtenissen op cookieniveau. Van ieder soort contactmoment kan de impact worden bepaald, waarbij resultaten ook gekoppeld kunnen worden aan bepaalde sequentiepatronen. Een recent voorbeeld is de wijze waarop Google de offline effecten van haar online advertenties aantoont. Over de afgelopen jaren hebben een aantal aanbieders marketing attributie oplossingen aangeboden, met alleen de bottomup benadering of in samenwerking met een topdown aanpak.

Manier van aanpak:

1. Volg data op cookieniveau om de samenhang tussen contactmomenten (sequentiepatronen) en conversies in kaart te brengen.
2. Vergelijk het conversieratio voor een bepaalde sequentie met soortgelijke sequenties om te kijken wat de marketingeffecten zijn van een specifiek contactmoment.
3. Verzamel resultaten over alle sequenties om de relatieve waarde aan media of een campagnesoort toe te kennen.

Sterkte: Het berekenen op contactmomentniveau maakt attributie op detailniveau en impactbepaling voor de media met tracking mogelijk.
Zwakte: meer beschrijvend dan voorspelend: kan vanuit zichzelf niet integreren met offline kanalen of online kanalen zonder tracking.

Machine learning benadering
Een agent-gebaseerd model (vertaling van het Engelse ‘Agent-based model’) behandelt individuen als ‘agenten‘ die interactie hebben met events of stimulansen en daardoor bepaald gedrag vertonen. Door middel van rekenkundige simulaties wordt de mogelijke impact bepaald. Het concept van agent-gebaseerde modellen verscheen voor het eerst in de jaren 70, en werd in de jaren 90 door de sociale wetenschappen geadopteerd. Het toepassen voor marketingdoeleinden was vertraagd door de rekenkundige complexiteit die ermee gepaard ging, maar recente jaren hebben verschillende pogingen gebracht om deze methode toe te passen voor een marketingmodel. Een voorbeeld is de wijze waarop Amazon kijkt naar ‘anticipatory shipping‘: vóórdat klanten bestellen begint Amazon al met distributie op basis van kooppatronen.

Manier van aanpak:

1. Creëer een gesimuleerde populatie voor het bedrijf met gebruik van demografische data en een begrip van het klantenprofiel.
2. Train en kalibreer de gesimuleerde populatie met gebruik van historische marketingactiviteiten, tezamen met conversies en verkoopcijfers en exogene factoren.
3. Simuleer de reacties op verschillende marketingactiviteiten en veranderingen.

Sterktes: flexibele simulaties zijn mogelijk op het demografisch niveau van de consument.
Zwaktes: de accuraatheid van de resultaten loopt gelijk op met de gedragsaannames voor de demografische segmenten.

De toekomst van het bepalen van je marketingeffecten
Nu marketing een tijdperk ingaat van meer financiële verantwoording, zal de vraag naar een inventarisatie van de marketingactiviteiten cross-channel verder stijgen. Deze vraag zorgt voor een verdere verfijning en combinatie van benaderingen, waardoor sommige leveranciers top-down en bottom-up benaderingen combineren. Er is echter geen perfect model dat rekening kan houden met alle mogelijke variabelen die impact kunnen hebben op het bedrijf of de marketingprestaties. En variabelen zoals virale marketing of aandeelkoersen zijn helemaal onmogelijk te bepalen. Wanneer de accuraatheid en complexiteit een nieuw niveau bereiken, zullen onvoorspelbare of ontoerekenbare factoren een grotere rol spelen bij het bepalen van de bruikbaarheid van de modellen. Zoals het weer in de reisbranche.

Als gevolg zal de key differentiator in de toekomst bestaan uit real-time simulatie en voorspelende vermogens. Enerzijds zal het gaan om voorspelende wat-als-scenario’s op gedetailleerde cross-secties (merken, producten, markten, segmenten) en niveaus (campagnes, mediakanalen, doelen). Anderzijds om voorspelende functionaliteiten en workflow dat marketeers in staat stelt om direct actie te ondernemen op de meest recente trends en campagneresultaten.