De toekomst van conversie attributie

“Digital gaat zorgen voor een veel efficiëntere besteding van ons mediabudget”. Dit was jarenlang de belofte binnen digital media. ‘Want alles is meetbaar, alles is te tracken, we kunnen nu een volledige klantreis in beeld brengen’. Helaas blijkt de realiteit anders. Klantreizen zijn complex. Ze spelen zich af over meerdere devices en meerdere browsers. Offline en online touchpoints lopen volledig door elkaar heen. De klantreis is complexer en gefragmenteerder dan ooit. Er is geen lineaire klantreis.

Attributiemodellen

Door middel van conversie-attributie hoopten we de samenhang tussen de kanalen in beeld te krijgen. Bij conversie-attributie probeer je inzicht te geven in de waarde die elk kanaal in de customer journey heeft voor de uiteindelijke aankoop. Er zijn hiervoor meerdere conversiemodellen ontwikkelt; last click, first click, position based, lineair en time decay.

Bij het liniaire model wordt bijvoorbeeld de waarde evenredig over alle kanalen verdeeld. Bij last click wordt juist alle waarde toegekend aan het laatste kanaal voor de aankoop. Deze conversie attributiemodellen hangen echter van nature af van het plaatsen van cookies. Maar door strengere regelgeving vanuit de Europese Unie en de grote browsers die allemaal de 3rd party cookies uitfaseren wordt de cookie-pot steeds leger en leger. Hiermee wordt klassieke conversie attributie steeds lastiger.

Alternatieven voor conversie-attributie

Hoe meet je dan toch de effectiviteit van de digitale media die je inkopen? Niemand koopt immers direct vanuit een banner. Social media doet veel voor de branding, maar komt er slecht uit als je puur naar directe sales kijkt. Google Ads daarentegen komt er vaak fantastisch uit in de rapportages. Maar hoeveel van die zoekopdrachten had jouw merknaam al in de zoekopdracht (branded search)?

In hoeverre hebben die ads geleid tot nieuwe geïnteresseerde kopers? Of heeft het klanten aangeleverd die toch al koopbereid waren? Hoe meet je het effect van een outdoor campagne? Wat is de impact van een prijspromotie? Zijn er slimmere kpi’s voor een campagne dan plat bereik, kliks en views? Zie hier de uitdaging voor iedereen die campagnes draait of bureaus aanstuurt.

Alternatieven voor klassieke conversie-attributie worden steeds meer gevonden in Micro-Momenten en Media Mix Modeling.

Micro-Momenten

Micro-Momenten zijn kleine stapjes (zachte conversies) in een klantreis die een kwalitatieve voorspeller zijn van aankomende harde conversies. Kleine momenten die een klant net iets verder helpen in zijn proces. Kleine momenten die goed te meten zijn en waar je een waarde aan kan hangen. Denk aan het invullen van een checklist, een calculator, een vergelijking van twee producten, het bekijken van een tutorial, etc.

Sturen op Micro-Moments heeft als voordeel dat je media effectiever kan afrekenen op behaalde kleinere doelen dan meteen een harde sale. Veel grote adverteerders hebben het slimmer sturen op Micro-Moments als prioriteit voor dit jaar.

Media Mix Modeling

Om het effect van offline media of bepaalde promoties binnen een retailkanaal te zien schakelen steeds meer adverteerders over naar Media Mix Modeling (MMM). Een methode die niet nieuw is, maar door nieuwe technologie wel steeds toegankelijker en geavanceerder wordt.

Nicolas Arrivé, Manager Marketing Sciences Meta, deelt in het trendrapport zijn definitie van Media Mix Modeling: ‘Media Mix Modeling (MMM) is een aanpak waarbij je met behulp van tools en geavanceerde analytics kijkt naar het effect van media, advertising, prijs, seizoen gebondenheid, promoties en andere variabelen op de uiteindelijke sales en ROI’.

MMM als alternatief voor de klassieke attributiemodellen

Volgens Nicolas, zijn er een paar hoofdoorzaken achter de opkomst van MMM. Zoals al eerder benoemd staan de klassieke attributiemodellen onder druk van de verdwijnende cookie. Hierdoor hebben ze een steeds onvollediger beeld van de volgorde van touchpoints.

Aan de andere kant profiteert MMM van de snelle technologische ontwikkelingen. Waaronder de toenemende betrouwbaarheid, snelheid en beschikbaarheid van machine learning en AI. Je kan met slimme algoritmes eindeloos veel variabelen gebruiken en verschillende modellen maken voor diverse contexten. Ook ben je niet afhankelijk van grote hoeveelheden historische data. MMM wordt door deze snelle ontwikkelingen voor een steeds groter publiek beschikbaar.

Combineren is key

Ook hier is er niet één waarheid. Het is de combinatie van methodes die je een min of meer accuraat beeld geeft.