In dit inzicht
Voor wie is dit inzicht?
Voor bedrijven die behoorlijk wat marketingdata verzamelen en toch niet altijd weten of een kanaal werkelijk iets heeft toegevoegd.
Een conversie komt binnen via branded search. In het dashboard krijgt Google Ads de credit.
Dat kan volgens je attributiemodel volledig correct zijn.
Alleen vertelt die credit nog niet wat er zonder de advertentie was gebeurd. Misschien creëerde de campagne extra vraag. Misschien kwam de klant sowieso al terug en stond de advertentie alleen vlak voor de aankoop.
Op dat moment blijken twee verschillende vragen in hetzelfde dashboard te zijn beland.
Begin bij de beslissing en niet bij het mooiste dashboard
Marketingmeting wordt snel technisch. Er wordt gesproken over modellen en dashboards terwijl nog niet vastligt welke beslissing eigenlijk beter moet worden.
Daardoor krijgt één rapport soms veel te veel taken.
Hetzelfde dashboard moet tegelijk campagnes optimaliseren en bewijzen welk kanaal omzet veroorzaakt. Vervolgens wordt er ook nog een budgetplan voor volgend jaar uit afgeleid.
Dat voelt efficiënt omdat alles op één plaats staat. Alleen betekenen de cijfers niet automatisch voor iedere beslissing hetzelfde.
Een campagnemanager die vandaag wil bijsturen heeft bijvoorbeeld vooral signalen nodig over wat er in de klantreis gebeurt. Wie volgend kwartaal een fors budget wil verschuiven, wil meer zekerheid over het effect van die investering.
De meetvraag verandert dus zodra de beslissing verandert.
Dat is een nuttige grens omdat je daarmee voorkomt dat complexere analyse een doel op zich wordt. Soms heb je geen nieuw model nodig. Je moet gewoon preciezer formuleren wat het huidige rapport wel en niet kan ondersteunen.
Drie methodes beginnen bij drie andere vormen van onzekerheid
Waar zagen we marketingcontacten terug op weg naar conversie en hoe verdelen we de credit?
Welk resultaat ontstond extra doordat de marketingingreep aanwezig was?
Hoe bewegen investeringen en bedrijfsresultaten over langere tijd samen?
Die verschillen zijn precies waarom de methodes elkaar niet simpelweg vervangen.
Voor de dagelijkse werking kan attributie voldoende zijn. Bij een grotere investeringsvraag kan een experiment daarna veel relevanter worden. Zodra je structureel over meerdere kanalen en langere periodes wilt beslissen, ontstaat weer een andere behoefte.
De fout zit dus niet in attributie gebruiken terwijl incrementality bestaat. De fout ontstaat wanneer je attributie gebruikt om een vraag te beantwoorden waarvoor de methode niet ontworpen is.
Attributie is nuttig zolang je haar niet meer laat bewijzen dan ze kan
Met attributie ken je conversiewaarde toe aan contactpunten in de klantreis.
Daar zit veel praktische waarde in. Je kunt journeys bekijken en campagnes op een consistente manier opvolgen. Bovendien zie je welke kanalen vaak vlak bij conversies verschijnen.
Dat helpt bijvoorbeeld wanneer je een campagne bijstuurt. Een advertentiegroep die nauwelijks relevante bezoeken oplevert hoeft niet gered te worden door een filosofische discussie over causaliteit.
Alleen verandert toegewezen credit niet vanzelf in bewijs van een causaal effect .
Een campagne rapporteert een sterke ROAS. Dat kan betekenen dat advertenties extra klanten overtuigen om terug te keren.
Het kan evengoed betekenen dat bestaande vraag via een betaalde klik wordt opgevangen. In het dashboard verschijnt in beide gevallen omzet, terwijl de budgetbeslissing erachter heel anders kan zijn.
Hetzelfde probleem kan zich voordoen bij retargeting. Wie al dicht bij een aankoop stond, is makkelijker opnieuw te bereiken. Daardoor kan een campagne er bijzonder efficiënt uitzien terwijl een deel van die klanten misschien ook zonder advertentie had geconverteerd.
Zodra precies dat verschil belangrijk wordt, heb je meer nodig dan een andere instelling in het attributiemenu.
Incrementality begint bij de vraag wat zonder marketing was gebeurd
Incrementality probeert het extra resultaat van een ingreep zichtbaar te maken.
Daarvoor heb je een geloofwaardige vergelijking nodig met een situatie waarin die ingreep niet aanwezig was.
Wanneer beide situaties voldoende vergelijkbaar zijn, geeft het verschil informatie over wat de marketing waarschijnlijk heeft toegevoegd. Zijn ze vooraf al anders, dan wordt de conclusie veel moeilijker.
Precies daarom is niet iedere vergelijking een incrementality-test. Een regio waarin je campagne draait naast een andere regio leggen kan bijvoorbeeld logisch lijken. Wanneer die markten structureel anders groeien, kan het verschil evengoed daar vandaan komen.
Gebruik zo'n test vooral wanneer de onzekerheid een betekenisvolle beslissing blokkeert. Een grote terugkerende investering is een logischere kandidaat dan een kleine actie die volgende maand toch verdwijnt.
Ook het verwachte effect speelt mee. Wanneer je maar weinig conversies hebt, kan een kleine werkelijke verbetering verdwijnen in gewone schommeling. Dan levert een theoretisch mooie test in de praktijk weinig houvast op.
Op die manier wordt experimenteren geen extra analysetaak. Het wordt een instrument voor onzekerheid die werkelijk geld kost.
Marketing Mix Modeling wordt interessant wanneer de vraag breder wordt
Een experiment kan heel gericht zijn. Marketing Mix Modeling zoomt verder uit.
Een MMM gebruikt geaggregeerde historische gegevens om verbanden te modelleren tussen marketinginvesteringen en een bedrijfsresultaat. Daardoor wordt de methode relevanter wanneer je structureel over een bredere marketingmix wilt beslissen.
Dat bredere perspectief is interessant omdat niet iedere marketingactiviteit netjes in een individuele klik past. Merkcampagnes of offline media kunnen effect hebben zonder dat iedere latere klantreis technisch aan die blootstelling wordt gekoppeld.
Tegelijk is ook MMM geen magische waarheidmachine.
Wanneer je historische data nauwelijks varieert, heeft het model minder informatie om verschillen uit te leren. En wanneer verkoop sterk wordt beïnvloed door andere gebeurtenissen, moeten die factoren voldoende goed in de analyse terechtkomen.
Meer geavanceerd betekent dus niet automatisch meer betrouwbaar.
Daarom is het interessant dat Google in Meridian modellering ook met experimentele informatie kan kalibreren. Het bredere patroon en gerichter causaal bewijs hoeven elkaar niet uit te sluiten.
Je hoeft uiteindelijk niet één meetmodel te kiezen
De zoektocht naar één waarheidscijfer klinkt aantrekkelijk. In werkelijkheid geeft marketing zelden zo'n comfortabele eenvoud.
Attributie kan helpen begrijpen wat er in journeys gebeurt. Experimenten kunnen een specifieke causale vraag toetsen. MMM kan vervolgens helpen wanneer de budgetvraag zich over een langere periode en meerdere kanalen uitstrekt.
Gebruik snelle operationele signalen. Daar hoeft niet bij iedere optimalisatie een causaal experiment achter te zitten.
Wanneer je wilt weten of een terugkerende investering werkelijk iets toevoegt, wordt experimenteel bewijs interessanter.
Wanneer het vraagstuk structureler wordt en je voldoende historische data hebt, kan MMM extra richting geven.
De uitkomsten hoeven trouwens niet perfect hetzelfde cijfer op te leveren. Dat hoeft geen teken te zijn dat één methode fout zit. Ze bekijken dezelfde marketingrealiteit vanuit een andere vraag en op een ander aggregatieniveau.
Interessanter is waar ze elkaar tegenspreken. Daar zit vaak precies de onzekerheid die verder onderzoek verdient.
Maak eerst één meetbeslissing scherp
Voor een kmo hoeft de volgende stap dus geen volledige nieuwe measurement stack te zijn.
Pak één marketingbeslissing die binnenkort moet vallen en maak alleen deze velden expliciet.
Wat willen we na deze analyse werkelijk anders kunnen doen?
Welke informatie ondersteunt die beslissing vandaag voldoende?
Twijfelen we aan het pad naar conversie of aan het extra effect van marketing?
Welke methode kan precies die onzekerheid voldoende verkleinen?
Daarmee ontstaat ook een betere discipline vóór de analyse begint. Als niemand kan zeggen welke beslissing bij een andere uitkomst zou veranderen, is het de vraag hoeveel extra meetwerk nodig is.
Anders gezegd, begin niet met de vraag welk dashboard je nog mist. Begin met het besluit waarvoor je vandaag te weinig zekerheid hebt.
Dat is uiteindelijk ook een MarkOps-vraag. Data wordt pas nuttig wanneer ze betrouwbaar genoeg in een echte marketingbeslissing terechtkomt.
Actuele meetbasis
De rolverdeling tussen attributie, incrementality en MMM is getoetst aan Google's kader rond de measurement trifecta, de GA4-documentatie over attributie en de actuele Meridian-documentatie.