Multi-Touch Atıf Öldü mü? Daha İyi Bir Performans Ölçümü Çözümü Oluşturma

Pazarlama ilişkilendirmesinin asırlık hedefi kulağa basit geliyor: hangi temas noktalarının, kanalların ve/veya kampanyaların müşterileri dönüşüme yönlendirmede en etkili olduğunu bulmak.

Dijital dünyada, etkiyi ilişkilendirme becerimiz, pazarlama etkileşimlerini bir araya getirmemize izin veren deterministik tanımlayıcılara dayanmaktadır. Ardından, müşteri yolculuğu boyunca her bir etkileşime atanan kredinin ağırlığını ayarlamak için bu etkileşimlere kurallara dayalı veya veriye dayalı bir model uygulanır.

Bu nedenle ilişkilendirme, teorik olarak pazarlamacılara, bir tüketicinin dönüştürme kararındaki farklı türde marka etkileşimlerinin değerini anlama ve değerlendirme gücü verir. Bir ilişkilendirme modelinin platonik ideali, kullanıcı yolculuğundaki her temas noktasının bütünsel bir görünümünü üretecek ve insanları nihai hedefe yönlendirmedeki önemini doğru bir şekilde değerlendirecektir.

Çoklu dokunma özelliği gibi bazı modellerde yakınlaşma sağlanırken, diğerlerinin son dokunuş gibi iyi bilinen kör noktaları vardır.

Ancak, bir dönüşüm olayını etkilemiş olabilecek her temas noktasını doğru bir şekilde izlemek kesinlikle mümkün değildir. Muhtemelen asla olmayacak. Öyle olsa bile, ilişkilendirme bize ihtiyacımız olan tam resmi vermeyebilir.

Tek başına ilişkilendirme, doğası gereği kusurlu bir hedeftir

Mükemmel ilişkilendirme, uzun süredir pazarlamanın boş bir hayali olmuştur; John Wanamaker'ın günlerinden bu yana pazarlamacılar, değer yarattıklarını kanıtlayacak evrensel bir ölçüm çerçevesi fikrine kafayı takmış durumdalar.

Ancak tüm temas noktalarını görebilseniz ve mükemmel bir bütünsel ilişkilendirmeye ulaşabilseniz bile, bu size mükemmel pazarlama stratejisini oluşturmak için ihtiyacınız olan tüm bilgileri verir mi? Ne de olsa, ilişkilendirme doğası gereği her zaman dikiz aynasına bakmaktır. Geleceğe bakmaz veya ileriye dönük bir yol sağlamaz. Ayrıca, azalan getiriler gibi kritik medya yatırım sinyallerini de hesaba katmaz.

Performans ölçümü, yalnızca son doların ne kadar ileri gittiğini değil, bir sonraki en iyi dolarınızın nereye gitmesi gerektiğini anlamak için verileri kullanmaya odaklanmalıdır. Verilerinize bakabilmeniz ve aşağıdaki gibi ileriye dönük soruları yanıtlayabilmeniz gerekir:

• Mevcut ROAS'ımızı korurken dönüşümlerimizi ölçeklendirmek için bütçeleri nerede artırabiliriz?
• Kampanya performansını optimize etmek için hangi kaldıraçları kullanabilirim?

Yalnızca eksik bir veri kümesinin üzerine geriye dönük kredi atayan bir modele bakıyorsanız, bu tür soruları yanıtlayamazsınız. Soğuk, acı gerçek şu ki, deterministik çoklu dokunma özelliği her derde deva değil; karar vermek için güvendiğiniz tek model buysa, bu cevapları veremez.

Verilerin kullanımdan kaldırılması, deterministik çoklu dokunma ilişkilendirmesini zorlaştırıyor

İlişkilendirme fikrinin bizi yalnızca nihai ölçüm hedefimize yarı yolda götürdüğüne katılsanız da katılmasanız da, birçok pazarlamacının hâlâ ilişkilendirme modellerine bağlı olduğu konusunda hemfikir olabiliriz. Tüm modellerde olduğu gibi mükemmel diye bir şey yoktur. Google'ın belirli notların değer türetilmiş, veriye dayalı atıfında yıllar içinde ilerlemeler kaydedilmiş olsa da, atıfın geleceği söz konusu olduğunda hâlâ pek çok bilinmeyen var.

Bunun nedeni, pazarlama verilerinin mevcut durumunun işleri yalnızca daha da zorlaştırmasıdır. Meta, Google ve Snap gibi platformlar, Apple'ın Uygulama İzleme Şeffaflığı (ATT) ile başa çıkmakta zorlanırken, bu şirketlerin CFO'ları, verilerin kullanımdan kaldırılmasının en büyük zorluk olduğunu kabul eden ilk kişiler olacaktır.

İlişkilendirmeyle ilgili pratik sorunlardan en azından bazıları insani sorunlardır: İnsanlar, gerçekte var olsunlar ya da olmasınlar, noktaları birleştirme ve kalıplar bulma konusunda takıntılıdır. Pazarlamacılardan, diğer veri kümeleriyle olan tutarsızlıklar nedeniyle ilişkilendirmenin Google Analytics'te nasıl çalıştığı hakkında sık sık sorular alıyoruz.

Muhtemelen bu zorluğa aşinasınızdır: Facebook Business Manager kullanıcı arayüzü, platformun Google Analytics'te gördüğünüzden 10 kat daha fazla dönüşüm sağladığını iddia ediyor. Peki hangisi doğru?

Cevap, her ikisinin de yanlış olduğudur, sadece farklı şekillerde. Hiçbir eğlenceli matematik (yani, zaman içinde iki veri noktası arasındaki deltaya bakan proxy hesaplamaları), denklemi çözmenize ve Facebook Reklamlarının alması gereken krediyi tam olarak hesaplamanıza yardımcı olmaz.

Günün sonunda bu bir veri gözlemlenebilirlik sorunudur; veriler eksik ama yine de bir cevap arıyoruz.

Bu kafa karıştırıcıysa, şu şekilde düşünün: Diyelim ki, düzensiz sinyal alımı olan bir telefon görüşmesindesiniz. Her 10 kelime için bir kelimeyi kaçırıyorsunuz. Muhtemelen, konuşmanın özünü hala anlayabiliyorsunuz çünkü çok fazla başka bağlamınız var.

Ancak tüm cümleleri veya diğer her bir kelimeyi kaybetmeye başladığınızda, başınız belada olacak. Bunun nedeni, girdilerin doğru sonuçlara varmak için çok sınırlı ve parçalı olmasıdır. Şu anda tüm reklamcılık platformlarında deterministik ilişkilendirmede olan tam olarak budur ve bu, hiçbir modellemenin tamamen çözemeyeceği bir şeydir.

Rob Gronkowski'nin Tom Brady'yi Florida'da emekli olmaya davet ettiği, ancak Brady'nin yalnızca diğer her kelimeyi duyabildiği ve Gronk'un ona Tampa Bay'de oynamasını söylediğini düşündüğü Super Bowl T-Mobile reklamını hatırlıyor musunuz? Bugünkü atıf bu. Markaların veri kaybıyla karşı karşıya kaldığı gerçek bu.

Platformlar, boşlukları denemek ve kapatmak için modellere yöneliyor. Esasen, Gronk'un reklamda Tom'un söylediği birkaç kelime gibi sahip oldukları sınırlı verileri alıyorlar ve konuşmanın geri kalanını modellemek için teknolojiyi kullanıyorlar.

Bu, ChatGPT'nin yanıtları derlerken sıradaki en olası kelimeyi nasıl tahmin ettiğiyle karşılaştırılabilir. Genellikle mantıklıdır, ancak bazen halüsinasyon görür ve size Elon Musk'ın Amerika Birleşik Devletleri'nin bir sonraki başkanı olacağını söyler.

Elbette, modellemede her zaman bir dizi hata vardır, ancak veri kaybı yeterince kötüyse, doğru bir model oluşturamazsınız. Ardından asıl soru şekillenmeye başlar: reklam platformlarının doğru yapacağına ne kadar güvenebilirsiniz?

Bu nedenle ölçüm araç setinizi genişletmeniz gerekiyor.

Medya karması modellemesi ve artımlılık testi, etkiyi anlamaya daha da yakınlaşmanızı sağlayabilir

İlişkilendirme hala güçlü bir yapıdır, ancak modern çağa dönüşebilmesi için altta yatan metodolojinin değişmesi gerekir. Kuruluşunuz için ne tür bir ölçüm araç seti ve çerçevesinin işe yarayacağını anlamak için bazı zor sorular sormanız gerekir, örneğin:

• Kanallar ve platformlar arasında yatırım planlaması hakkında akıllı kararlar almak için hangi ölçümlere ihtiyacınız var?
• Mevcut medya karışımınızı olabildiğince verimli bir şekilde ölçeklendirmek için en iyi fırsatlar nerede?

Bir endüstri olarak, mükemmel ilişkilendirmenin hayali bir versiyonunu her şeyin sonu olarak düşünmeye alıştık, ancak bunun yalnızca bir yol gösterici olarak kullanılması amaçlandı.

Bu, yararlı olmadığı anlamına gelmez. Ancak odağınızı geleceğe kaydırmanız ve ilişkilendirmenin tek belirleyici değil, karar verme sürecinizin bir parçası olmasına izin vermeniz gerekir.

Ve mükemmel bir çözüm olmasa da, bizi hedefe çok daha fazla yaklaştıran kusurlu bir çözüm var: bazı deterministik verileri ve geri kalanı için modeli kullandığınız medya karışımı modelleme (MMM) ile birleştirilmiş birleşik ilişkilendirme. Amaç, gelecekteki yatırımları tahmin etmek için geçmiş verileri kullanmaktır. Kökleri büyümeye dayanır, geçmiş performansa rehin tutulmaz.

Doğru yapmak için, hem modellenmiş performans verilerini doğrulamanıza hem de kampanyalarınızın tüm müşteri yolculuğunu nasıl etkilediğine dair daha net bir resim elde etmenize yardımcı olacak güçlü artımlılık testine yatırım yapmanız gerekir.

Coğrafi tabanlı artımlılık testi, ortam karışımı modelleme kalibrasyonu için hayati önem taşır. Aynı zamanda, belirli bir anda nerelere fazla veya az yatırım yaptığınızı belirlemek için en güçlü tek ölçüm çözümüdür.

Çoğu marka artımlılık testi konusunda pek rahat değil. Bazıları bunu daha önce yaptı, ancak tarihsel olarak çoğunluk bu konuda pek iyi değil. Markanız buysa, benzersiz iş zorluklarınızın gereksinimlerine ve tuhaflıklarına göre özelleştirilmiş, öngörülebilir bir metodolojiye sahip güvenilir iş ortaklarına ihtiyacınız vardır.

Birden çok aracı entegre eden geleceğe dönük bir çözümün zamanı geldi: performans ölçüm çerçevesi

Geleneksel ortam karması modelleriyle ilgili en büyük zorluklardan biri harekete geçme hızıdır. Wpromote'ta, hem veri kullanımdan kaldırma zorluklarını hem de eyleme geçirilebilirliği ele almak için Polaris pazarlama platformumuzun bir parçası olarak, Büyüme Planlayıcı adlı yüksek hızlı bir medya karması modeli ve yatırım senaryosu planlama aracı oluşturduk.

Growth Planner, performans ölçüm çerçevemizin temelini oluşturur. Temel olarak, gelir hedeflerine ulaşmak için mevcut dolarların en uygun yatırımını bulmak için bir müşterinin tüm yılı boyunca tahmin yapar. Ayrıca, markanızın çevik kalabilmesi ve yeni gelişmelere uyum sağlayabilmesi için haftalık olarak optimizasyonlar için kullanılabilir.

Büyüme Planlayıcı, marjları en üst düzeye çıkarmak için tüm pazarlama kanallarınıza ve dönüşüm hunisinin tamamına bakar, çünkü kârlılık oyunun sonudur. Belirli bir taktiğe, kanala, aya, haftaya, güne kadar nasıl yatırım yapacağınızı anlatır.

Modelin dürüst kalmasını ve sürekli artımlılık testi yoluyla daha iyi olmaya devam etmesini sağlıyoruz ve yatırım kararlarını daha fazla bilgilendirmek için tahmine dayalı yaşam boyu değeri gibi ek gelişmiş veri girdilerini modele besleyebiliriz. Ardından, Growth Planner'dan gelen verileri, önemli yatırım alanlarındaki veri temiz oda analizine aktarıyoruz.

Ölçüm, Google ve Facebook gibi platformlarda ve CTV gibi medya kanallarında bir zorluk olmaya devam edecek. Pazarlamanızın gerçekte nasıl performans gösterdiğini gerçekten bilmek istiyorsanız, gizliliğe uygun ölçüm çözümleri ölçümünü keşfetmeye başlamanız gerekir.

State of the Data 2023'ü indirerek işinizi etkileyecek veri gizliliği değişikliklerinin nasıl bir adım önünde olacağınızı öğrenin.