Ekonometrian käsitteet / sanasto / termit
Analytiikko muuttaa numerot toimenpidesuosituksiksi

Miten ekonometrian avulla voi ohjata markkinointipanostuksia?

Ekonometria on tilastotieteen menetelmien hyödyntämistä taloudellisessa laskennassa. Yleisiä ekonometrian sovelluksia ovat mm. myynnin ja markkinointipanostusten ja myynnin ja hinnan väliset laskelmat. Kun dataa on riittävästi esim. edellisen kahden vuoden ajalta, voidaan ekonometrian avulla laskea malli, miten markkinointipanostukset vaikuttavat myyntin, ja näin voidaan ekonometristen mallinnusten avulla lähteä optimoimaan kohti kustannustehokkainta panostusten osuutta eri kanaviin. Käytännössä päästään siis karsimaan turhaa, ja käytetään säästyvät varat siihen, mistä kanavasta panostus tuottaa korkeimmassa tulokulmassa rahat takaisin. Markkinoinnin kokonaiskannattavuus voi parantua olennaisesti!

Tyypilliset sudenkuopat markkinointipanostuksissa

Digitaalisilla kanavilla, erityisesti Googlen hakumainonnalla, on pisimmälle kehitetyt analytiikkametodit hakumainonnan kustannustehokkuuden laskentaan. Kun hakumainoksista veloitetaan hinta per klikki (per avainsana), voidaan laskea mainonnan kustannustehokkuus (ja Return Of Ad Spenditure, ROAS) sekä avainsanatasolla, mainosryhmätasolla (jonne sijoitetaan eri mainosvaihtoehdot ja avainsanat) sekä kampanjatasolla (joka voi olla jatkuva tai lyhyemmän mainoskampanjan ajan voimassa).

Käytännön sudenkuoppana on sitten markkinointipäättäjä, joka suuressa viisaudessaan on päättänyt panostaa hakumainontaan tasaisesti kiinteän summan kuukaudessa, esim. 1000 euroa tai 2000 euroa - joka summa ei perustu yhtään mihinkään, ja pahimmassa tapauksessa tuo summa on kaiken aikaa Googlen kannalta "limited by budget", eli todellinen avainsanojen kysyntä olisi moninkertainen, kuin mitä ko. budjetti sallii. Silloin Google toimii niin, että se pyrkii näyttämään budjetin rajoissa mainoksia tasaisesti pitkin päivää, eli jos budjetti on vaikka 1000 euroa ja kysyntää olisi 5000 euroon, mainokset näkyvät keskimäärin vain joka viides kerta, kun ko. avainsanoja haetaan. Käytännössä siis Google ohjaa valituilla avainsanoilla potentiaaliset asiakkaat suoraan kilpailijoille neljässä tapauksessa viidestä!

Jos tällaisessa tapauksessa tehtäisiin ekonometrinen mallinnus, ja laskettaisiin panostusten ja myynnin välinen suhde, niin itse mallista ei tulisi yhtään mitään, koska panostukset ovat aina sama, esim. 1000 euroa tai 2000 euroa kuussa, ja myynti sitten mitä sattuu tulemaan. Mallia ei voida laskea, koska x-arvojen variaatio on nolla, ja käytännössä malli antaisi panostusten kulmakertoimeksi nolla, ja mallin leikkauspisteeksi myynnin keskiarvon, eli esittäisi, että panostuksella ei ole yhteyttä myyntiin, ja kun panostus on aina vakio, myynti on vain myyntilukujen keskiarvo. Malli ei ole siis minkään arvoinen eikä selitä tai ennusta yhtään mitään.

Panostusainasama

Ensimmäinen toimenpide, mitä ko. yrityksessä kannattaisi tehdä, olisi laittaa mainonta tauolle vaikka pariksi viikoksi tai jopa kuukaudeksi. Silloin saataisiin todellinen leikkauspiste panostuksen ja myynnin suhteelle, eli paljonko myyntiä on keskimäärin viikkoina, jolloin panostus on oikeasti nolla. Tämän jälkeen olisikin syytä katsoa Googlen työkaluilla, paljonko ko. avainsanajoukolle on aidosti kysyntää kuukaudessa, ja testata, mihin myynti nousee, jos kaikki ko. liikenne otetaan vastaan, kun säädetään esimerkiksi avainsanojen maksimihintatarjous sinne, mihin Google sitä ehdottaa. Tämä ei toki ole välttämättä optiimi, mutta näin meillä olisi jo kolme laskentapistettä: Googlen ehdottama panostus, vanha keskimääräinen panostus per kk/vko, ja nollapanostus.

Viimeistään siinä vaiheessa, kun koossa on esim. 10-20 eri mittausviikkoa, voidaan alkaa mallintaa eri panostusten ja myyntilukujen suhdetta per viikko. Ihannetapauksessa meillä olisi vielä esim. koko toimialan myyntiluvut samalta ajalta, kuten on vaikkapa uusien autojen myynnistä, koska luvut ovat julkisia. Silloin meillä olisi sesonkidata, tiedetään montako autoa ajanjaksolla on myyty, ja kuinka paljon itse on myyty, jolloin tiedetään myös saavutettu markkinaosuus.

Myyntijapanostus
Nyt meillä alkaisi olla jo erittäinkin hyvät eväät laskea markkinointipanostuksen ja myynnin välinen kaava, ja regressioanalyysin avulla saamme esim. ylläolevaan graafiin laskettua Excelin avulla ennusteen, jonka mukaan myynti olisi 5,5 miljoonan euron luokkaa kuukaudessa kun panostus on nolla, mutta hakumainonnan panostuksella saavutettaisiin 1753 euron lisämyynti per panostettu euro, kun panostus on välillä 1000 - 5000 euroa.

Mallin käyttö ennusteena

Jos meillä on nyt mallin mukaan selvillä kulmakerroin, jolla panostus tuottaa myyntiä, voimmeko sitten ennustaa, mihin myynti nousisi, jos edelleen kasvatettaisiin voimakkaasti panostusta hakumainontaan. Voimmeko ennustaa, että jos panostus hakumainontaan nostetaan 10.000 euroon, mihin myynti kasvaisi?

Teoreettisesti kyllä, käytännössä ei. Kaava toki antaisi laskelman, jonka mukaan myynti nousisi jopa 23 miljoonaan 10.000 euron hakumainonnan panostuksella, mutta käytännössä tämä tuskin toteutuu, koska:

  • meillä ei ole havaintoja panostusalueen 1.000 - 5.000 euroa ulkopuolelta, jolloin emme tiedä kuin testaamalla, jatkuuko lineaarinen suora yhtä suoraviivaisesti havaintoja sisältävän panostusalueen ulkopuolella, vai alkaako suora "taipua", eli panostuksia nostettaessa tulee ennen pitkää raja vastaan, jolloin myynti ei enää kasvakaan lineaarisesti, tai se kasvaa paljon lievemmin kuin aiemmin, pienillä panostuksilla.
  • valitulla avainsanajoukolla on rajallinen määrä liikennettä saavutettavissa, koska niitä haetaan vain tietty määrä kuukaudessa Suomesta. Jos avainsanajoukkoa kasvatetaan, jokainen hakumainontaa tehnyt tietää, että kerroin, jolla panostus tulee takaisin, muuttuu. Usein parhaat sanat on jo valittu, ja Googlen Keyword plannerin avulla voidaan toki harkita avainsanajoukon kasvattamista, mutta usein uusilla sanoilla ei saavutetakaan yhtä tehokkaasti myyntiä kuin jo aiemmilla avainsanoilla oli saavutettu. Suhde muuttuu, ROAS-kerroin mahdollisesti heikkenee.

Ekonometrisen mallinnnuksen avulla ja käytännössä Google Adsia optimoimalla pystytään kuitenkin varsin nopeasti selvittämään, mikä on optimaalinen panostus ko. kanavaan eli maksettuun hakuun Googlen hakukoneissa, ja tämän jälkeen päätetään ottaa kaikki liikenne vastaan sesongin mukaan valituilla avainsanoilla. Panostus vaihtelee kysynnän mukaan kuukausittain, ja voidaan aina tarkentaa ennustetta, kun trendit, sesongit, kysyntä ja tarjonta tai kilpailutilanne muuttuvat. Paitsi sesongin mukainen kysyntä muttuu kaiken aikaa, myös kilpailijoiden toimenpiteet muuttavat tilannetta, mutta vastaavasti myös ennusteemme tarkentuu joka viikko tai kuukausi, kun saamme uusia havaintopareja panostuksen ja myynnin välisestä suhteesta.

Milloin ekonometrisestä mallista eniten hyötyä?

Hakumainonta on tietysti markkinoinnin muoto, josta saamme ilmankin ekonometrian laskelmia hyvinkin tarkkaa tietoa ja pystymme laskemaan sen kustannustehokkuutta myös Googlen omilla työkaluilla. Ekonometriasta on hyötyä kuitenkin, kun saamme lisää dataa muista muuttujista, jotka vaikuttavat myyntiin, esim. sesonkidata, kilpailijadata jne. - jolloin ekonometrisellä mallilla saatetaan jo päästä paljon pidemmälle, kuin pelkästään naiivisti olettamalla, että "muut tekijät kuin mainospanostus eivät vaikuta myyntiin". Kaikki tietävät arkikokemuksesta, että myyntiin vaikuttaa aina lukuisia eri tekijöitä, ei pelkästään yhden kanavan mainonta! Pelkästään esimerkin tapauksessa liittämällä mukaan sesonkitiedot koko toimialan myyntiluvuista, päästiin 63,3 % selitysasteeseen myynnin vaihtelusta, eli kun muuttujina oli pelkästään hakumainonta ja myynnin kausivaihtelu. Toki mallista puuttui edelleen monta muuta ratkaisevaa tekijää, mm. muut markkinointitoimenpiteet, myyntikohteiden muutokset (uudet mallit, uudet tuotteet ja uudet hinnat) jne.

Digitaalisen markkinoinnin ulkopuolella kuulee usein väitettävän, että myynnin ja markkinointipanostuksen suhdetta ei voida mitata. Ekonometrian avulla voidaan. Joko markkinointinpanostuksen ja myynnin välillä on positiivinen tai negatiivinen korrelaatio, tai niiden korrelaatio on nolla - ei ole riippuvuutta. Kaikissa tapauksissa asia on aina suoraan mitattavissa, kunhan vain saadaan myynti- ja panostuseurot riittävän suurelta ajanjaksolta. Ja myös siinä tapauksessa, tai etenkin siinä tapauksessa, että riippuvuutta näiden asioiden välillä ei ole, tai korrelaatio on negatiivinen, tieto tästä voi olla erittäin arvokas! Miksi käyttää kuukaudesta tai vuodesta toiseen panostuksia asiaan, joka ei korreloi myyntiin halutulla tavalla - eli positiivisesti!

Käytännössä mitä enemmän dataa saamme myyntiin vaikuttavista tekijöistä, sitä parempaan selitysasteen pääsemme myynnin mallinnuksessa, ja sitä tarkempaa tietoa saamme eri tekijöiden vaikutuksesta myyntiin. Parhaimmillaan päästään siihen, että myynnin vaihtelusta pystytään selittämään jopa 80-90 prosenttia - sataan prosenttiin ei koskaan päästä, koska aina on tekijöitä, joita emme tunne tai jotka ovat satunnaisia. Mutta jos päästään jo 70-90 % selitysasteeseen, saadaan erittäin paljon dataa, jonka perusteella voidaan optimoida eri tekijöitä, laskea esim. optimaalinen panostus eri kanaviin, ja tehostaa myyntiä monella tavalla

Kaikki myynnin mallinnukset on räätälöitävä asiakaskohtaisesti, asiakaskohtaisella datalla. Ota yhteyttä, niin autamme alkuun!
- Ismo Tenkanen

 

 

 

 

 

 

 

 

 

 

Kommentit

Feed You can follow this conversation by subscribing to the comment feed for this post.

Verify your Comment

Kommentin esikatselu

This is only a preview. Your comment has not yet been posted.

Working...
Your comment could not be posted. Error type:
Your comment has been saved. Comments are moderated and will not appear until approved by the author. Post another comment

The letters and numbers you entered did not match the image. Please try again.

As a final step before posting your comment, enter the letters and numbers you see in the image below. This prevents automated programs from posting comments.

Having trouble reading this image? View an alternate.

Working...

Kommentoi

Comments are moderated, and will not appear until the author has approved them.

Your Information

(Name and email address are required. Email address will not be displayed with the comment.)