Měření marketingového ROI ve světě bez cookies

S blížícím se koncem podpory souborů cookies stojí marketéři před velkou výzvou: Jak měřit a optimalizovat marketingové aktivity, když techniky jako je atribuční modelovaní, které jsou postavené na datech o individuálních uživatelích (tzn. typicky cookies), už přestávají být spolehlivé?

Měření jako velká výzva pro marketéry

Jaká je skutečná ROI mých marketingových kanálů?

Zjistit skutečnou návratnost marketingových investic je čím dál tím obtížnější mj. kvůli omezování souborů cookies. Máme čím dál více mezer v datech, což vede k nepřesnému určení návratnosti investic marketingových kanálů a následně způsobuje špatná byznysová rozhodnutí. Jak tedy získat odpovědi na otázky jako např.:

  • Jaká je návratnost investic do display reklamy a prospectingových kampaní?
  • Do jakého média / u jakého publishera bychom měli navýšit nebo naopak snížit investice?
  • Jaká je návratnost investic, když nemáme doměřeno 30 %+ uživatelů kvůli chybějícím souhlasům s měřením?

Zjistit skutečnou návratnost marketingových investic je čím dál tím obtížnější mj. kvůli omezování souborů cookies. Máme čím dál více mezer v datech, což vede k nepřesnému určení návratnosti investic marketingových kanálů a následně způsobuje špatná business rozhodnutí. Jak tedy získat odpovědi na otázky jako např.:

  • Jaká je návratnost investic do display reklamy a prospectingových kampaní?
  • Do jakého média / u jakého publishera bychom měli navýšit nebo naopak snížit investice?
  • Jaká je návratnost investic, když nemáme doměřeno 30 %+ uživatelů kvůli chybějícím souhlasům s měřením?

Odpověď leží ve využití technik měření, které nejsou závislé na datech o konkrétních uživatelích (cookies) – jedním z příkladů je moderní automatizovaný marketing mix modelling (dále jako MMM). MMM je zcela nezávislé na cookies a je to dobře prověřený přístup, který je využíván největšími firmami k měření efektivnosti marketingu. Nové technologie zavedené v posledních několika letech navíc zpřístupnily MMM pro širší okruh inzerentů. MMM je metoda, která je v současné době doporučována společnostmi jako Meta (Facebook), Google nebo TikTok k měření jak krátkodobého, tak dlouhodobého efektu inzerce.

Co je marketing mix modelling?

Technika statistického modelování, která kvantifikuje vztah mezi investicemi do marketingového kanálu (a objemu zobrazení reklamy daného média –  imprese, GRP,..) a jejich dopadem na cílovou metriku (obvykle tržby).

Klíčové benefity MMM v kostce:

MMM jako ověřený způsob měření marketingového ROI bez cookies

Proces implementace MMM

Příklad Direct-to-consumer inzerenta

1.

Struktura kanálů

Týden 1

Společně s klientem jsme zrevidovali jejich „channel grouping“ – s cílem zjistit strukturu marketingových kanálů (online i offline). Výsledkem bylo celkem 27 kanálů, kde například Facebook byl rozdělen do 5 různých podkanálů na základě cílení a přístupu ke kreativám (např. „Product Ads – Retargeting“ nebo „Main promotions – reach“ atd.).

2.

Napojení dat

Týden 1

Napojili jsme se ke všem reklamním platformám, abychom získali potřebná vstupní data – bez nutnosti jakékoli kapacity IT na straně klienta.

3.

Modelování

Týden 2

Následně jsme přešli do kroku přípravy modelování marketingového mixu a kalibrace. Využíváme nejmodenější techniky strojového učení (machine learning) a statistické modelování k přípravě modelu s vysokou přesností a prediktivní silou.

4.

Vizualizace

Týden 2

Příprava vizualizace v podobě dashboardu na míru dostupného ve webové aplikaci (alternativou jsou další hlavní BI nástroje jako Tableau, Looker / Google Data Studio, Power BI).

5.

Optimální rozložení budgetu

Týden 3

MMM řešení poskytuje nejen reporting aktuálního výkonu kanálů, ale také doporučí optimální rozložení marketingového rozpočtu mezi jednotlivé kanály. V tomto případě se jednalo o navýšešení tržeb o 14 % při stejném objemu investic – pouze s odlišnou alokací mezi jednotlivé kanály.

6.

"Always-On" řešení

Týden 3

Předávací workshop s klientem – první diskuze nad výsledky doporučení k optimalizaci jejich marketingového rozpočtu od našeho analytického týmu. Nová data jsou nyní automaticky stahována z platforem a model s výsledky je denně aktualizován. 

Marketingový tým klienta má k dispozici “always-on” přehledy s přesnými a spolehlivými výsledky jejich kampaní, a to od brandingu po prospectingová videa až po “lower-funnel” retargeting a brandové vyhledávání.

Ukázka výsledků z MMM

Optimální vs aktuální rozložení nákladů i ROI po kanálech

Moderní MMM řešení reportují nejen aktuální ROI kanálů nebo kampaní, ale také doporučení na optimální rozložení marketingového rozpočtu. Můžete nastavit omezení pro každý kanál a nechat MMM řešení optimalizovat vaše ROI s ohledem na nastavená omezení a zlepšit tak celkovou efektivitu.

Moderní MMM zároveň fungují jako “always-on” softwarové aplikace (nebo “live” BI dashboardy), kde marketéři mohou vidět denní nebo týdenní aktualizované výsledky svých kampaní.

Kolik to stojí?

Cena MMM řešení

Jednorázová analýza MMM

31 990
  • Jednorázová MMM analýza
  • Příprava dat a vyhodnocení
  • Komplexní výstup s doporučeními ohledně optimalizace marketingových investic
  • Exekutivní shrnutí pro CMO
  • Workshop s našimi konzultanty a diskuzí nad výsledky

MMM Basic

6 490 měsíčně
  • Automatizované MMM s denní aktualizací
  • Optimalizace rozpočtu
  • Vizualizace v Tableau, PowerBI or Looker / Google Data Studio
  • Průběžný přehled výpočtů a denní aktualizace výsledků
  • 1 běžící model
  • Automatizované zpracování dat a příprava
  • Bez dlouhodobého závazku - možnost službu kdykoliv zrušit
  • E-mailová podpora
  • K implementaci není potřeba IT
Popular

MMM Enterprise

Cena na míru Pro větší detail nás kontaktujte
  • Vše ze základní MMM nabídky
  • Modelování scénářů
  • Neomezené množství modelů
  • Dedikovaný konzultant / analytik
  • Pravidelná doporučení pro váš marketingový tým
  • K implementaci není potřeba IT
  • Školení interního týmu
  • Enterprise-level SLA

FAQ

Více o marketing mix modellingu

Běžně je doporučováno mít alespoň 2 roky historických dat, nicméně byznysy, které nejsou zatíženi sezonalitou, mohou mít kratší historii.

Multi-touch attribution (MTA)  se pro každou konverzi (objednávku, instalaci aplikace,…) snaží rekonstruovat kontaktní body (mohou to být kliknutí na reklamy, přímé návštěvy, zobrazení obsahových reklam atd.), které jí předcházely pro daného uživatele, a poté pomocí nějaké metody rozděluje kredit (zásluhy) za tuto konverzi na některé nebo všechny kontaktní body.

Modelování marketingového mixu (MMM) je metoda založená na statistickém modelování s cílem kvantifikovat vztah mezi marketingovými náklady (a/nebo mediálními metrikami jako jsou imprese nebo GRP) a cílovými metrikami – jako jsou tržby, počet nových zákazníků nebo počet instalací aplikace. MMM k řešení přistupuje „top-down“ metodou, tj. pracuje s agregovanými daty – jako jsou data o tržbách a investicích po dnech nebo týdnech – na úrovni marketingových kanálů a typů kampaní (online i offline). MMM nepotřebuje žádná data na úrovni individuálních uživatelů.

Obě metody mají stejný cíl měřit obchodní dopad marketingových kanálů a pomoci marketingovým manažerům efektivněji investovat svůj rozpočet.

Z technického hlediska zde není žádné minimum, nicméně jakmile investujete alespoň kolem 200tis Kč / měsíc do marketingu a využíváte několik marketingových kanálů, MMM pro vás bude pravděpodobně přínosné.

Marketing mix modelling zahrnuje další faktory než jsou média – jako je cenotvorba, makroekonomické faktory (inflace, vývoj trhu apod.), počasí, aktivity konkurence apod. Naproti tomu media mix modelling se soustředí pouze na média. V praxi se však oba pojmy často zaměňují. 

Zjistěte, jak MMM může pomoci zlepšit efektivitu vašich marketingových kanálů

Napište nám

Obratem se ozveme a domluvíme se s čím vám můžeme pomoci.

Nabídka Implementace
- Jednorázová analýza MMM

Napište nám. Obratem se vám ozveme a domluvíme se na dalších krocích.

Nabídka implemetace
- MMM Basic

Napište nám. Obratem se vám ozveme a domluvíme se na dalších krocích.

Nabídka Implementace
- MMM řešení na míru

Napište nám. Obratem se vám ozveme a společně se domluvíme na dalších krocích.

Získejte konzultaci či podklady zdarma

Chcete získat více informací o MMM a zjistit jak by vám mohlo pomoci při otázkách s návratností investic a měřením? Dejte nám vědět – můžeme buď odpovědět na konkrétní dotazy, nasdílet vám další materiál nebo si společně krátce zavolat.

Choose the Right Tier for You

PREMIUM

Choose the Right Tier for You

STANDARD

Choose the Right Tier for You

GROWTH

Choose the Right Tier for You

STARTER

Coming Soon

Predictive analytics in GA4

One of the new and exciting features of GA4 is called “predictive metrics” – with these you can learn about your customers and their shopping behavior. These are added automatically to your data and are based on Google’s machine learning expertise.

GA4 currently includes the following predictive metrics:

  • Purchase probability: The probability that a user who was active in the last 28 days will log a specific conversion event within the next 7 days.
  • Churn probability: The probability that a user who was active on your app or site within the last 7 days will not be active within the next 7 days.
  • Predicted revenue: The revenue expected from all purchase conversions within the next 28 days from a user who was active in the last 28 days.

You can create audiences based on these values and leverage them in your advertising campaigns – for example, you could exclude users who have a high purchase probability as you may assume that these users will buy anyways and you don’t have to spend additional marketing dollars on them (test it) or try to win back an audience with higher churn probability with a special campaign or communication.

Data export to BigQuery

Google BigQuery is a cost-effective and highly-scalable cloud data warehouse optimized for high performance on very large data sets. With GA4 you can export all your event-level data to BigQuery for additional analytics or data science initiatives.

Example use cases might be

  • Joining GA4 data with other sources in your company – CRM, customer data, backend sales, and margin data.
  • Using GA4 data for advanced customer analytics for a better understanding of customer lifetime value or churn prediction.
  • Automate reporting in your BI tool.
  • Move the data to your on-premise or cloud data lake and data warehouse.

Example use cases might be

  • Joining GA4 data with other sources in your company – CRM, customer data, backend sales, and margin data.
  • Using GA4 data for advanced customer analytics for a better understanding of customer lifetime value or churn prediction.
  • Automate reporting in your BI tool.
  • Move the data to your on-premise or cloud data lake and data warehouse.

You will need to have a Google Cloud account set up and maintained for this purpose. That is why we are here and can solve all the infrastructure for you and with you!

Free data driven attribution in GA4

Since 1/2022 GA4 has made a data-driven attribution model available to all users – unlike in Universal Analytics where the DDA model was only available to GA360 customers.

DDA is an algorithmic attribution model that quantifies the value of each touchpoint in the user journey (such as campaign click) and it does so by smart modelling behind the scenes without human bias that is always present in rule-based models.

The DDA model in GA4 is also better than the one on GA360 as it takes into account up to 50 touchpoints in the user journey vs. the GA360 only took 4 touchpoints.

It is also possible to set the default attribution model to DDA (or another model) from the old Last Non-Direct Click. And then all your reports and data exported to BigQuery will use the newly selected model as default.

DDA in Google Analytics 4 excludes almost all direct visits from receiving credit – you may or may not like that, but as it’s been always the case with attribution we recommend validating any model using marketing experiments.

World without Cookies and GA4

GA4 is built for a world where more and more users opt out of cookie consent and other methods for data collection.

Google uses machine learning modeling to fill in the data gaps – some of these are already in the current GA4 others will be deployed in the future.

For example, modelling conversions allows GA4 to properly attribute conversions without user identification – this is crucial for optimized advertising campaigns and automated bidding. This covers situations such as some browsers limiting the time window for first-party cookies, conversions for unconsented users, Apple’s App Tracking Transparency (ATT) impacts, cross-device user behaviour, and others.