Den ultimative guide til marketing attribution

Den ultimative guide til marketing attribution


Hvor hulan kom de salg fra? Den ultimative guide til attribution, og hvad dertil hører.

Læn dig tilbage i stolen, i sofaen, med andre ord: Sæt dig godt til rette som var du klar til en god meditationstime, min opgave er dog ikke at du falder i søvn, men at du går herfra med viden, om det jeg mener er den største udfordring for moderene marketingsfolk.

Hvor skal jeg investere mine penge? Hvilke kanaler er ligegyldige? Er Facebook pengene værd? Burde jeg bruge så meget energi og økonomi på lige netop den her kanal? Hvorfor er der så stor forskel på Facebook’s data og Google Analytics’s? Er Youtube annoncering pengene værd? Burde jeg smide penge efter influencers?

Det brager med spørgsmål i markedsføringsverdenen i øjeblikket – og alle disse spørgsmål kredser om det samme spørgsmål: Attribution, eller på godt jysk: Attribuering.

Hvad betyder attribution egentlig?

I stedet for at give en kedelig Wikipedia affærdigelse af, hvad ordet attribution i sin rå form betyder, vil jeg lige tage et lille hop tilbage i tiden.

Vi spoler tiden lidt tilbage til en tid hvor mængden af medier vi havde til rådighed i hverdagen, var væsentligt begrænset, kontra det liv vi lever i dag. Vi kunne læse avisen, se TV og lytte til radioen, eller blive eksponeret af reklamer i vores fysiske bevægen.

Siden har den verden vi lever i, forandret sig, drastisk. Vi lever i en verden hvor vi har uendelig adgang til, ikke kun antal af enheder, men lige så meget antallet af eksponeringsflader. Det tæller eksempelvis antallet af sociale medier (Instagram, Facebook, TikTok, SnapChat, Twitter, Pinterests) – listen er lang. Foruden at glemme e-mails, SMSér, web-notifikationer og de traditionelle medier.

Desuden er nutidens annoncører og markedsføringsfolk også blevet væsentlig mere intelligente, i forhold til at forstå psykologien bag de annoncer de viser forbrugere. Alle dette leder til min pointe: Der er blevet utroligt fyldt i vores rum for opmærksomhed.

Landskabet har forandret sig for attribution

Det har også forandret det landskab, vi som markedsføringsansvarlige navigerer i, i dagligdagen.

Det store spørgsmål er meget simpelt: Hvor kommer vores salg egentlig fra, hvad kan vi slukke for og hvor kan vi skrue op?

Kigger vi på nedenstående animation giver det et humoristisk, men alligevel meget nuanceret billede af hvor svært det er at navigere i netop dette.

marketing attribution

Animation forklaring

Hvis vi kigger på ovenstående animation, vil man jo mene at salget allerede starter når vores kære kunde modtager reklamen med posten, men når vi går ind i vores systemer og analyserer dette salg vil vi ikke have et data punkt der hedder ”post” – tværtimod. Dette salg ville meget vel være krediteret under enten ”direkte trafik” fordi personen har indtastet URL adressen direkte i sin browser, eller via “Google annoncering”, hvis vedkommende valgte at slutte med at søge efter produktet eller brandet fra sin mobil før køb.

Så attribution er en term man bruger, når man snakker om hvordan man kigger på kanalsammenspillet, altså hvordan de forskellige kanaler påvirker hinanden og hvordan man giver den ene kanal kredit frem for den anden. Naturligvis med henblik at danne overblik over hvor man skal placere sin markedsføringsindsats.

Den gamle tankegang for attribuering

Efter at have lavet denne analyse ville man som markedsføringsansvarlig, meget naturligt, fortælle ens direktør at der skal fuld fokus på mobil, og at fysisk post ikke virker. Det samme gælder vores udendørs billboards samt vores re-targeting på Facebook – allesammen touchpoints som vores kære kunde faktisk bliver eksponeret for i ovenstående animation, og dermed sagtens kunne have haft en effekt på den endelige beslutning.

Har man opdelte markedsføringsafdelinger, kan dette skabe store diskussioner mellem dem der sidder med de fysiske markedsføringstiltag, og dem der sidder med de digitale værktøjer. – For hvem har ret?

Som min analyse herover understreger, er der ikke nogen direkte løsning, men den helt sikre vej til et forskruet budget er at skrue op på det der falder en først ind, såsom den kanal man kun ser i Google Analytics, via den traditionelle ”last click model” som jeg kommer ind på længere nede i indlægget.

Cases & eksempler

Jeg har set ret vilde cases på dette, hvor man har skruet op for eksempelvis Google Ads, selvom de salg der kom igennem Google Ads, faktisk kom fra et øget antal brandsøgninger, hvilket ikke kan påvirkes direkte af Google Ads, medmindre man bruger Display annoncering eller Youtube annoncering.

Det sted hvor man derimod flytter et stort antal af brandsøgninger er meget ofte ved brug af sociale medier, influencers, TV-reklamer, radio mv.

Så første tip for i dag: Hold øje med jeres brandsøgninger på Google da det indikerer hvor stærkt jeres brand er i folks bevidsthed.

Det samme gælder lige netop TV.

Selvom du får tilsendt en rapport fra dit mediebureau eller fra TV-teamet, vil du alligevel ikke direkte kunne se i dine data hvis en potentiel kunde ser en tv-reklame og derefter foretager et køb. Det vil enten kræve at de kan klikke på TVét eller du har en chip indsat i deres hjerne – begge dele kommer nok i fremtiden, men lige i øjeblikket må vi arbejde med det vi har.

Det der i stedet sker når vi bruger medier uden touch points, er at vi i ofte se et stort antal stigninger i søgninger på brandet, data vi kan trække direkte ud fra Google’s værktøj der hedder Keyword Planner (på dansk søgeordsplanlægning).

Eksempelvis er det meget tydeligt, at når Løvens Hule ruller over skærmen, så stiger antallet af søgninger på de virksomheder der er med i programmet. Det ses tydeligt herunder, via en af de cases jeg sidder med der hedder “Myselfie” – som var med i 2019. Det er tydeligt at se hvornår episoden hvor de deltager ruller over skærmen.

Attributionmodeller

Der findes mange forskellige attribution modeller, dem der ofte bliver omtalt og bruges aktivt er dem vi finder i systemer som Facebook og Google Analytics.

Kilde: Medium – In depth digital marketing attribution

Vi tager lige en hurtig gennemgang af disse forskellige modeller hver for sig, således alle er med.

Jeg har valgt at bibeholde termerne på engelsk, da det er begreber man ofte vil støde på, når man arbejder via diverse markedsføringsværktøjer.

Last interaction

Denne model er standard i Google Analytics og giver fuld kredit for et salg, til det sidste touchpoint en given potentiel kunde har med en virksomhed før et køb / henvendelse.

Udfordringen med denne model er at den ikke tilgodeser hele kunderejsen og derfor kan lede til at drage konklusioner udelukkende på den sidste handling, men muligvis ikke den afgørende handling.

Der findes et par andre versioner af “last interactions” såsom Last non-direct click & Last Google Ads Click, dog er det oftest ikke disse der bliver brugt ved “Last interaction” modellen.

First interaction

Denne model giver fuld kredit til den første interaction en kunde foretager sig før et køb.

Igen en model der lader alt efterfølgende være “underordnet” hvilket underminerer alt den overbevisning der muligvis skal til, før en potentiel kunde tager en given beslutning.

Kigger vi eksempelvis på Facebook, kan det sagtens være at kunden klikker på Facebook, men ikke køber, men derimod vælger at skrive sig op til et nyhedsbrev, eller senere bliver påvirket af en influencer, og det var det der gjorde udfaldet. Det tager denne model ikke højde for, i stedet for krediteres hele værdien til den første interaktion som i dette tilfælde var Facebook.

Linear

“Linear attribution model” er en af de modeller der er lidt mere komplekse. Som det ses på billedet i toppen af dette afsnit, fordelens værdien eller kreditten om vil, ligelidt mellem de forskellige touchpoints en kunde foretager sig før et køb.

Hvis vi tager eksemplet fra før så er det dog heller ikke retvisende. Udfordringen sker da vi ikke ved hvilken platform der egentlig påvirkede kunden, så det kan sagtens være Facebook ikke havde nogen værdi, eller måske en mindre værdi end nyhedsbrevet eller influenceren.

Jeg har set denne virke “okay” på nogle forretninger, fordi de kører med relativt få kanaler og har en meget “ens” kunderejse, det er dog de færreste forretninger der i min optik kan bruge denne model, og der ville den næste model som hedder “Time Decay” måske være mere gavnlig.

Time Decay

Time Decay Attribution fordeler værdien / kreditten med en højere procent desto tættere man kommer beslutningsmomentet.

Det vil sige at hvis der er 5 touchpoints vil det første touchpoints måske få 10% af den samlede kredit for salget, hvor i mod det sidste touchpoint vil få 50% af kreditten. Det er en lidt interessant variation i min optik, da det betyder at man vægter det sidste touchpoint til at have den største værdi i forbindelse med brugerens beslutning.

Personligt ved jeg ikke om dette er en sand iagtagelse at basere sin markedsføring på. Før personen tager en beslutning i sidste ende, skal personens første interaktion have en vis form for betydning, ellers kommer den potentielle kunde aldrig længere nede i vores salgstragt og foretager dermed ikke en beslutning.

Position Based

Den sidste model som man ofte støder på i standardsystemer er “position based” attribution. Denne model er jeg faktisk selv begyndt at være lidt fan af, fordi den fordelen værdien højest på den første interaktion og den sidste interaktion, og fordeler så den resterende værdi i mellem de 2 touchpoints, så hvis vi antager der igen er 5 touchpoints, kunne man give det første touchpoint og det sidste touchpoint 40% i kredit til hver og de resterende touchpoints i midten ville så få 20% til deling.

Det er ikke “the magic wonder” – fordi det kan sagtens være de 3 touchpoints i midten var den afgørende faktor som gjorde at den nye kunde valgte at Google brandet og så foretage et køb og så burde det sidste touchpoint, i dette tilfælde Google, altså ikke få 40%, men igen: Der er ingen “one model fits all” her, så det handler om at finde ud af hvad der virker for den type af virksomhed man sidder med og hvor lang kunderejsen er.

Noget vi vil dykke ned i, lidt længere nede.

Custom models / data driven models

I takt med at antallet af enheder og medier er eksploderet, er antallet af modeller indenfor attribution også eksploderet.

Derfor er der også kommet mange nye modeller til, og flere virksomheder er begyndt at udvikle deres egne platforme, noget der er utroligt kompleks og kræver lang tid.

Dog kommer der flere og flere “machine learning” modeller, også kaldet “data driven attribution models“. Noget jeg selv tror mere og mere på.

Grunden til denne model er interessant er at en maskine er i stand til at crawle enorme mængder af data om lige netop dine brugere, og via denne data bygge en attribution model der giver et præcist billede af hvordan dine brugere ender med at blive kunder.

Lige netop dette område tror jeg, at man skal holde meget øje med i fremtiden, og jeg tror flere og flere værktøjer vil dukke op til overfladen indenfor dette space.

Forskel på systemer

Der er stor forskel på de forskellige medier (Specielt verdens 2 største annonceplatforme, Google & Facebook) og deres måde at vise data på. De fleste mener at medierne favoriserer deres egne data således at det ser godt ud, så folk skruer op for deres budgetter.

Jeg tror ikke virkeligheden vi lever i, er så simpel, jeg tror faktisk også disse platforme har svært ved at synliggøre hvordan deres systemer påvirker folks adfærd, fordi det er mere et spørgsmål om psykologi end data.

Det største problem for disse platforme er at det er forskellige ejere der ejer dem, og derfor er det ikke så nemt at lave et system der ”fits all”.

Desuden er der store forskelle på hvordan vi som forbrugere, bruger de forskellige medier, vi har ikke den samme kunderejse, trods vi køber sammen produkt igennem de samme enheder.

Facebook & Google

Eksempelvis er Google ofte et sted vi søger efter produkter, brands eller kategorier vi allerede har en idé om vi leder efter. Du skriver ikke blot på Google ”Hvilke produkter skal jeg købe i dag?” – det ved du allerede, eller har en idé om det.

Modsat er Facebook & Instagram et medie vi bruger til at forbinde med vores venner, have lidt tidsfordriv, blive inspireret af influencers, brands og få ideer.

Derfor vil det også være en skæv sammenligning, hvis vi ser de 2 kanaler som værende samme type af markedsføringskanal. Tværtimod har de 2 kanaler et fantastisk sammenspil, hvis man altså forstår sammenspillet.

Derudover er der også nogle tekniske elementer der spiller ind når vi snakker Facebook & Google.

Kilde: Smartly – FB vs GA – Conversion Tracking

Som det ses herover tager både Facebook og Google altså kredit for det samme salg, hvilket i sig selv giver store udfordringer, fordi hvilken kanal skal du så satse på?

Tracking på tværs af enheder

Facebook har den store “fordel” at kunne “tracke” den samme bruger på tværs af enheder og altså ikke kun via cookies som Google eksempelvis arbejder med.

Vores adfærd spredes ofte på tværs af enheder, specielt mellem desktop og mobile. Facebook ser her 1 bruger hvor Google ser 2 “brugere” – fordi det er forskellige enheder. I princippet har Facebook ret, men denne information sendes ikke videre til Google, derfor bliver Google nød til at tælle det som værende 2 forskellige sessioner.

Det ses ligeledes meget tydeligt ved den animation Smartly også har lavet for denne brugeradfærd.

Psykologisk øvelse

Næste gang du foretager et køb online, så prøv at tænk over hvordan du blev påvirket til at foretage lige netop det køb. Du foretager over 200 beslutninger i minuttet før du gennemfører dit køb, samtidigt sidder jeg og mine kollegaer i branchen og analyser på hvordan du nåede frem til den beslutning.

Ofte vil du faktisk have svært ved at huske hvordan du endte på ASOS, købte det halstørklæde du havde kigget på i lang tid, måske var det en SMS, måske var en e-mail, en veninde der sagde det var kommet på udsalg, en Facebook annonce, en influencer.

Min pointe er: Du har nok selv glemt hvordan du endte der, så nu forstår du hvor svært det er for os der sidder på den anden side af skærmen: Trods mere data end nogensinde før, er det også sværere for os, direkte at drage en korrelation mellem hvad vi foretager os, og hvad du som forbruger, foretager dig.

Google Analytics

Google Analytics har igennem mange år været det fortrukne værktøj næsten uanset hvilken form for online tilstedeværelse man har. Og tak til Google, for at have bygget et fantastisk værktøj.

Det har dog sine begrænsninger, hvis man ikke er data kritisk.

Generelt har Google Analytics en del faldgrubber, men dem vil jeg ikke gå ind i her, jeg vil anbefale du ser det her webinar jeg lavede tidligere.

Når det kommer til attribution, er den største fejltagelse er at de fleste blot hopper ind i deres Google Analytics konto, og ser eksempelvis at Google Ads og Google Organic bidrager til salget, og så tænker de ikke yderligere over deres markedsføring.

Derimod lægger de deres budgetter ud fra det de ser her. De tænker ikke hvilke underliggende faktorer der spiller ind, eksempelvis på hvor mange der søger efter ens brand, eller hvordan kunden kom frem til at Google ens produkt eller brand. Med andre ord: De glemmer kunderejsen.

… Er du stadig med?
Sådan! – Herunder får du udfordringen med Google Analytics.

Google Analytics – Last click

En del af den udfordring skal placeres på en af de modeller vi snakkede om tidligere.

Husker du vores gennemgang af attribution modeller? – Google Analytics har som standardindstilling at vise data baseret på den attributionsmodel der hedder ”last click” – det betyder at den kun krediterer salg til den sidste kanal for en given kunde.

Så den vil ikke give nogen form for kredit til de kanaler der har påvirket det afsluttende salg.

Med andre ord du får et forsimplet billede af hvilke kanaler der har en indflydelse på hinanden.

Google Analytics – Attribution beta

Det er ikke fordi de sidder med hovedet under armen på Google’s hovedkontor, tværtimod.

De forsøger konstant at udvide deres værktøjer til netop at imødekomme disse stigende krav fra os marketingfolk således at Google Analytics forbliver det meste brugte værktøj til data analyse i verden.

Derfor har de også udvidet deres platform med et nyt værktøj der meget passende kaldes “Attribution” og p.t er i beta.

Herunder kan du se hvordan du tilgår det igennem dit Google Analytics dashboard

marketing attribution - google analytics

Dette værktøj giver dig nemlig mulighed for at dykke ned i en af de attribution modeller jeg tidligere nævnte med positive bemærkninger, nemlig “Data driven attribution model”.

Vær opmærksom: Før du stryger ind i Google Analytics og leder efter dette skønne værktøj så vær opmærksom på det ikke er alle der har fået adgang til det endnu, Google melder selv ud at man skal have minimum 600 konverteringer, og algoritmen skal have minimum 30 dage til at crawle data. Jeg vil dog anbefale, at hvis du har fået adgang, at du så går ind og får sat det op, og lader Google crawle. Jeg lover at komme med et par cases, når jeg selv har haft tiden på tværs af de 10 konti jeg analyserer på i øjeblikket.

Facebook pixel & data analyse

Facebook har i mange år fået en masse kritik ud fordi det menes at de tager kredit for en stor andel af de salg der bliver generet på en webshop, uden det direkte kan krediteres tilbage.

Lad os lige gøre det klart hvordan Facebook tracker det.

Man indsætter en lille kode på ens hjemmeside, kaldet “Facebook pixel” – denne pixel matcher så den data & den adfærd på din hjemmeside, med data fra Facebook.

Når man en Facebook Business Manager og bruger Facebook’s annonce platform til at lave Facebook annoncering & ligeledes Instagram annoncering (ejet af samme), får man mulighed for at installere denne pixel.

Når koden er aktiv, kan man som sagt matche den adfærd folk tager på ens hjemmeside med deres profil på henholdsvis Facebook & Instagram, på den måde kan man se om de annoncer man eksponerer folk for, ender med at drive dem til at købe, eller foretage den aktive handling man ønsker.

Så hvis du eksempelvis har en webshop, vil du måske kunne genkende mine data herunder i din Facebook data rapportering.

Det er lige netop disse tal som folk undrer sig lidt over. De virker til at være for høje, og det er der flere årsager til. Udover at ovenstående pixel kan være installeret forkert, er det faktisk igen attribution der spiller ind.

Og hvorfor så det?

Facebook’s standard attribution vindue er følgende:
1 dags-visning & 28 dages-klik

Det betyder at hvis en bruger ser en annonce på Facebook / Instagram, og køber indenfor 24 timer, (uden at klikke på en annonce, vel og mærke) – så får Facebook kredit for salget. I Google Analytics vil salget meget vel komme fra en helt anden kanal, fordi Google ikke kan måle om man har set en Facebook annonce, specielt ikke hvis man skifter mellem enheder i mens.

Samtidigt betyder det også at hvis en bruger klikker på en annonce på Facebook / Instagram i dag og ikke køber, men køber indenfor de næste 28 dage, så går kredit for salget også til Facebook.

Den store hovedpine gør sig klar her: Hvor meget kredit burde en ”set annonce” have på Facebook i forhold til en handling på en hjemmeside og burde Facebook få kredit de næste 28 dage for et besøg?

Facebook Attribution system

Facebook har ligeledes forsøgt at imødekomme kritikken og den undren mange folk har hvad angår deres tracking.

Derfor har de bla. lanceret et værktøj der kan tilgås i Business Manageren, som hedder “Facebook Attribution”

Det betyder at Facebook, ligesom Google Analytics, forsøger at give os fornyet indsigt i folks adfærd.

Udfordringen er stadig at vi ikke har en chip installeret i folks hoveder, trods den kære Elon Musk forsøger, så derfor skal man stadig analysere disse data med et gran salt.

Som man kan se herunder får man, ligesom i Google Analytics, muligheden for at se hvordan salgene performer afhængigt af hvilken model man vælger.

Nedenunder kan du se et screenshot af hvordan man kan vælge en anden attribution model i Facebook.

facebook attribution

Så hvilke tal er de rigtige at kigge på?

Jeg tror det er et meget svært spørgsmål og det afhænger meget af den industri man arbejder i og hvad man sælger. Lad mig give 2 meget forsimplet eksempler, så det er meget nemt at forstå.

  • Webshop der sælger tøj
    Har du en webshop der sælger tøj, er det meget normalt at folk køber ofte og igen og igen. Her er visninger på eksempelvis Facebook i min optik, en måde hvorpå du giver Facebook ”for meget” kredit, fordi dine kunder har det man kalder en høj genkøbsrate, så her vil det give mening at kigge på et kortere ”attribution vindue” og evt. fjerne visninger.
#Tip: Pas på du ikke jonglere for meget rundt i attribution modeller og ender med at sammenligne pærer og bananer, det kan være farligt. Prøv i stedet og tænk over jeres kunderejse og find ud af hvor ofte folk køber i gennemsnit, på den måde kan i segmentere så i undergå at overeksponere folk og dermed betale for meget pr. kunde.

Jamen Micky, kunne man ikke bare slukke for en kanal i måned?

Den her sætning har jeg fået så mange gange, og det er desværre ikke så simpelt. Ofte vil eksempelvis Facebook annoncering og andre brandtiltag have meget effekt over tid, så at slukke for det i en måned vil ikke nødvendigvis kunne mærkes direkte på ens brandkendskab.

Det største problem er dog rodfæstet i sæsoner. Du kan ikke teste 2 måneder mod hinanden, fordi der altid vil være forskel på månederne. Vejret har eksempelvis en stor rolle på e-handel, det samme har ferier, begivenheder rundt om i verden, udsolgte varer og mange andre variabler.

Desto flere kanaler, desto mere data, desto mere kompleksitet.

Fremtidens systemer

Flere og flere er begyndt at kigge på andre systemer, herunder Facebook’s eget analysesystem der hedder Facebook Atlas, Google Analytics har som beskrevet tidligere lanceret deres nye feature kaldet Attribution” i beta og flere kigger mod systemer som Adform og Google’s egen DoubleClick platform.

Så hvis du har mod på tanden til at bide skeer med attribution udfordringen, kunne ovenstående systemer måske være en god idé at dykke end i.

Tænk på din markedsføring som en tragt

Jeg skrev sidste år indlægget ”Har vi fuldstændig misforstået markedsføring” hvilket jeg stadig mener er gældende.

Du kan ikke kun tænde for Google Ads på dit brand navn, du bliver nødt til at ”ramme” potentielle kunder på alle niveauer, specielt hvis du er ny i et marked.

Vi tager her den famøse markedsføringstragt frem, igen.

  • Top funnel – Nye potentielle kunder der skal eksponeres for dit brand, service eller produkt. Det er “kolde leads” du gerne vil have nærmere mod en beslutning, som i bedste fald er et salg. Her skal du se hvilke budskaber der skaber handling i forskellige målgrupper. Her skal alle kort i spil: Sociale medier, såsom Twitter, LinkedIn, Facebook, instagram mv. det er her TV, radio, offline tryksager mv. også kommer ind i spillet – du vil gerne eksponere folk for dit brand, selvfølgelig med eftertanke på hvilken industri du bevæger dig indenfor.
  • Mid funnel – Det er folk der har perifert kendskab til dit brand, service eller produkt. De er endnu ikke overbeviste, men de vil være nemmere at overbevise end top funnel. Her kan influencers, nyhedsbreve, personlighed, mv. være en stor faktor. Hvorfor skal de vælge at handle hos lige netop jer?
  • Lower funnel – Her kender folk allerede dit brand, service eller produkt. De har måske glemt at færdigøre deres køb, eller mangler lige de sidste 10%. Disse vil ofte søge efter dig via brandsøgninger, blive overbevist af Facebook re-targeting annoncering, eller fuldføre deres køb via en mail om forladt indkøbskurv.
  • Retention engine – Det her er den motor du skal være god til at holde kørende for at bevise at du kan fastholde dine kunder. Det er langt billigere at fastholde eksisterende kunder via god kundeservice, stærke e-mail flows, personlighed mv. end det er at købe nye kunder, i et konstant konkurrencepræget markedet hele tiden. Virksomheder der har godt styr på denne del, vil opleve en højere LTV – Life Time Value, altså værdi pr. kunde over tid, fordi den pågældende kunde forbliver i deres kundekartotek. Det er bla. derfor Amazon har stor success med deres Amazon Prime model.
  • Min model for dataanalyse – for start-ups

    Jeg mener at der er nogle data punkter der bliver mere og mere relevante for virksomheder at holde øje med.

    I stedet for at gøre det her blogindlæg længere end det er i forvejen, vil jeg her under forsøge at simplificere dette til en model du kan klippe fra og selv bruge i lige netop jeres markedsføring.

    Cost pr. aqusition – hvor meget betaler du pr. kunde?
    LTV – Lifetime Value – Livstidsværdi på dine kunder.
    Brandsøgninger – hvor mange søger på dit brand pr. måned.
    Retention rate – hvor god er du til at fastholde dine kunder.


    Herunder kan du se den forsimplede model.
    Med vilje har jeg undladt at indtaste data, da jeg gerne vil give bolden videre til dig, måske du kan bruge det til lige netop jeres forretning?

    Problemer med nogle af forskellige udtryk?

    Ordbog:
    • Ads = forkortelse af advertising – oversat annoncering.
    • Marketing spend = totalt forbrug på markedsføring.
    • Marketing i % = er den procentvise markedsføring sammenlignet med omsætning.
    • Antal kunder totalt = antal kunder der har lagt en ordre de sidste 12 måneder.
    • CPA = Cost pr. aqusition – oversat pris pr. kunde.
    • LTV = Life Time Value.
    Retention rate = Hvor god er du til at fasteholde dine kunder fra måned til måned?

    Konklusion & fremtidens udfordring – ITP (Intelligent tracking prevention)

    Som ved en meditationsøvelse der lagger mod enden, slutter vi dette blogindlæg af med at puste alt luften ud af lungerne, fornemme lyden omkring os og komme tilbage til verden.

    Jeg håber indlægget gav dig lidt mere viden om et af de, i min optik, største udfordringer i moderne markedsføring.

    Du får dog ikke lov at forlade din meditation, uden lidt tanker der kan summe til næste gang vi ses.

    Nu er jeg sjældent glad for at inddrage dommedagsprofetier i mine blogindlæg, da man ofte kan ende med at skulle sluge sine ord i det digitale landskab, da det bevæger sig med lynets hastighed.

    Der er dog et specifikt område indenfor den digitale stratosfære, som kan risikere at forplumre vores data yderligere.

    Byd velkommen til ITP – Intelligent tracking prevention.

    Vi så det med Ad-blocker, da den kom skabte den store udfordringer for dem der havde haft god success med banner annoncering, pludselig kunne folk ikke se disse bannere, fordi Ad-blocker blokerer dem.

    Nu kommer der så en ny lille udfordring, nemlig at bla. Apple vil lave det som standard iSafari Browser at fjerne cookies efter 24 timer.

    Det betyder altså at vi ikke længere får data på brugeren efter 24 timer, og det derefter vil ligne en ny session.

    Mange løsninger er oppe og vende, men hvis du synes emnet er interessant synes jeg klart du skal læse denne glimrende artikel om emnet.

    Som altid er kommentarfeltet åbent og jeg står altid klar for ris / ros eller spørgsmål.

    Ha en fantastisk dag!

    Micky Weis

    Jeg har arbejdet med online markedsføring i mere end 8 år. Lad os sammen finde ud af hvordan jeg kan hjælpe din virksomhed. Kontakt

    Ingen kommentar

    Skriv en kommentar

    This site uses Akismet to reduce spam. Learn how your comment data is processed.