Perkembangan dan Masa Depan Pengukuran Pemasaran
Sejak GDPR mulai berlaku pada Mei 2018, pelacakan perjalanan pengguna menurun dan pelacakan semua pengguna di situs web dan aplikasi seluler menjadi semakin sulit. Selain itu, perusahaan besar seperti Apple dan Google membatasi pelacakan di seluruh situs web dengan melarang pelacakan cookie pihak ketiga dan Apple membunuh pelacakan perjalanan pengguna di perangkat seluler dengan pembaruan iOS14.5 mereka.
Pembatasan ini memulai semacam pemikiran ulang di antara manajer pemasaran. Di satu sisi, pemasaran kinerja menjadi lebih sadar akan keterbatasan pelacakan perjalanan pengguna sementara secara paralel menyadari bahwa kerangka kerja yang mereka gunakan untuk bekerja bukanlah model yang realistis tentang cara kerja pemasaran yang sebenarnya: Hanya menyertakan titik kontak yang dapat dilacak (mis. Google Ads, Penargetan Ulang atau Pemasaran Afiliasi) dalam perhitungan CPO atau ROAS mirip dengan berpura-pura bahwa itu adalah satu-satunya penyebab pesanan atau pendapatan suatu organisasi. Jadi dalam beberapa hal performance marketing hidup dengan kebohongan bahwa semua konversi atau pendapatan hanya disebabkan oleh performance marketing, mengabaikan semua efek lainnya, seperti branding atau pemasaran offline.
Faktor lain yang memotivasi pemasar untuk memprioritaskan aktivitas branding mereka adalah mengurangi ketergantungan pada saluran performance marketing biasa dan khususnya Google Search Ads. Persaingan yang semakin meningkat dan harga klik yang lebih tinggi dapat dengan mudah mengarah pada perlombaan ke bawah dalam hal kinerja dan efisiensi. Khusus untuk merek D2C, cara yang efektif untuk membedakan dan bertahan dari pertempuran kinerja ini adalah dengan meningkatkan kesadaran merek dan fokus pada corong atas. Pengguna dengan kesadaran merek yang lebih tinggi antara lain akan menghasilkan rasio klik-tayang yang lebih tinggi, meningkatkan peringkat, dan menurunkan harga klik.
Adidas dengan berani menerbitkan temuan pemodelan ekonometrik di mana mereka menemukan bahwa mereka telah mengalokasikan terlalu banyak anggaran untuk saluran pemasaran kinerja dalam kaitannya dengan penjualan terukur (77% dari anggaran pemasaran tetapi hanya 35% dari penjualan) dibandingkan dengan aktivitas branding mereka ( 25% dari anggaran pemasaran tetapi 65% dari penjualan).
Apa yang biasanya juga diabaikan dalam pengukuran pemasaran adalah efek non-pemasaran, yang disebut efek dasar, seperti tren, musiman, perkembangan ekonomi makro (resesi, inflasi) dan perubahan dalam bauran pemasaran 3P lainnya: produk, harga, atau penempatan.
Persyaratan untuk sistem pengukuran pemasaran bukti masa depan
Bukti masa depan dan sistem pengukuran pemasaran holistik harus memperhitungkan sebanyak mungkin efek ini pada penjualan dan pesanan. Itu juga harus menggunakan semua sumber data yang mungkin dan lebih dari satu pendekatan pengukuran.
Persyaratan pengukuran pemasaran berbeda tergantung pada tingkat pengambilan keputusan
Pengarahan dan perencanaan pemasaran strategis membutuhkan sistem yang memungkinkan membandingkan skenario penganggaran yang berbeda dan mungkin menggabungkan semua faktor dan efek input. Untuk pemasaran taktis atau strategis, pengendalian keutuhan dalam hal berbagai faktor yang memengaruhi pesanan dan pendapatan memiliki prioritas lebih tinggi daripada perincian. Untuk tingkat keputusan pemasaran ini, misalnya, mengintegrasikan efek dasar seperti musiman dan tren untuk memahami inkrementalitas lebih penting daripada mengoptimalkan belanja iklan pada tingkat kata kunci SEA.
Keputusan pemasaran operasional menuntut data terperinci tentang perjalanan pengguna dan urutan titik kontak pemasaran untuk memahami saling ketergantungan. Pada tingkat pengoptimalan pemasaran operasional, pengukuran harus tersedia pada tingkat yang paling terperinci, misalnya pada ID Klik Google (setiap klik Iklan Google memiliki ID unik) yang memungkinkan pemasukan pendapatan yang dikaitkan kembali ke pengoptimalan tawaran Google.
Tingkat pengambilan keputusan yang berbeda ini membutuhkan berbagai jenis solusi pengukuran dan pengetahuan tentang kesesuaian dan keterbatasan masing-masing. Tiga yang paling umum dibahas dalam literatur pemasaran adalah pendekatan berikut:
- Multi Touch Attribution berdasarkan pelacakan tingkat pengguna (data tingkat mikro)
- Pemodelan Bauran Pemasaran berdasarkan data agregat (data tingkat makro)
- Eksperimen / Tes AB / Uji Coba Terkontrol Acak / Tes Inkrementalitas
Pendekatan integratif untuk pengukuran pemasaran holistik
Masing-masing dari ketiga teknik pengukuran ini memiliki kelebihan dan kekurangan masing-masing dan cocok untuk berbagai tingkat pengambilan keputusan. Sistem pengukuran pemasaran yang benar-benar holistik menggabungkan ketiga pendekatan dan dengan demikian 1) juga tangguh untuk pelacakan lebih lanjut dan pembatasan data dan 2) dapat dengan cepat beradaptasi dengan kemungkinan baru untuk mengambil data tingkat pengguna, seperti pelacakan sisi server.
Sistem ini memungkinkan cerita data yang koheren, mencegah wawasan yang tidak konsisten antara pendekatan yang berbeda (mis. MMM menunjukkan ROAS di bawah ROAS untuk Google Penelusuran dan MTA menunjukkan ROAS di atas rata-rata) dan memanfaatkan keuntungan dari setiap teknik.
Pendekatan integratif memungkinkan metode untuk belajar dan mendapatkan keuntungan dari satu sama lain dengan cara berikut:
Pemodelan Bauran Pemasaran dapat dioptimalkan melalui integrasi bayesian prior distributions atau multi-objective optimization. Misalnya, bayesian prior dapat berupa ROAS 7 untuk Youtube, yang dihasilkan dari uji inkrementalitas atau model atribusi lainnya. Mengintegrasikan model sebelumnya memungkinkan model untuk dilatih dari titik awal ini alih-alih memulai tanpa pengetahuan sebelumnya, yang secara teori harus mengarah pada model yang lebih akurat.
Pengoptimalan multi-tujuan memungkinkan model bauran pemasaran dioptimalkan tidak hanya untuk meminimalkan kesalahan statistik (mis. tentang perbedaan antara konversi yang diprediksi dan yang sebenarnya per hari), tetapi juga untuk meminimalkan jarak antara atribusi model (mis. 750 konversi ke Youtube) dan atribusi luar (misalnya 800 konversi ke Youtube). Atribusi luar dapat berupa hasil dari uji inkrementalitas atau MTA. Oleh karena itu, model terbaik akan menjadi yang paling dekat dengan hasil atribusi uji inkrementalitas atau model atribusi lainnya, sambil mencapai ambang batas akurasi statistik yang diinginkan.
Hal yang sama berlaku untuk MTA, yang dapat belajar dari hasil pemodelan bauran pemasaran, serta eksperimen dengan cara yang sama. Idealnya, MMM belajar dari MTA tentang saluran performa biasa, misalnya atribusi antara Google Search Non-Brand vs. Google Search Brand, dan MTA dari MMM misalnya terkait atribusi TV. Keduanya, MTA dan MMM akan menggabungkan hasil dari tes inkrementalitas dan eksperimen, karena keduanya memiliki validitas tertinggi dan nilai informatif.
Sistem ini juga dapat merekomendasikan saluran mana yang akan menjalankan eksperimen dan uji inkrementalitas. Misalnya, berdasarkan saluran atau taktik pemasaran mana yang memiliki varians parameter tertinggi, ketidaksepakatan tertinggi antara model, dll., sistem akan dapat memberikan umpan balik kepada pemasar yang taktik pemasarannya tingkat kepercayaannya paling rendah. Hal ini akan sangat memudahkan dalam merancang pengujian incementality di masa depan, yang hasilnya kemudian dapat diumpankan kembali ke komponen MMM atau MTA dari sistem.
Integrasi, Otomasi, dan Abstraksi Data yang Mulus
Agar komunikasi antara ketiga komponen sistem pengukuran pemasaran holistik ini berhasil, kami memerlukan integrasi data tanpa gesekan, otomatisasi aliran data dan pembaruan model, serta tingkat abstraksi dan transparansi tertentu.
Untuk integrasi data yang mulus, semua sumber data harus diintegrasikan melalui API standar atau antarmuka pengguna. Data pelacakan, data titik kontak pengguna, serta agregat akan tersedia melalui penyimpanan data seperti AWS S3 atau Google Big Query. Data dari taktik pemasaran, di mana data tidak tersedia melalui API, misalnya Out of Home, kampanye Cetak, aktivitas PR atau data aktivitas pesaing dapat dimasukkan melalui pengunggah data standar di dalam dasbor sistem. Tujuannya adalah untuk meminimalkan intervensi manual dan membangun arus data otomatis sedapat mungkin, misalnya melalui data kampanye Out of Home yang secara otomatis ditransfer dari masing-masing instansi ke penyimpanan data sistem.
Setelah data tersedia, aliran data otomatis mengubah dan memetakannya dengan cara yang diperlukan, sehingga dapat dimasukkan ke dalam teknik pemodelan masing-masing (MTA & MMM). Model dilatih dan divalidasi secara otomatis dan skor dihitung ulang jika diperlukan (misalnya saat data siaran TV baru diunggah selama 4 minggu terakhir).
Pengguna sistem pengukuran pemasaran holistik tidak perlu mengetahui atau memahami (walaupun mereka boleh jika mereka mau), wawasan pengukuran dan atribusi kinerja mana yang telah dihitung melalui teknik pemodelan mana. Misalnya, seorang manajer pemasaran tidak perlu mengetahui bahwa alokasi anggaran yang direkomendasikan untuk iklan TV dihasilkan oleh interaksi antara hasil uji inkrementalitas dan MMM. Dia juga tidak perlu mengetahui bahwa pendapatan yang diatribusikan per Google Click ID (Gclid) yang diumpankan kembali ke Google Ads untuk Gclid yang tidak dilacak adalah estimasi dan intrapolasi.
Sistem ini tangguh karena tidak bergantung pada data pelacakan tingkat pengguna, tetapi masih dapat memanfaatkannya jika memungkinkan dan juga memungkinkan alokasi anggaran yang cerdas di semua tingkat pengambilan keputusan. Untuk pengambilan keputusan strategis, ini sangat meningkatkan perencanaan media bulanan atau triwulanan melalui pengoptimalan skenario. Pada tingkat operasional, ini mengaktifkan aktivasi data dengan secara otomatis mengekspor data atribusi pada tingkat yang paling terperinci (mis. GClid) ke dalam masing-masing platform iklan.
Gunakan Kasus
Untuk mencontohkan keuntungan dari sistem pengukuran pemasaran holistik yang dibahas, dua kasus penggunaan yang mengurangi dampak pembatasan pelacakan akan diberikan di bagian ini:
Mengisi celah
Karena pembatasan pelacakan (mis. ITP atau Sistem Manajemen Izin), konversi yang dilacak dan diatribusikan berdasarkan MTA independen (mis. dalam Adtriba) atau atribusi dalam platform iklan mungkin tidak berjumlah total jumlah konversi untuk taktik pemasaran tersebut. Misalnya, Google mungkin hanya mengaitkan kampanye Non-Mereknya dengan 2000 konversi, meskipun pemodelan MMM menghasilkan 3000 konversi untuk Google Non-Merek, karena Google tidak dapat melacak semua konversi dengan andal. Kampanye Non-Merek tertentu “Sweater Jelek Musim Dingin 2021” mungkin memiliki pangsa 25% dari 2.000 konversi ini. 25% ini kemudian dapat diterapkan pada 3000 konversi yang diatribusikan ke Google Non-Merek, yang dihasilkan dari bagian sistem MMM. Dengan demikian, atribusi konversi secara keseluruhan dan lebih realistis untuk kampanye khusus ini adalah 750 konversi.
Atribusi Aplikasi Seluler pada tingkat sumber untuk saluran yang tidak dapat dilacak
Masalah umum dan lebih spesifik untuk pemasar aplikasi seluler adalah cara mengevaluasi kampanye aplikasi seluler mereka di perangkat iOS. Karena pembatasan pelacakan IDFA yang diberlakukan melalui Apple mengakibatkan banyak titik buta terkait kinerja kampanye di misalnya Facebook atau Instagram. Sistem di atas akan memungkinkan kami untuk mengukur dan mengekstrapolasi kinerja dari perjalanan pengguna yang dapat dilacak. Misalnya: Hanya 10% dari semua perjalanan iOS yang dilacak (tingkat keikutsertaan 10%). 20% konversi dari perjalanan pengguna yang ikut serta ini diatribusikan ke kampanye Instagram tertentu, berdasarkan MTA. Distribusi ini kemudian dapat diterapkan lagi pada hasil MMM yang lebih holistik, meskipun kurang detail, sehingga menghasilkan atribusi kampanye mobile yang holistik.
Kesimpulan Inti
Beberapa vendor dan organisasi pemasaran telah mengembangkan pendekatan yang agak dogmatis. Misalnya, mereka mungkin mengklaim bahwa segala sesuatu kecuali pengujian inkrementalitas cacat dan bahwa memodelkan data tingkat pengguna tidak sepadan. Mungkin mereka telah kehilangan kepercayaan dalam memproses data tingkat pengguna karena ekspektasi yang terlalu tinggi, dalam arti MTA telah berjanji berlebihan untuk menciptakan transparansi pemasaran 100%. Ini tentu saja tidak pernah terjadi atau tidak mungkin karena banyak faktor masukan yang tidak dapat dilacak. Selain itu, semakin sedikit aktivitas yang dapat dilacak sebelumnya tidak dapat dilacak lagi (tayangan Iklan Bergambar Ini).
Data tingkat pengguna menyimpan banyak informasi berharga yang harus selalu disertakan jika tersedia karena dapat secara drastis meningkatkan kualitas keputusan pemasaran yang dibuat.
Ada juga beberapa perkembangan yang menjanjikan terkait data pengukuran tingkat pengguna. Penandaan sisi server Google dan Meta’s & Mozilla’s Interoperable Private Attribution Initiative (IPA) hanyalah dua dari perkembangan terbaru.
Dua tahun lalu pengelolaan tag sisi klien menjadi sangat populer di kalangan organisasi pemasaran, administrator situs web, dan pengembang web. Sekarang pemasar dapat dengan mudah menerapkan kode javascript baru di situs web mereka. Bukan tidak mungkin hal yang sama juga berlaku untuk pelacakan sisi server atau backend di masa mendatang. Lagi pula, ada motivasi besar bagi organisasi pemasaran yang canggih untuk menghasilkan sebanyak mungkin data pemasaran yang berharga untuk mengoptimalkan kinerja pemasaran mereka.