:Takaisin
< >

Markkinoinnin analytiikka 2018-luvulla

23.3.2018

Markkinoinnista on tullut viime aikoina insinöörimaisten datanörttien ja propellihattuisten luovien suunnittelijoiden taistelukenttä. Toiset uskovat vain dataan ja siitä tehtyihin johtopäätöksiin ja toiset intuition voimaan. Keskusteluja seuraamalla tuntuu että ihan kuin mitään siltä väliltä ei olisi olemassa, mikä on tietysti typerää, koska tuossa välimaastossa kaikki markkinoijat toimivat. Mikään johtopäätös ei ole 100% oikein ja kaikki aiemmat kokemuksemme ohjaavat ajatteluamme - halusimme sitä tai emme. Haastoin data scientistimme Aten vastaamaan miten tiedolla johtamisen kulttuuri voi syntyä niin, että sitä vierastavakin omaksuu tarpeelliset faktapohjaiset työkalut markkinointinsa vaikuttavuuden lisäämiseksi.

Atte Honkasalo Atte Honkasalo Lead Data Scientist DDS
https://carat-cdn.azureedge.net/media/9596/joshua-sortino-215039-unsplash_square.jpg

Markkinoinnin analytiikan vuoden 2018 avainsanat ovat tekoäly ja koneoppiminen. Ne mahdollistavat asiakaspolkujen personoinnin ja siirtävät aiemmin ihmisten vastuulla olleita päätöksiä koneille, usein aiempaa paremmin tuloksin.

Vaikka markkinoinnin teknologia mullistuu ennennäkemätöntä vauhtia, vielä ei kannata unohtaa myöskään edellisiä buzzwordeja, automatisaatiota ja tiedolla johtamista.

Myynnin ekonometrinen mallinnus on tiedolla johdetun markkinoinnin ytimessä, sillä se antaa markkinoijalle tietoa mediapanostusten vaikuttavuudesta ja optimoinnista. Myynnin mallinnuksen tuottama informaatio on strategista, ja sen suosittelemat toimenpiteet nousevat yksittäisten kanavien ja kampanjoiden yläpuolelle.

Me Caratilla uskomme, että myynnin mallinnus on automatisoitumassa. Markkinoijan näkökulmasta uutinen on erinomainen: erillistutkimuksina tehdyt mallinnukset muuttuvat tuotteiksi, ja tuloksia saadaan käyttöön aiempaa nopeammin ja kevyemmin. Projektit jäsentyvät selkeisiin vaiheisiin, ja ensimmäisen vaiheen tulokset ohjaavat myöhempien vaiheiden kysymyksiä.

Mitä automatisaatio myynnin mallinnuksessa tarkoittaa? Meillä Caratilla tuotekehitys on kohdistunut kahteen ydinasiaan: data-alustaan ja ketterään mallinnusprosessiin.

Data-alusta ratkaisee jokaiselle Data Scientistille - ja heidän toimeksiantajilleen - tutun ongelman: projektista kuin projektista yli puolet kuluu datan keräämiseen, validointiin ja manipulaatioon. Tähän käytetty aika ei tuota lisäarvoa. Data-alusta tarjoaa dataa sekä mediapanostuksista ja vaikuttavuudesta että julkisista (sää, talous) ja ostetuista (kilpailuympäristö) lähteistä.

Ketterä mallinnusprosessi tuo yhteiset käytännöt eri asiakkuuksien mallinnusprojekteihin. Käytännössä se toteutuu parhaiden käytäntöjen jakamisena niin yhteisen prosessikuvauksen kuin käytännön työkalujen, kuten data-alustan ja mallinnuksessa käytettävien ohjelmakirjastojen kautta. Mallinnuksen toistuvat vaiheet automatisoituvat, mutta mallintajalle jää tilaa asiakaskohtaiseen räätälöintiin, ja mallintajan osaaminen kohdentuu lisäarvoa tuottavaan työhön.

Voiko automatisoitu mallinnusprosessi tuottaa yhtä luotettavia tuloksia kuin erillistutkimus? Voinko luottaa malliin, josta puuttuu kilpailijoiden/NPS:n/ekosysteemin tai muun muuttujan vaikutus?

Tässä blogissa en sukella syvälle mallinnuksen menetelmiin. Markkinoijan on kuitenkin tärkeää tietää, että mallinnuksessa myynnin vaihtelu jaetaan osatekijöihin. Yksinkertaisimmillaan se tarkoittaa, että mallin ei tarvitse olla valmis, jotta sen perusteella voidaan jo tehdä päätöksiä ja ohjata markkinointia. Vaikka mallista puuttuu komponentteja, ei mallissa olevien tekijöiden selitysvoima heikkene.

Avataan sama esimerkillä: projektin ensimmäisessä vaiheessa laaditaan malli, jossa myyntiä selittävät mediapanostukset, taloustilanne ja sää. Tuotoksena saadaan investointien tuotot ja optimoidut panokset eri markkinointikanaville. Toisessa vaiheessa malliin lisätään digitaalisen ekosysteemin ja kilpailijoiden aktiviteetin vaikutukset. Informaatio mediapanostusten tuotosta on ensimmäisen vaiheen jälkeen yhtä luotettavaa kuin toisen vaiheen jälkeen. Tilastotieteen mukaan liian monet selittävät muuttujat voivat jopa johtaa epäluotettavaan malliin.

Mallinnusprojekti ei elä omassa todellisuudessaan, vaan sen tulisi toteutua tiedolla johtamisena.

Mallinnusprojektia ei kannata toteuttaa ilman näkemystä sen hyödyntämisestä. Käytännössä mallinnuksen tulokset yhdistyvät markkinoijan toimialatuntemukseen ja kokemukseen. Näiden yhdistelmästä saadaan projektin tulokset ja suositukset. Ne tulee jalkauttaa markkinoinnin strategiseen ja taktiseen suunnitteluun. Mallinnuksen tavoite on viime kädessä kasvattaa markkinoinnin tuottoa, mikä tekee tulosten seurannasta välttämätöntä. Ketterä mallinnusprosessi tukee seurantaa, sillä sen uusiminen onnistuu nopeasti.

Myynnin mallinnus tukee tiedolla johtamista parhaiten, kun mallinnus lisää tiedonnälkää. Jos online-kanavista ei saada tarpeeksi yksityiskohtaista tietoa, niitä mallinnetaan tarkemmin ekosysteemimallilla. Jos kilpailijoiden toimenpiteet tai myynnin maantieteellinen jakautuminen tiedetään tärkeiksi, ne tuodaan seuraavassa vaiheessa mukaan. Näin syvennetään informaatiota ja luodaan tiedolla johtamisen ja jatkuvan kehittämisen kulttuuria.

 

Atte Honkasalo Atte Honkasalo Lead Data Scientist DDS
^Takaisin ylös