Welke marketingkanalen dragen nu echt bij aan je conversies?

Google, Facebook of TikTok; er komt geen einde aan. Voor een organisatie is de hoeveelheid kanalen waarop je actief kan zijn bijna eindeloos geworden. 

Hoewel het eenvoudig is om een nieuw kanaal aan je marketing mix toe te voegen, is het behalen van succes op dit nieuwe kanaal dat niet. 

Vrijwel altijd dient er een combinatie van tijd en/of (advertentie) budget in het kanaal gestoken te worden om hier impact te creëren qua zichtbaarheid en conversie. 

Of dit de moeite waard is, hangt er natuurlijk vanaf of de opbrengsten van een kanaal opwegen tegen deze kosten. 

Maar hoe bepaal je eigenlijk in welke mate een marketingkanaal bijdraagt aan jouw conversiedoelen? 

In deze blog vertel ik je hoe hier traditioneel vaak naar gekeken werd binnen online marketing en waarom enkele hedendaagse oplossingen tot een beter inzicht leiden!

Marketing kanalen en conversie impact: de traditionele denkfout

“Al mijn conversies komen uit direct verkeer of Google zoekverkeer. Overige kanalen werken voor mij niet.” 

Wellicht lees je nu dit artikel en herken je jezelf in bovenstaande quote of heb je dit eerder van collega ondernemers of marketeers gehoord. 

Vraag jezelf echter af, voor je concludeert welke kanalen wel of geen impact maken, wat “dit kanaal werkt niet voor mij” nu eigenlijk betekent.

Laten we dit even demonstreren aan de hand van onderstaand voorbeeld:

Een consument ziet een advertentie op Facebook en bezoekt de website, ziet twee weken later opnieuw een advertentie op Facebook, dan op TikTok en converteert 3 weken later na geland te zijn op de website vanuit een Google zoekopdracht.

In de bovenstaande customer journey zie je dat een consument exposure met het merk heeft gehad via Facebook, TikTok én Google voordat er een conversie op de website heeft plaatsgevonden. 

Toch kreeg (en krijgt) het laatste kanaal voor de conversie vaak grotendeels of volledig de credit van de conversie. 

Dit laatste noemt men een ‘last-click attributiemodel‘. Hoewel het zeker relevant is om te weten welk kanaal het laatste zetje naar een aankoop of conversie geeft, vertelt dit niet het hele verhaal. 

Organisaties trekken hierdoor foutief de conclusies dat alleen Google bijdraagt aan de conversiedoelen, terwijl de initiële zoekopdracht misschien juist wel het gevolg was van eerdere exposure op kanalen als Facebook en TikTok.

Marketing kanalen & conversie impact: de alternatieven

De tijden dat je kanaalimpact alleen op basis van last click attributie kunt meten, zijn gelukkig al een tijdje voorbij. 

Tools als Google Analytics bieden inmiddels al een aantal jaar alternatieve attributiemethoden aan. 

Denk hierbij aan een attributiemodel dat de credit van de conversie evenredig over alle kanalen uit het bovenstaande voorbeeld verdeelt (een lineair attributiemodel).

Of een model dat credit geeft aan alle kanalen, maar de meeste credit aan het kanaal dat het kortst voor de conversie volgde (een “time decay” attributiemodel).

Conversie attributiemodellen als het bovengenoemde lineaire model klinken misschien als een enorme vooruitgang ten opzichte van het last click model, maar ook nu zijn we er nog niet. 

Wanneer een bezoeker uit het bovenstaande voorbeeld bijvoorbeeld zes blogs op jouw website leest na een klik op je Facebook advertentie, maar niets doet als gevolg van de TikTok exposure, is het erg aannemelijk dat Facebook een grote rol heeft gehad in de uiteindelijke conversie. 

Met een lineair model is de credit die ieder kanaal krijgt echter bij voorbaat al gelijk.

Hoe kun je ervoor zorgen dat je ook dit meeneemt in je model?

Natuurlijk hebben Amerikaanse techreuzen als Google en Adobe hier iets op bedacht. 

Waar bovenstaande modellen uitgaan van voorbedachte regels, maken Google’s data driven attribution en Adobe’s best fit attribution gebruik van machine learning modellen om echt te achterhalen in hoeverre een kanaal belangrijk is om een conversie te behalen. 

Hierbij worden zowel converterende paden (zoals in het Facebook, TikTok en Google voorbeeld van hierboven) als niet-converterende paden geëvalueerd, om op die manier tot de bijdrage van ieder kanaal te komen. 

Het onderstaande voorbeeld van Google demonstreert dit met een voorbeeld:

Dit klinkt wellicht als iets ingewikkelds om mee aan de slag te gaan, maar wanneer je GA4 hebt, is dat het niet! 

Google heeft eerder dit jaar data driven attribution gratis en breed beschikbaar gemaakt binnen GA4, waar dit voorheen vooral een betaalde GA360 functie of beperkte functionaliteit was (in de oude Google Universal Analytics werden vier kanalen meegenomen in het model, in GA4 meer dan 50). 

Door binnen GA4 te klikken op “Advertenties” en “Modelvergelijking” kun je direct zien hoe de credit van jouw conversies verdeeld zou worden op basis van het data driven attributiemodel. 

In het onderstaande voorbeeld zien we bijvoorbeeld bijna 13% meer conversies die aan e-mail toegeschreven worden dan je met een last click model zou meten.

Bepaalde kanalen maken dus meer of minder impact dan je misschien in eerste instantie zou vermoeden.

Limitaties attributie

Is data-driven attributie dan de holy grail waarmee we eindelijk ieder kanaal de eerlijke credit kunnen geven die het verdient? 

Je voelt het misschien al aankomen: nee, dit is niet het geval. 

Een aantal limitaties van attributiemodellen blijf je immers ook bij data driven attributie behouden:

• Offline marketing activiteiten als TV commercials en huis-aan-huisbladen zijn niet meegenomen in het model, terwijl deze wellicht wel een belangrijke bijdrage aan de conversie leveren.
• Social impressies zonder klik naar de website (bijvoorbeeld een corporate video die je als branding campagne op Facebook inzet) worden vaak maar beperkt meegenomen in het model.
• Tracking preventie maakt het lastiger om te herkennen welke kanalen allemaal impact hebben gehad vóór het moment dat de conversie plaatsvindt.

Fingerspitz zou echter Fingerspitz niet zijn als we ook hier geen oplossing voor gevonden hebben: Marketing Mix Modelling. 

Marketing mix modelling is een statistische analyse waarbij je je kosten aan je marketingkanalen (inclusief offline kanalen) plot op je opbrengsten om op die manier de impact van ieder kanaal te bepalen. 

Hierbij is het niet nodig dat we bezoekers als websitebezoekers kunnen herkennen en hierbij kunnen we ook de impact van externe kanalen op je opbrengsten meenemen, zoals bijvoorbeeld de impact van het weer. 

Om te starten met marketing mix modelling is minimaal twee à drie jaar aan historische data nodig en dient te worden bepaald welke externe factoren we in het model gaan meenemen.

Aan de hand van deze data kunnen wij het model uitwerken en je meer inzicht geven in kanaaleffectiviteit, zonder gebonden te zijn aan de bovengenoemde limitaties. 

Geïnteresseerd geraakt? Neem contact met ons op! We bekijken graag samen met jou de mogelijkheden voor jouw situatie.