När integritetsbegränsningarna ökar blir det allt svårare att utvärdera marknadsföringsinsatser. I den här artikeln går vi igenom de utmaningar med att utvärdera marknadsföringen som e-handelsföretag står inför när vi lägger till fler kanaler till vår kanalmix. Vi utforskar också alternativa lösningar, såsom studier inom Media Mix Modeling, för att utvärdera kanalprestanda utan att kompromissa med användardata då datasekretess begränsar möjligheterna till mätning.

Sekretess och GA4

De senaste fem åren har varit händelserika när det kommer till integritet. En del länder inom EU anser till och med att det vanliga verktyget Google Analytics är olagligt enligt GDPR. Jag har ännu inte sett några konkreta eller detaljerade reservplaner, och ärligt talat så tvivlar jag på att vi överhuvudtaget kommer göra det. Det är i skrivande stund månader kvar tills Google planerar att avsluta Universal Analytics. Däremot har de nyligen skjutit upp slutdatumet för 360-versionen av spårningsverktyget. Samma sak gäller användandet av tredjepartscookies i Chrome. Detta ger oss tid att reflektera och hitta nya, kompatibla lösningar. Min uppfattning är att det inte är många som ser fram emot att byta till GA4, men trots det är det snart en verklighet vi måste möta. Det kommer att bli en stor förändring, något som människor inte alltid tycker om. Till skillnad från för ett år sen, är vi idag förmodligen mer öppna för att utforska även andra analysverktyg. Som jag nämnde tidigare har jag inte sett några konkreta backup-planer till GA än, men söktrenden för alternativa analysverktyg, som till exempel Matomo, ökar. Det är aldrig dåligt att ha koll på andra lösningar i värsta fall. Personligen är jag inte orolig och jag litar på det transatlantiska ramavtalet för datasekretess, som nyligen undertecknades av USA:s president och som förväntas träda i kraft om sex månader. Läs mer om det här.

Med GA4 kommer också många nya spännande funktioner och rapporter där maskininlärning är en av höjdpunkterna. Google säger att bristen på spårningsmöjligheter skapar ett behov att extrapolera data.

Media Mix Modeling (MMM)

Så småningom kommer även tredjepartscookies att försvinna och då måste vi hitta nya sätt att mäta våra marknadsföringsaktiviteter. Hur vet vi vad som fungerar och vilken data vi kan lita på? Det är ingen ny fråga vi ställer oss, men den är svårare att svara på nuförtiden. Ett alternativ är att vända sig till Media Mix Modelling, ofta förkortat som MMM. En MMM-studie låter företag utvärdera och förbättra sina marknadsföringsaktiviteter utan att påverka användardatans integritet. 

Syftet med en MMM-studie är att förstå hur varje kanal påverkar de totala resultaten. För att få så exakta data som möjligt behöver du antingen en stor mängd data eller stor variation i datan för att isolera varje kanals effekt. En MMM-studie kommer sannolikt att hjälpa dig argumentera för upper funnel-aktiviteter då klickbaserade kanaler brukar stjäla den största äran i olika tillskrivningsmodeller. MMM ses ofta som komplext, dyrt, tidskrävande och kräver mycket historisk, strukturerad data. Det är delvis sant, det är komplext, men det behöver inte vara dyrt eller tidskrävande. Det finns dessutom lösningar för historisk data. Det finns många fantastiska, enkla och användarvänliga MMM-verktyg. En stor fördel är att data dagligen flödar vilket gör att modellen blir mer exakt och att man kan arbeta med resultaten löpande istället för att göra det till ett engångsprojekt. Något som kan vara problematiskt då man kan lägga till eller ta bort kanaler från kanalmixen eller ändra strategin i varje kanal efter ett tag. 

Om du inte har tittat på MMM ännu, rekommenderar jag dig att utforska och läsa mer om det. Jag eller någon av mina kollegor pratar gärna mer och utbyter kunskap över en fika.

/Haresh