In der Regel werden Marketingexperimente dazu verwendet, Hypothesen zu testen, um bessere datengestützte Entscheidungen für die Durchführung von Werbeprogrammen zu treffen. In diesen Fällen werden zwar mehrere Messwerte zurückgegeben, aber sie konzentrieren sich alle auf einen einzigen Wert. Zum Beispiel bei der Testfrage "Was passiert mit der Leistung, wenn ich meine Ausgaben für einen Kanal verdopple?", kann es sein, dass die Konversionsrate um X steigt, die Klickrate gleich bleibt oder der Gesamtumsatz um Y Dollar sinkt. Aber Vermarkter können Wachstumschancen finden, wenn sie diesen Prozess ein wenig anders betrachten.
Was, wenn ein Marketer wissen will, wie hoch das ideale YouTube-Remarketing-Budget für eine bevorstehende Kampagne sein sollte? Das ist eine häufige Marketingfrage, denn wenn zu wenig ausgegeben wird, hat die Kampagne nicht genug Reichweite - und wenn zu viel ausgegeben wird, kann das Budget einfach verschwendet werden. Ein Test-and-Learn-Ansatz würde vorschreiben, dass du ein Marketingexperiment durchführst, um den Ertrag des erhöhten Budgets zu messen.
Ein Test könnte dir sagen, was passiert, wenn du die Ausgaben verdoppelst. Nehmen wir an, du findest heraus, dass sich deine Conversions verdreifachen, wenn du deine Ausgaben verdoppelst.
Das ist toll zu wissen! Aber sollte der Vermarkter seine Neugier an dieser Stelle beenden? Natürlich nicht!
Denn wir wissen nicht, ob die Verdopplung der Ausgaben das optimale Niveau ist? Wenn du erfährst, dass eine Verdopplung der Ausgaben eine gute Rendite bringt, stellt sich die nächste Frage, "Was ist, wenn ich meine Ausgaben verdreifache?" Und wenn du diese Zahl zurückbekommst, kannst du eine weitere Hypothese testen: "Was wäre, wenn ich meine Ausgaben vervierfache?"
Angenommen, du führst mehrere Tests durch, um herauszufinden, was eine Verdopplung der Ausgaben bewirkt, was eine Verdreifachung und was eine Vervierfachung der Ausgaben bewirkt. Was ist, wenn du in jedem Fall feststellst, dass die Ausgaben immer noch effizient sind? Dann musst du mit dem 5-fachen, 6-fachen, 7-fachen usw. weitermachen, bis du das optimale Ausgabenniveau gefunden hast. Du müsstest sogar so lange Tests durchführen, bis du herausfindest, wo die Rendite der Investition zu sinken beginnt. Dann weißt du, wo dein optimales Ausgabenniveau tatsächlich liegt.
Gleichzeitige Tests (gut) versus sequenzielle Tests (weniger gut)
Das Problem bei der Durchführung sequentieller Tests ist, dass jeder Test eine Anlaufphase, eine Testphase und Zeit für die Analyse benötigt, um aus den Ergebnissen eine Schlussfolgerung zu ziehen. Wenn du jeden Test nacheinander durchführst, bräuchtest du mehrere Tests und ziemlich viel Zeit, um herauszufinden, was die optimale Ausgabenhöhe wäre. Nehmen wir an, du könntest einen kompletten Test (Anlauf, Test, Analyse) in 2 Wochen durchführen. Für die Durchführung von 8 Tests würdest du mindestens 16 Wochen brauchen. Bis du die optimalen Ausgaben herausgefunden hast, ist das nächste Quartal angebrochen und das ist einfach zu lang, um auf Antworten zu warten.
Ein weiterer Grund, warum es nicht ideal ist, mehrere Tests nacheinander durchzuführen, ist, dass deine Ergebnisse in einem lebenden Markt im Laufe der Zeit aufgrund von Faktoren wie Saisonabhängigkeit, Einfluss anderer Kampagnen, Änderungen der Ausgaben der Konkurrenz und anderen Marktschwankungen variieren können. Diese Variablen können sich auf die Genauigkeit auswirken, wenn du die Ergebnisse von mehreren Tests im Laufe der Zeit vergleichst. Es wäre schwierig, die Ergebnisse des ersten Tests (Woche 2) mit denen des letzten Tests (Woche 16) zu vergleichen, ohne dass externe Faktoren die Analyse verfälschen.
Wenn Sie also sequentielle Tests zu Problemen mit der Time-to-Insight (TTI) und Datenverzerrung führt, was ist dann die Lösung?
Durchführen mehrerer, gleichzeitige Tests Die gleichzeitige Durchführung mehrerer Tests auf verschiedenen Ausgabenniveaus löst die Probleme mit der Zeit bis zur Einsicht und der Datenverzerrung.
Bei gleichzeitigen Tests erhältst du eine Reihe von Zahlen, die du in ein Diagramm einzeichnen kannst, um eine Kurve mit abnehmendem Ertrag zu erstellen. Wie die meisten Mediaplaner/innen bereits wissen, ist es mit einer abnehmenden Ertragskurve einfach, Wachstumschancen und das optimale Ausgabenniveau zu finden, denn irgendwann flacht die Kurve ab und zeigt den effizientesten Wert zwischen Ausgaben und Ertrag.
Simultane Tests beantworten nicht nur die Frage nach den optimalen Ausgaben, sondern diese Kurve kann auch zahlreiche andere Fragen beantworten. Vielleicht geht es dir zum Beispiel gar nicht darum, die optimale Ausgabenhöhe zu finden, sondern du willst nur die potenziellen Umsätze für ein festes Budget prognostizieren. Vielleicht hast du zu wenig Budget, um deine optimalen Ausgaben zu erreichen, aber du hast die Daten vor dir, um deinem Chef oder Kunden zu empfehlen, warum sie die Investitionen erhöhen sollten.
Eine weitere häufige Situation, mit der sich Vermarkter konfrontiert sehen, ist, wenn ihnen zusätzliches Budget zur Verfügung steht. Vielleicht wird eine TV-Werbekampagne gestrichen oder das Budget wird von einem schlecht laufenden Kanal abgezogen. Der CMO oder der Kunde bittet vielleicht jedes seiner Medienteams um eine Prognose, wie sich eine zusätzliche Million Dollar auf die KPIs auswirken könnte. Mit einer Kurve der abnehmenden Rendite, die durch Marketingtests erstellt wurde, kann der Praktiker genau vorhersagen, wie hoch der ROI für die zusätzliche Investition wäre.
Marketingmessungen, um Wachstumschancen zu finden
Als Skai seine Plattform für inkrementelle Tests entwickelte, Impact Navigatorentwickelte, wurden viele Ideen auf den Tisch gelegt. Eine dieser kritischen Komponenten, die Priorität hatte, war die Fähigkeit, gleichzeitige Tests durchzuführen, um Wachstumsmöglichkeiten zu finden
Mithilfe mehrerer gleichzeitiger Tests können Marketingspezialisten Berechnungen des abnehmenden Ertrags erstellen, die ihnen bei der sehr wichtigen Empfehlung/Optimierung des Medienmixes helfen. Es ist zwar gut zu wissen, was in deinen Kampagnen funktioniert hat und was nicht, damit du im Laufe der Zeit bessere Ergebnisse erzielen kannst, aber noch besser wäre es, wenn du von Anfang an die besten Kampagnen mit einer starken datengestützten Entscheidungsfindung durchführen würdest. Du kannst Wachstumschancen finden, wenn du die richtigen Daten zur Hand hast.
Wie würdest du deine Praxis der Marketing-Messung im Moment bewerten?
Nutzt du deinen Marketing-Messansatz, um Wachstumschancen zu finden? Oder kämpfst du immer noch damit, die Leistung deiner Kampagne genau zu messen?
Inkrementalitätstests Das Konzept ist relativ einfach zu verstehen. Du führst ein Marketingelement in einer Testgruppe ein, während du es in einer Kontrollgruppe nicht einführst. So einfach das Konzept auch ist, in der Vergangenheit waren inkrementelle Tests komplex und teuer. Mit dem Impact Navigator von Skaikönnen Marketingspezialisten Experimente einfach und kostengünstig entwerfen und durchführen.
Melde dich noch heute bei uns für eine kurze Demo damit du sehen kannst, wie es funktioniert und ob es eine gute Ergänzung zu deinem derzeitigen Prozess zur Suche nach Wachstumschancen wäre.
[rp4wp]