Wat je moet weten over structured data

Structured data leeft nog niet, concludeert Brent Meulenberg, maar onder webbouwers proeft hij wel de behoefte aan meer informatie. Daarom een overzicht van de basis van structured data, de voordelen en hoe ermee aan de slag te gaan.

Nog even kort: wat is structured data?

Structured data ontstaat door je content te verrijken met markup. Je geeft dus een extra lading aan je content waarmee je duidelijk maakt wat de content behelst. In feite geef je dus context aan je content.

In zoekmachine termen geef je met structured data relaties aan zoals in de afbeelding hierboven te zien is. Hierdoor is het mogelijk om een semantisch web te creëren en begrijpen zoekmachines content veel beter.

voorbeeld van semantisch netwerk
Bron: Wikimedia

Structured data is dus handig voor robots om content beter begrijpen. Jij en ik hebben er alleen wat aan als de robots ons er iets voor teruggeven..

De voordelen van structured data

Google wil graag het web zo goed mogelijk doorgronden. Daarom vragen ze expliciet om je hulp in met betrekking tot structured data. En als je Google helpt, help je jezelf. Met structured data kan je namelijk de volgende voordelen behalen:

  • Kwalitatief hogere content
  • Rich snippets (review sterren!)
  • Acties voor de digitale assistent
Kwalitatief hogere content

Door de kwaliteit van je content te verbeteren, kan je hoger ranken. En structured data is één van de manieren om de kwaliteit te verhogen. Wij kennen verschillende voorbeelden uit de praktijk en dit is een mooie case. Natuurlijk is ‘kwalitatief betere content’ niet echt concreet. Maar goed, SEO gonna SEO. Gelukkig zorgt structured data ook voor zichtbare resultaten. Dankzij structured data kan je namelijk rich snippets krijgen.

Rich snippets

Rich snippets (of rich cards search features zoals ze tegenwoordig heten) zijn visueel verrijkte zoekresultaten. Denk aan:

  • Broodkruimels
  • Recepten
  • Evenementen
  • Carrousels

Zie de Google richtlijnen voor een overzicht van alle rich snippets rich cards search features. Door de relatie tussen verschillende onderdelen van je content duidelijk te maken, kan Google dit dus overbrengen op gebruikers. In ruil daarvoor krijg jij meer bezoekers, omdat die visuele triggers veel aantrekkelijker zijn om op te klikken.

Review sterren

Deze rich snippet wil ik even apart benoemen, omdat deze het meest tot de verbeelding spreekt. Althans, hier krijgen we de meeste vragen over.

voorbeeld van review sterren in een zoekresultaat
Voorbeeld van reviewsterren in een zoekresultaat

Review sterren zijn die gele sterretjes die je soms ziet in de organische zoekresultaten. Deze krijg je niet toevallig door Google te betalen of door je familie, vrienden en voetbalteam lovende reviews te laten schrijven. Reviewsterren krijg je door de juiste markup toe te voegen. Je moet Google dus vertellen dat er reviews over je zijn, hoeveel er zijn, wat de score is en op welke schaal. Zie ook de richtlijnen.

Digitale assistent

Naast dit soort zichtbare resultaten zijn er ook hóórbare resultaten. Als jij die persoon bent die onder die ene steen gelegen heeft de laatste tijd: voice search en digitale assistenten are here to stay. Google heeft bijvoorbeeld de Assistent. Qua naam gaan ze niet voor de originaliteitsprijs, maar qua functionaliteit maken ze sprongen.

De Assistent maakt meer en meer gebruik van structured data. Zo wordt het gebruikt voor:

  • Content actions: gebruikers kunnen via de Assistent acties ondernemen met podcasts (luisteren), nieuws en recepten
  • Speakable content: door de samenvatting/kern van je artikel te markeren, kan de Google Assistent deze voorlezen
  • Media actions: speel video’s en muziek af via de Assistent. Werkt op basis van een JSON-LD datafeed!
Voorbeeld van wat google assisten doet met speakable structured data
Wanneer moet ik welke onderdelen markeren?

Er staan veel verschillende properties beschreven op schema.org. Google maakt momenteel gebruik van een klein deel daarvan. Bovendien is niet alles van toepassing op jouw site. Je kan er dus voor kiezen om slechts de items te beschrijven die nu door Google verplicht worden.

Maar je kan ook niet zo’n puberende zesjes-cultuur student zijn en gewoon volle bak gaan! Waarom alleen de verplichte items markeren als Google ook andere items aanraadt? Waarom alleen naar Google kijken als je een scala aan andere items ook kan markeren? Je doet op andere vlakken toch ook veel moeite om je concurrentie een stap voor te zijn? Doe dan hier ook een stapje extra! We zien dikwijls dat het vroeg inspelen op structured data na verloop van tijd zijn vruchten afwerpt.

Een voorbeeld: voorheen was het niet verplicht om recept instructies te markeren voor een recept rich card. Nu heeft Google de richtlijnen aangepast: wil je dat Google je recepten kan voorlezen via de Assistent? Dan zal je de instructies wel als zodanig moeten markeren. Had je dat al gedaan, omdat dat een heel logisch item is om te markeren, dan had je automatisch geprofiteerd van deze nieuwe functionaliteit.

De early adopter fase is al voorbij, maar er is nog steeds een concurrentievoordeel te behalen! Het grootste deel van websites heeft nog geen structured data, hoewel het al een stuk meer is dan 2 jaar geleden (je weet wel, toen je ook Bitcoins en een huis in Amsterdam had moeten kopen).

Dus: welke onderdelen moet je markeren? Zoveel mogelijk.

How to structure data

Zoals gezegd: je creëert structured data door je content te markeren met bepaalde code. Dit moet in de talen Microdata, RDFa of JSON-LD. Die laatste is de door Google aangeraden manier omdat deze niet tussen de content hoeft te staan en daardoor eenvoudiger te interpreteren is. Daarnaast kan daarmee dynamisch gegenereerde content gemarkeerd en gelezen worden (want Javascript) dit in tegenstelling tot het in HTML inline opgemaakte RDFa en Microdata.

Alle markup vind je op schema.org. Google geeft in de richtlijnen bij alle onderdelen voorbeelden van de markup en geeft aan welke items verplicht zijn en welke aangeraden worden. Daarnaast bieden ze uitgebreide hulp via de Structured data codelab. Je code check je met behulp van de structured data testing tool. Een tool die ik zelf handig vind om te gebruiken is de Schema Markup Generator.

Afhankelijk van je CMS kan je er ook voor kiezen om schema markup via een plugin toe te voegen. Voor de bekendere CMS’en zijn er een scala aan opties te vinden.

Juist. Wie kan dit voor mij fixen?

JavaScript? Markup? RDFa? Geen paniek, marketingpersonages praten nou eenmaal graag in jargon. Wat je moet weten is dat het helemaal niet moeilijk hoeft te zijn om structured data toe te voegen aan je site. Helemaal statische markup niet. Het eenvoudigst is om Google Tag Manager (GTM) te gebruiken. Dan kan je JSON-LD zelf toevoegen aan je site zonder dat je de webbouwer nodig hebt!

voorbeeld van structured data in de TB GTM container

Heb je om een of andere reden geen GTM dan kan je altijd nog met de webbouwer schakelen. Deze kan de markup in een pagina template te verwerken. Qua schaalbaarheid en hanteerbaarheid is dit de beste manier.

Kortom: just do it!

Wil jij zichtbare resultaten halen en meer opvallende weergave in de zoekresultaten? Dan is structured data een relatief simpele en schaalbare manier om dit te bewerkstelligen. Lees je even in en ga aan de slag! Er is veel documentatie voorhanden.


Geef een reactie

Zo target je tv-kijkers real-time op hun tweede scherm

87 procent van de mensen gebruikt een smartphone, tablet of desktop tijdens het tv-kijken. Voor tv-adverteerders dus een ideale kans om kijkers real-time te kunnen targeten op hun tweede scherm. Door middel van een (tv-)script zijn tv-kijkers te herkennen zodra ze op een website komen. Tegelijkertijd genereert het tv-script ook een complementair effect tussen tv en social campagnes door het real-time opbouwen van tv-doelgroepen voor retargetingdoeleinden. Hoe werken tv-campagnes op online interacties en wat voegt het toe?

Het concept van tv-attributie komt neer op het kunnen koppelen van websitebezoek aan tv-campagnes. Daarnaast geeft het inzicht in hoe het effect van tv-campagnes zich vertaalt in online gedrag.

Om te kunnen bepalen of een websitebezoeker naar aanleiding van een tv-commercial je website bezoekt, is het belangrijk om enkele zaken duidelijk te hebben:

  1.  Het uitzendschema maakt duidelijk wanneer commercials worden uitgezonden.
  2.  Door middel van (Google Analytics) tracking is het bekend of en wanneer iemand de website heeft bezocht.
  3.  Het is bekend dat ongeveer 87 procent van de tv-kijkers een tweede scherm gebruikt. Maar wat niet bekend is – en daar liggen kansen voor attributie en retargeting – is welke mensen binnen die 87 procent ook daadwerkelijk je website hebben bezocht. Het tv-script kan dit op een simpele, maar effectieve, manier inzichtelijk maken.
Hoe het tv-script werkt

Het tv-script bestaat uit een stuk javascript dat op de website wordt geplaatst via Google Tag Manager. Het script is opgebouwd uit het tv-uitzendschema en een aantal functies die bepalen of iemand een tv-bezoeker is. Dit wordt onder andere gedaan door te checken of iemand binnen een tijdvak van tien minuten na de tv-commercial op de website is gekomen en of het direct, organisch of betaald verkeer betreft. Als de bezoeker aan deze condities voldoet, wordt deze gelabeld als tv-bezoeker en wordt deze informatie met de bijbehorende zender en tv-programma naar Google Analytics verstuurd in een custom dimensie.

Dezelfde informatie kan ook naar andere advertising platforms, zoals Doubleclick en Facebook, worden verstuurd om real-time een retargeting audience op te bouwen en deze bezoekers vervolgens direct te kunnen retargeten. Snel retargeten vergroot de kans dat men je niet vergeet en eerder teruggaat naar jouw website in plaats van die van de concurrent. De eerder genoemde tien minuten zijn slechts een schatting en deze tijdsaanduiding kan uiteraard aangepast worden naar de eigen wensen en ervaring van de tv-adverteerder of online marketeer.

Naast informatie over de zender en het programma kan het ook relevant zijn om informatie mee te sturen, zoals programma categorie, tijdvak, gross rating points (GRP’s), kosten per commercial en/of het type tv-commercial. Was de tv-commercial bijvoorbeeld in de vorm van een tv-spot of een billboard (vijf tot tien seconden durende sponsorvermelding voor of na een tv-programma)? Met die aanvullende informatie kun je niet alleen de kwaliteit van je sitebezoek of retargeting beter duiden, maar ook de inkoop van je TV campagnes beter aansturen. 

Het resultaat en inzicht

Resultaten zijn het beste weer te geven in een dashboard. Dat kan met een simpele opzet in Google Data Studio (zie afbeelding). Door een segment te maken in Google Analytics met alleen tv-bezoekers wordt het mogelijk om standaard KPI’s zoals sessies, transacties of winst te segmenteren op tv-bezoekers. Afhankelijk van de vragen die je als tv-adverteerder wilt beantwoorden, kan het ook interessant zijn om een analyse te doen op bereik en gerealiseerde . Deze zijn bijvoorbeeld weer op te splitsen per tv-exploitant, -zender en/of -programma.

Het inzicht in bereik of behaalde GRP-scores (Gross Rating Point) per tv-exploitant of -zender kan helpen om de tv-campagnes beter bij te sturen. Daarnaast kun je met dit inzicht een betere beslissing maken met betrekking tot het opstellen van een budgetverdeling bij eventuele volgende tv-flights. Deze methode is natuurlijk redelijk arbitrair. Er zullen ook websitebezoekers zijn die toevallig op of binnen het tijdstip van de uitzending van de tv-commercial op de website komen.

Onze vervolgstap op deze arbitraire manier van tv-bezoeker labeling, is onderscheid te maken tussen reguliere websitebezoekers en tv-bezoekers door middel van machine learning-algoritmes. Het algoritme kan op basis van een aantal aanvullende variabelen (zoals kanaal, time on site, landing page of device) vaststellen wie afwijkend gedrag vertoont van de reguliere bezoeker en alleen hen als echte tv-bezoeker labelen. Met deze tweede analyse maak je zowel je analyse als retargetingdoelgroepen nog effectiever.

Aanvulling op je huidige data

Er zitten dus aannames in deze aanpak en het is niet 100 procent waterdicht, aangezien de kans bestaat dat reguliere websitebezoekers als tv-bezoekers worden gelabeld. Dit concept is echter vooral bedoeld om extra inzicht te krijgen. Zie het als aanvulling op je huidige data.

Het dashboard is een mooie manier om het effect van je tv-campagnes inzichtelijker te krijgen. Dit stelt je in staat om betere analyses en beslissingen te maken, maar het laat ook zien of offline adverteren wel of niet bijdraagt aan online interacties. Al met al helpt het concept je dus om de off- en online wereld dichter bij elkaar te brengen door de toegevoegde waarde van tv-campagnes te bewijzen binnen de wereld van online adverteren.

Conversie-attributie is meer dan alleen kanalen meten

Conversie-attributie geeft inzicht in welke kanalen ervoor zorgen dat bezoekers van je website uiteindelijk converteren en waar het inzetten van je marketingbudget dus het meeste effect zal hebben. Maar waarom zouden we conversie-attributie alleen toepassen op kanalen als er nog zoveel meer mogelijkheden zijn?

Momenteel is last-touch-attribution (LTA) nog steeds de meest voorkomende metriek die gebruikt wordt om de waarde van de verschillende kanalen te bepalen. Het gebruik van andere modellen creëert meer mogelijkheden. Dit zorgt ervoor dat het concept van conversie-attributie ook toepasbaar is wanneer de uiteindelijke conversie een offline actie is, of wanneer je geïnteresseerd bent in het attribueren van waarde aan acties op je website in plaats van kanalen. In het geval van een gebrek of tekort aan harde conversies, kan je zo namelijk ook op soft conversies of “engagement” sturen. Bijvoorbeeld in een situatie waarin relatief weinig maar waardevolle offerteaanvragen worden gegenereerd, is het vaak wel mogelijk om te sturen op de voorliggende acties op de website. Maar hoe bepaal je nu de waarde van alle acties die uiteindelijk hiertoe leiden?

Allereerst is het belangrijk om te zorgen dat de data goed binnenkomt alvorens je enthousiast aan de slag gaat met het model en de analyse. Vervolgens zijn er talloze modellen waar je uit kan kiezen om conversie-attributie te berekenen; in dit blog worden er twee besproken. Uiteindelijk kun je met de modeluitkomst een analyse doen om een bepaalde waarde toe te kennen aan je variabelen. Indien je geanalyseerd hebt welke acties of kanalen het best presteren op basis van de conversie die je gedefinieerd hebt, kun je je campagnes hierop gaan aansturen.

Data voorbereiden

Om deze analyse uit te kunnen voeren hebben we de ruwe data uit Google Analytics nodig, dit halen we uit BigQuery (NB: Google Analytics 360 of een ander analyticsplatform dat ruwe data verzamelt, is vereist voor een dergelijke analyse). Hierdoor kunnen we de analyse baseren op user-level data waarin we geïnteresseerd zijn. Normaliter zullen bij conversie-attributie de volgende variabelen gebruikt worden:

  • fullVisitorId, hiermee herkennen we een unieke gebruiker en kunnen we zien wanneer deze gebruiker terugkeert op de website.
  • visitStartTime, spreekt voor zich, dit geeft een tijdstempel waardoor de verschillende touch-points in de juiste volgorde gezet kunnen worden.
  • trafficSource.medium, via welk kanaal komen de bezoekers binnen.
  • totals.transactions, geeft aan of er een transactie heeft plaatsgevonden.
Sturen op soft conversies

De totals.transactions variabele meet alleen harde conversies. Indien de focus hier niet ligt of deze conversies veelal offline plaatsvinden dan is deze data dus niet veelzeggend. Maar voor alles is een oplossing! Stel: we kunnen niet op de harde conversies sturen en we willen daarom op een soft conversie sturen, dan kunnen we die data inladen. Het is goed om te weten dat Doelen vanuit Google Analytics niet in BigQuery terecht komen, deze zal je dus zelf uit de data moeten ontcijferen. In het geval van een offerteaanvraag, kun je dit uit de eventCategory en eventAction variabelen halen (indien dit goed ingesteld staat in bijvoorbeeld Google Tag Manager). Vervolgens creëren we een nieuwe binaire variabele die aangeeft of er wel of geen offerteaanvraag heeft plaatsgevonden. Zo zijn er nog veel meer mogelijkheden om op andere soft conversies te sturen.

Sturen op meer dan alleen kanalen

Tot dusver hebben we ons gericht op een ander soort conversie dan een harde transactie. Maar we kunnen ook de conversiewaarde over acties op een website verdelen in plaats van over marketingkanalen. Daarbij kun je denken aan:

  • Welk device type draagt meer bij aan een (soft) conversie?
  • Hoe vaak klikt iemand op een bepaalde button voordat er een (soft) conversie plaatsvindt?
  • Hoe vaak bekijkt hij een bepaald type pagina voordat er een (soft) conversie plaatsvindt?

Al deze datapunten zijn te vinden in de variabelen device.deviceCategory, eventCategory of eventAction.

Conversie-attributie model 1: Shapley value

Een groot scala aan modellen is toepasbaar op conversie-attributie. In dit blog bespreek ik er twee; de Shapley value en het (hogere-orde) Markov-model. De Shapley value wordt door Google zelf gebruikt in hun data-driven attribution-methode (zie Data-Driven Attribution Methodology).

De Shapley value is een methode uit de Speltheorie die de waarde tussen spelers in een coöperatief spel verdeelt. Het komt erop neer dat de Shapley value per mogelijke coalitievorming S (deelverzameling van alle spelers N) bekijkt hoeveel waarde speler ibijdraagt aan die coalitie, afhankelijk van de volgorde waarin de spelers zich bij de coalitie voegen.

Dit betekent het volgende: stel klant Y heeft een klik-pad van display gevolgd door paid search, wat is dan de marginale contributie van organic search als hij aansluit bij dit klik-pad? Waarschijnlijk klinkt dit nog steeds als Chinees, dus laten we een voorbeeld erbij pakken dat het idee van de Shapley value zal verduidelijken.

Voorbeeld Shapley value

Veronderstel dat er twee spelers zijn, A en B. Deze A en B kunnen alles representeren, afhankelijk van het doel van de analyse. Bijvoorbeeld:

  • A staat voor SEA, B voor SEO (kanalen)
  • A staat voor registratie op de website, B voor bekijken van een productpagina (acties)
  • A staat voor mobiel, B staat voor desktop (devices)
  • Etc.

Elke speler kan in z’n eentje een bepaalde waarde creëren, maar door samen te werken kunnen de spelers wellicht meer waarde genereren. In dit geval is de waarde de gegenereerde conversieratio. De vraag is echter hoe we dan de gezamenlijk behaalde waarde tussen de spelers verdelen. Laten we de volgende data als uitgangspunt gebruiken voor de voorbeelden:

Combinatie van spelers Aantal sequences Aantal conversies Aantal non-conversions Conversie ratio
A 100 10 90 0,1
B 125 15 110 0,12
A & B 450 80 370 0,178

We gaan per mogelijke combinatie de marginale contributie van elke speler berekenen. We kijken eerst naar alle mogelijke combinaties waarop de coalities gevormd kunnen worden. In het geval van twee spelers is dit relatief simpel; eerst actie A, daarna actie B, of andersom. Als eerst A komt, hebben we een conversie ratio van 0,1. Als B zich dan bij de coalitie voegt wordt de nieuwe coalitiewaarde 0,178, dus draagt B 0,078 bij aan de coalitie. Als eerst B komt, heeft de coalitie een waarde van 0,12, voegt A zich hierbij dan draagt A 0,058 bij aan de coalitie. Dit geeft het volgende overzicht:

Volgorde Bijdrage A Bijdrage B
Eerst A, dan B 0,1 0,078
Eerst B, dan A 0,058 0,12
Marginale contributie (0,1+0,058)/2 = 0,079 (0,078+0,12)/2 = 0,099

Dus als A en B samen een coalitie vormen, krijgt A 44% conversiewaarde en B 56%.

Met twee spelers is het nog een simpel voorbeeld, maar de complexiteit neemt al gauw toe zodra er meer spelers bij komen. Er zijn 2m mogelijke combinaties waarop coalities gevormd kunnen worden, waarbij m staat voor het aantal spelers. Reken maar uit hoe snel het aantal combinaties onoverzichtelijk wordt. Daarnaast heeft de Shapley value nog een ander nadeel; het kijkt alleen óf een speler/actie voorkomt in de coalitie en niet hoe vaak. Dit is vrij logisch aangezien de Shapley value gebaseerd is op het idee van Speltheorie en spelers, waarbij een speler niet twee keer mee kan doen in een coalitie. In het geval van conversie-attributie kan een kanaal of actie wel meerdere keren in de customer journey of in het bezoekerspad op de website voor komen.

Conversie-attributie model 2: Markov model

Het (hogere-orde) Markov-model is gebaseerd op het schatten van overgangskansen, waarbij een opeenvolging van mogelijke events bekeken wordt. Met andere woorden, een eerste-orde Markov-model schat de kans dat, gegeven je huidige state, je overgaat naar de volgende state. Dat ziet er in formule-vorm als volgt uit:

Dit heet het eerste-orde Markov-model, omdat het gebaseerd is op één geheugenpunt. Echter, het beslissingsproces van een klant voorafgaand aan een conversie is meestal gebaseerd op meer dan één touch-point. Hier komt het hogere-orde Markov-model in beeld.

Hierbij houdt het model rekening met het feit dat jij je als bezoeker niet alleen het laatst gebruikte kanaal herinnert, maar de laatste k gebruikte kanalen. Dit resulteert in een betere representatie van de werkelijkheid.

Met behulp van de transitiekansen wordt er een zogeheten Markov-graaf gecreëerd, die bestaat uit de verschillende states waarin jij je als bezoeker kunt bevinden. Oftewel, de states representeren de kanalen die gebruikt worden door de bezoekers. Hier voegen we drie basis states aan toe, namelijk START, CONVERSION en NULL. Deze states hebben de volgende eigenschappen:

  • Elk klik-pad begint in START
  • Wanneer het pad eindigt in een conversie dan wordt het verbonden door de CONVERSION state naar de NULL state.
  • Zo niet, dan slaat het de CONVERSION state over en eindigt hij in de NULL state.
  • Er zijn geen inkomende paden bij de START state
  • Een cyclus is mogelijk wanneer bijvoorbeeld opeenvolgende touch-points hetzelfde zijn.

Zodra alle transitiekansen berekend zijn, berekenen we de totale conversiekans van de graaf. Vervolgens wordt het Removal Effect per state berekend. Het Removal Effect is een methode van Anderl et al. (2016) die het effect op de totale conversiekans berekent zodra we een state weg zouden halen uit de graaf.

Voorbeeld eerste-orde Markov

Om te zorgen dat het nog te volgen is, gebruiken we dezelfde data als bij de Shapley value om een voorbeeld uit te werken. Aangezien het Markov-model rekening houdt met de volgorde waarin de touch-points voorkomen, moeten de sequences met meerdere touch-points opgesplitst worden. We nemen aan dat dit resulteert in de volgende customer journeys:

Journeys Aantal
START – A – CONV – NULL 10
START – A – NULL 90
START – B – CONV –  NULL 15
START – B – NULL 110
START – A – B – CONV  – NULL 50
START – A – B  – NULL 250
START – B – A – CONV – NULL 30
START – B – A – NULL 120

Dan is de kans om van START naar A te gaan 0,59, aangezien 400 van de 675 customer journeys na START naar A gaan (in het geval van een 1e-orde Markov-model). Als we dit voor alle mogelijke transities berekenen, krijgen we de volgende graaf:

Vervolgens berekenen we alle mogelijke manieren waarop we in de CONVERSION-state kunnen komen. In dit voorbeeld kan dat op vier manieren, namelijk:

START – A – B – CONVERSION – NULL = 0,59 * 0,55 * 0,11 = 0,037
START – B – CONVERSION – NULL = 0,41 * 0,11 = 0,046
START – A – CONVERSION – NULL = 0,59 * 0,07 = 0,043
START – B – A – CONVERSION – NULL = 0,41 * 0,26 * 0,07 = 0,008

Totale conversiekans graaf = 0,133

We hebben dus een totale conversiekans van 13,3%, maar wat nu als A niet zou bestaan? Dan vervallen 3 van de 4 mogelijke paden waarop we de CONVERSION-state zouden kunnen bereiken. Oftewel, het Removal Effect van A is dan . Doen we dit voor alle kanalen dan krijgen we de volgende Removal Effects:

Kanaal/actie Removal Effect Removal Effect in % LTA Shapley
A 0,655 49% 38% 44%
B 0,677 51% 62% 56%

De derde kolom representeert het Removal Effect uitgedrukt in een percentage zodat de contributie makkelijk te vergelijken is met andere metrieken. In bovenstaande tabel is het verschil in conversie-attributie te zien tussen de drie modellen. Volgens LTA en Shapley zou B meer hebben bijgedragen aan conversie dan A, terwijl Markov een genuanceerder beeld schetst. Dit komt met name door het feit dat Markov onderscheid maakt in journeys waarin de kanalen/acties in een andere volgorde voor komen; hierdoor krijgt A een belangrijkere rol.

Shapley vs. Markov

Alle modellen hebben zo hun voor- en nadelen, er is geen perfect model. Het voordeel van het Markov-model ten opzichte van de Shapley value is dat het rekening houdt met de volgorde waarin de touch-points in de journey voorkomen en het de mogelijkheid biedt tot het includeren van geheugen. Daarnaast wordt het schatten van de Shapley value vanaf zo’n 10 variabelen te zwaar om te berekenen. Echter, het Markov-model is afhankelijker van de data-input dan de Shapley value.

Conclusie

Beide methodes hebben als grote voordeel dat ze de hele customer journey meenemen in hun berekening. Dit is extra belangrijk voor een kanaal zoals display advertising dat over het algemeen veel aan het begin van een customer journey voorkomt en bij een model zoals last-click nauwelijks conversiewaarde toegewezen krijgt.

Daarnaast bieden deze modellen de mogelijkheid om de spelers/states in te vullen met variabelen die op dat moment van belang zijn. Stel je bent benieuwd naar welke acties op je website uiteindelijk invloed hebben op een offerteaanvraag, dan kun je die acties als states nemen in plaats van kanalen. Ook kun je zelf bepalen wat als conversie meegenomen moet worden, zolang je maar in je model definieert wat hij moet herkennen als conversie. Dit zorgt ervoor dat je op een andere manier gebruik kunt maken van je data en meer data-driven beslissingen kunt maken met betrekking tot het inzetten van budget en campagnes.

 

Datagedreven de concurrentie verslaan op bol.com en Amazon

Marketplaces zoals Amazon, bol.com en Alibaba groeien als kool en bieden kansen op het gebied van traffic en brand exposure. Het omzetaandeel van merken die hun product via deze kanalen verkopen, stijgt in rap tempo. Maar hoe blijf je de concurrentie voor? Alleen met de juiste datagedreven optimalisaties word je succesvol op marketplaces.

Natuurlijk stuur je consumenten liever naar je eigen winkel, maar de realiteit is anders: 56% van de online shoppers begint zijn zoekactie op een marketplace. Dat blijkt ook uit een onderzoek in onze buurlanden vorig jaar. En ook in  Nederland zie je de verschuiving van search engine naar platform: Goodbye Google, hello marketplaces.

“56 procent van de online shoppers begint zijn zoekactie op een  marketplace”

Regel je data

De data achter marketplaces is een lange tijd een geheimzinnige black box geweest. Zonde! Want  het delen van die data maakt verkopers juist nóg succesvoller, en tilt het platform daarbij ook nog eens naar een hoger niveau. Gelukkig snappen de marketplaces dit zelf inmiddels ook, en is er tegenwoordig wél veel data beschikbaar. Niet alleen salesdata, maar ook de traffic naar productpagina’s en de performance hiervan. Hoe gebruik je als verkoper deze data in jouw voordeel? ​5 tips:

1. Kies het juiste platform bij jouw strategie

Dat het doorzetten van consumenten naar een marketplace strategisch waardevol kan zijn, laat het  partnership van Adidas en Zalando zien. Zij ontwikkelden samen een ​exclusieve 3D-tool​ waarbij je je eigen unieke schoen kon ontwerpen. Deze modellen waren alleen verkrijgbaar bij Zalando, waardoor adidas een unieke propositie koppelt aan de marketplace. En vice versa natuurlijk: Deze tool is een enorme branding boost voor Zalando en de sleutel naar een enorme hoeveelheid nieuwe data.

“Kies je voor generalist of specialist?“

Om zo’n prestatie als Adidas te bereiken, is het allereerst belangrijk om het juiste platform voor jouw product te kiezen. Er zijn twee opties: Kies je voor meer ​bereik? Ga dan voor een generalist​, zoals Amazon is in fashion. Of ga je juist voor een hogere conversie? Ga dan voor een  specialistische marketplace, zoals Asos. Elk platform heeft zijn eigen voordelen.

2. Wees vindbaar

Ok, nu heb je het juiste platform, maar kunnen je klanten je ook daadwerkelijk vinden? 64% van de clicks in het listingoverzicht gaat naar de eerste drie posities, dus hier wil je  staan. Hoe je daar komt? Wees vindbaar via search en navigatie: achterhaal hoe jouw klant zoekt en speel hierop  in met de juiste categorieplaatsing, attributen en keyword focused content. Voor echte ​next level​ relevantie doorgrond je het search-algoritme. Tools die je kunnen helpen om het algoritme te begrijpen zijn ​Clavis Insight​, ​Profitero​ of ​Brandview​. Hiermee zie je precies wat je zoekpositie en -aandeel is op relevante zoektermen. Kijk vervolgens wat er gebeurt  als je je ​levertijd​ aanpast, een​ lagere prijs​ biedt, ​reviews​ genereert, of andere ​keywords​ gebruikt.

“64% van de clicks in het listingoverzicht gaat naar de eerste drie posities“

Blijf onderzoeken: Op welke manieren werkt Amazon anders dan bol.com? Test uitgebreid en  analyseer de data, alleen daarmee ga je het algoritme steeds beter begrijpen.

3. Wees zichtbaar

Naast het boosten van organisch verkeer door middel van content en data kun je ook gebruik  maken van ​betaalde opties​. Marketplaces bieden talloze mogelijkheden voor meer en betere zichtbaarheid. In feite geeft adverteren op marketplaces dezelfde mogelijkheden als Google Adwords of Shopping:  adverteren op marketplaces maakt je dan ook zichtbaar in getargete categorieën. Het goed besturen hiervan en investeren in meer zichtbaarheid betaalt zich dubbel en dwars terug.

Zowel Amazon als bol.com maken gebruik van een self-service model, waarmee je zelf controle hebt over je ads en je inzicht krijgt in de data om bij te sturen. Dit gebruik je om je ROAS (Return on Advertising Spend) onder controle te houden en te optimaliseren. Adverteren met marketplaces echt goed aanpakken? Maak dan meerdere campagnes  aan op dezelfde product en om je relevantie en zichtbaarheid te verhogen. Meet vervolgens het bereik, het klikgedrag en de conversie van je campagne. Resultaten binnen? Maak weloverwogen beslissingen op basis hiervan en gebruik je resultaten in je marketingstrategie. Maar vooral: meten en optimaliseren tot je erbij neervalt!

4. Focus op hogere conversie

Inderdaad, het klopt dat marketplaces een breder publiek bereiken. Maar hun specialisatie ligt in het behalen van een zo hoog mogelijke conversie! En dat is goed nieuws, want in de meeste gevallen resulteert dit in meer verkopen dan via je eigen shop. Ook bestellen klanten sneller: ze zijn namelijk al gewend om te bestellen via dat platform en hebben vaak al een account. Kortom, ze voelen zich daar comfortabel, de drempel ligt lager en klanten doen dus sneller een aankoop. Sterker nog, ze hebben de apps al op hun telefoon!

De gouden tip om je conversie te verhogen? Content. Verbeteren van images, video’s, attributen en  productbeschrijvingen leidt tot een conversie-uplift van wel 35%! En we kunnen het niet vaak genoeg zeggen: mobile first, mobile first, mobile first. Mobiel neemt in 2018 namelijk ​zo’n 40% van alle e-commerceverkopen voor haar rekening​. Met tools als ​ProductsUp​, ​DataFeedwatch​, ​Channeladvisor​ of ​Channable​ kun je vanuit  jouw PIM content eenvoudig uploaden en analyseren of alle benodigde elementen zijn gevuld. Daarnaast biedt Amazon twee soorten extra verrijkte pagina’s aan: A+ enhanced marketing content  (voor leveranciers) en enhanced brand content (voor verkopers). Hiermee geef je consumenten nog betere informatie, en krijg je betere posities in de zoekresultaten.

5. Retentie via customer experience

Klanten aan je binden via marketplaces lijkt een hele uitdaging. De platformen staan het bijvoorbeeld niet toe om flyers mee te sturen in pakketten of om actief consumenten te benaderen (mits het gaat om orderafhandeling). Maar hoe komt die klant dan weer bij je terug? Het klinkt misschien logisch: fix your basics. Zorg voor perfecte service en een goede consumentenervaring, zowel in de afhandeling van de order als in de aftersales. Daarnaast zijn er wel degelijk mogelijkheden om via marketplaces waarde aan je merk toe te voegen: Denk aan Adidas, zoals hierboven besproken, maar ook minder complexe samenwerkingsmogelijkheden zijn effectief.

Verleid je klant tot het registreren van zijn gegevens op je eigen website voor extra service of garantie na aanschaf. Hiermee vul je je eigen database met gegevens. Deze kun je vervolgens gebruiken in een retargetingcampagne. Als die campagne vervolgens landt op de marketplace waar je klant het product eerder heeft gekocht, creëer je een ​dubbele loyalty loop.

De potentiële data die je uit marketplaces kunt halen, is goud waard. Het embedden van marketplace-initiatieven in je online retailstrategie kan dan ook van enorme waarde zijn. Wel heeft het grote impact op je organisatie. Wil je marketplaces goed aanpakken? Organiseer je teams: zorg voor de juiste content, paid marketing en dataspecialisten om een schat aan informatie te borgen die je merk én sales alleen maar verder gaat brengen.

Commission sharing: nieuwe samenwerkingen leiden tot conversie

Consumenten willen gratis interessante content lezen. Adverteerders willen op hun beurt inzicht in wie hun producten koopt. En tegelijkertijd zoeken content publishers naar nieuwe manieren om hun bezoekers te bedienen en hierbij geld te verdienen, zodat zij journalistiek gratis aan kunnen blijven bieden. Dit alles ligt ten grondslag aan het commission sharing-concept.

Van oudsher zijn affiliate marketingpartijen de schakel tussen publishers en adverteerders. De opkomst van ecosystemen waarin bedrijven met complementaire expertise, producten of diensten met elkaar gaan samenwerken in plaats van alles proberen zelf te doen, is een trend die sinds een aantal jaren echt voet aan de grond krijgt in het affiliate marketinglandschap. Vanzelfsprekend heeft dit effect op de samenwerkingsstructuur. In plaats van de traditionele driehoekssamenwerking tussen netwerk, publisher en adverteerder zien we nu ook partnerships ontstaan tussen publishers onderling die worden gefaciliteerd door het affiliate marketingnetwerk.

Het begon voor ons een jaar of drie geleden met een financiële vergelijkingstool van een specialist die op een high-volume website werd geplaatst. Voor de drukbezochte publisher leverde het techniek op die ze zelf niet hadden kunnen ontwikkelen en de technische specialist boorde op zijn beurt een nieuw publiek aan. Het werd al snel duidelijk dat dit concept ook goed toepasbaar was in andere segmenten zoals telecom en retail. Hiervoor werken we samen met partijen die white label tools hebben ontwikkeld voor bijvoorbeeld het vergelijken van telefoonabonnementen en verzekeringen, maar in-article widgets of het plaatsen van een shop behoort tot de mogelijkheden.

De content publisher kan zo’n tool in eigen look & feel implementeren zonder dat ze de technische expertise in huis moeten halen om zo’n vergelijker te ontwikkelen. De commissie over de omzet die zo wordt gerealiseerd, wordt gedeeld tussen de content publisher en de toolontwikkelaar, die verwerken wij en betalen wij uit via de door ons ontwikkelde commission sharing-tool.

Voor adverteerders biedt het commission sharing-concept de mogelijkheid om samen te werken met niet-traditionele publishers die zich normaliter richten op advies of inspiratie, maar niet primair op het realiseren van conversie voor merken en webwinkels.

Elle.nl en Shopsuite: shoppable content

Dit hebben wij bijvoorbeeld gedaan voor Elle en Shopsuite. Elle.nl heeft met 875.000 unieke bezoekers per maand een groot bereik. Shopsuite heeft een online etalage ontwikkeld, waarbij de publisher uit meer dan 5 miljoen producten een selectie kan maken die past bij het medium. Het is shoppable content die is afgestemd op de doelgroep van de content publisher. Elle.nl kan op deze manier bezoekers een shopervaring bieden zonder dat zij zelf een webwinkel hoeven in te richten. Met succes: zowel de bezoekersaantallen als de conversie-KPI’s van de shop op Elle.nl stegen flink. Inmiddels zijn er op deze manier meer dan duizend samenwerkingen tot stand gekomen, onder andere op de website van &C, Lindanieuws, Cosmogirl en Esquire.

The Dutch Selection: smartphones vergelijken

Een van de partners met wie we samenwerken op het gebied van telecom is The Dutch Selection, die smartphones en abonnementen met elkaar vergelijkt. Zij kunnen de populairste telefoons met elkaar vergelijken, maar de content publisher kan er bijvoorbeeld ook voor kiezen om een specifiek merk of een bepaalde provider uit te lichten. Zo kan de content dus worden afgestemd op de kenmerken van de site. Wanneer de gebruiker iets van zijn gading vindt, dan gaat hij met één klik naar de check-outpagina van de adverteerder, zodat de kans op churn – doordat de klant te veel handelingen moet verrichten – aanzienlijk wordt beperkt. Een eveneens mooie feature is de in-article widget die The Dutch Selection heeft ontwikkeld, die bedoeld is voor het gebruik in specifieke artikelen. Dit is een uitgeklede versie van de vergelijker, waarmee bijvoorbeeld de top-3 deals worden getoond.

Resultaten tot nu toe

Het commission sharing-concept is mede een succes, omdat je veel beter kunt bepalen welke publishers (touchpoints) hebben bijgedragen aan de uiteindelijke conversie en in welke mate. Hier kun je de commissiestructuur op afstemmen, zodat elk touchpoint beter op waarde wordt geschat. Bovendien zien we dat de marktontwikkelingen vragen om een verandering in de wijze van adverteren. Door de kritische millennial generatie zijn adblockers gemeengoed geworden en is de vraag naar native advertising toegenomen. Hierdoor staat de CPM-prijs van rich media al jaren onder druk en is er bij publishers vraag naar alternatieve en additionele verdienmodellen. Dit zien we niet alleen terug in onze resultaten, maar ook in de groei van onze commission sharing oplossing: tussen 2014 en 2017 hebben we een omzetgroei van 163 procent gerealiseerd en is het aantal conversion partners uitgegroeid tot tien.

Next step?

Onze verwachting is dat we commission sharing partnerships in meer segmenten (zoals Food en Home & Living) gaan opzetten met providers die nieuwe technologieën aanbieden aan de publisher om van diens bezoekers klanten te maken. Er zijn verschillende interessante innovaties op dit gebied. Universal basket tracking bijvoorbeeld, waarbij bestellingen bij verschillende webshops worden gecombineerd tot één winkelmandje/order. Of contextual commerce, waarbij je direct vanuit een foto of ander beeld een aankoop kunt doen. Hetzelfde idee wordt toegepast bij shoppable video, waarbij je zonder de player te verlaten een product kunt kopen dat wordt getoond. Zo zijn we recent een samenwerking gestart met video-advertisingbedrijf Vraym, een selfservice oplossing voor adverteerders en publishers die met behulp van video hun sales willen verhogen. Volledig geoptimaliseerd voor elk type device natuurlijk. En ook op gebied van Augmented Reality zie je steeds meer commerciële toepassingen die prima binnen het commission sharing-concept passen, zoals een virtuele projectie van een bepaald meubelstuk in je woonkamer om te zien of het in je interieur past of het scannen van je voeten om je ideale sneakers te vinden.

Meer weten over commission sharing en de trends in affiliate marketing? In de podcast ‘Future proof met Awin: go big and go niche or go home’ gaan Wanja Allessie en Thomas van der Lee in op de ontwikkelingen in het performance-marketinglandschap en wat de visie en voorbereiding van Awin hierop is. Beluister de podcast hier.

Welke factoren moet ik meenemen in mijn investment elasticity- en attributiemodellen? (3/3)

Stel, je wilt conversies toekennen op basis van Multi-Touch Attribution (MTA). Je hebt een tool opgezet om alle relevante data te verzamelen, up te daten en te analyseren. Je bent klaar om te sturen op marginale ROI . Media en sales vormen echter een complex landschap met vele factoren die van invloed zijn op de uiteindelijke conversie. Met deze factoren dient rekening te worden gehouden als je je mediabudget wilt herinrichten aan de hand van investment elasticity- en attributiemodellen. De volgende drie stappen helpen bij het modelleren van je medialandschap.

Stap 1: Business Blueprint en factoren van invloed

Het is belangrijk om van tevoren met de juiste stakeholders met business- en modelling kennis al na te denken over de business blueprint. Beantwoord de volgende vragen:

  1. Welke factoren verwachten we dat belangrijk zijn?
  2. Hoe verwachten we dat de relaties in elkaar zitten?
  3. Is deze data (structureel) beschikbaar binnen de organisatie?
  4. Welke beslissingen willen we uiteindelijk ondersteunen?
Stap 2: welke factoren kan ik in de toekomst beïnvloeden?

Het uiteindelijke doel van investment elasticity- en attributiemodellen is het verbeteren van toekomstgerichte beslissingen. Het is dus cruciaal om na te denken over welke factoren je nog kunt beïnvloeden in deze beslissing. Tijdens het modelleren dien je al rekening te houden met het feit dat factoren die van invloed kunnen zijn in de volgende categorieën vallen:

  1. Factoren om op te sturen:

Dit zijn de factoren waar een beslissing om draait, oftewel de factoren die je actief kunt beïnvloeden. Voorbeelden hiervan zijn: de investering in een bepaalde media campagne of de korting die je kunt geven op een bepaalde propositie.

  1. Te voorspellen factoren:

Naast de factoren waar je op stuurt zijn deze factoren voorafgaand aan de analyse bekend. Ze zijn echter niet (meer) te beïnvloeden. Denk hierbij aan bijzondere gebeurtenissen zoals de lancering van een nieuw product en een prijsstrategie of media campagne die al vast staat, maar ook aan vakantiedagen of een salarisweek. Deze factoren hangen vaak samen met je sturende factoren en kunnen een hoge impact hebben. Het is daarom belangrijk om deze mee te nemen in modellen om zo betere voorspellingen te kunnen maken met betrekking tot budget scenario’s.\

Andere externe factoren:

 

Deze factoren zijn voorafgaand aan de analyse niet bekend. Hierbij kan het gaan om weersomstandigheden of een storing of de website, met als resultaat geen of weinig sales op een bepaalde dag. Het is belangrijk hier achteraf voor te controleren, om te vermijden dat een campagne bijvoorbeeld ten onrechte slecht beoordeeld wordt.

Stap 3: Investment elasticity- en attributiemodellen

In deze stap worden de modellen uitgevoerd. De doelen en hypotheses van de organisatie zijn bekend en er is over de belangrijke factoren nagedacht. Uiteindelijk is het belangrijk om deze hypotheses aan de hand van data te testen. Zorg er dus voor dat stappen 1 en 2 grondig zijn uitgevoerd voordat je aan stap 3 begint. Om weloverwogen en data gedreven investeringsbeslissingen te maken, is het belangrijk om je bewust te zijn van mogelijke interactie-effecten tussen factoren, en om te weten welke factoren een grote impact hebben op de media kanalen in kwestie. Op basis hiervan kunnen modellen worden opgebouwd die het maken van media scenario’s en het sturen op media mogelijk maken.

Bekijk de bovenstaande figuur. Stel dat je het aantal conversies wilt verhogen. Hoewel het een positief effect heeft, is het verhogen van marketing uitgaves niet de enige manier om dit doel te bereiken. Meerdere factoren invloed hebben op het verwachte aantal conversies, zoals de prijsstrategie. Door slechte weersomstandigheden vallen retail sales bijvoorbeeld lager uit. Om extreem hoog in te zetten op media om conversies te verhogen is dus niet altijd vanzelfsprekend.

Om het media budget optimaal te herverdelen, dient er geredeneerd te worden vanuit business vraagstukken en dient het medialandschap goed in kaart te worden gebracht. Ook dienen alle relevante factoren van invloed gedefinieerd te worden en in investment elasticity- en attributiemodellen te worden verwerkt, zonder deze onnodig complex te maken.

‘Zestien procent e-commerce uit affiliatemarketing’

Adverteerders in Duitsland realiseerden in 2016 voor 7,6 miljard euro aan e-commercehandel via affiliatemarketing.

Dat rekent digitale branchevereniging BVDW voor in een vandaag gepubliceerd onderzoek. De onderzoekers vertellen niet welk affiliatenetwerk verantwoordelijk is voor hoeveel handel. Het is aannemelijk dat Awin (voormalig Zanox) en Affilinet (tegenwoordig een fusiebedrijf) zwaargewichten zijn en ook dat Tradetracker en Daisycon op die lijst staan, aangezien zij al jaren in de oostelijke markt investeren.

In 2016 bedroeg de totale e-commerceomzet in Duitsland 44 miljard euro. Daarvan is overigens een aanzienlijk deel, krap twintig procent, gerealiseerd op Amazon.de.

Het valt de onderzoekers van BVDW ook op, dat de mobiele bijdrage aan het affiliatetotaal afgelopen jaar met 38 procent steeg.

Foto: abstrkt.ch (cc)

De Jong Intra Vakanties past affiliate attributiemodel aan  

De Jong Intra Vakanties heeft in samenwerking met TradeTracker een nieuw attributiemodel ontwikkeld waarmee alle publishers die betrokken zijn in het conversiepad worden beloond.

‘Last-click-counts’ zijn hiermee verleden tijd. De Jong Intra heeft ervoor gekozen om te werken met een custom model waarbij de focus op twee pijlers komt te liggen.

De eerste is de positie die een publisher inneemt in het conversiepad. Er zijn drie rollen die een affiliate kan hebben: initiator, assist en converter. De publishers met respectievelijk het eerste en laatste klantcontact binnen de attributieperiode worden initiator en converter genoemd. Publishers die gedurende de customer journey helpen worden assists genoemd.

De tweede pijler betreft het sitetype, oftewel het soort site dat de producten van de Jong Intra Vakanties promoot. Aan elk sitetype zijn door de adverteerder relatieve gewichten verbonden die bepalen hoe de verdiensten onder publishers worden verdeeld.

Met deze twee pijlers en een attributieperiode van honderd dagen beloont de Jong Intra Vakanties alle activiteiten binnen het conversiepad. “Hierdoor is het voor publishers mogelijk om op ieder moment in de customer journey promoties te doen voor de Jong Intra Vakanties,” zegt Marvin Soekra, team lead online marketing bij de touroperator. “Ons voordeel hierbij is dat publishers ons nu op veel meer manieren kunnen promoten, wat resulteert in meer aandacht voor onze reizen.”

‘Dit maakt performance interessant voor native en brands’

Performancenetwerk TradeTracker brengt een systeem dat uitgevers anders, ‘eerlijker’ beloont dan nu. Met ‘Real Attribution’ kan iedereen die bijdroeg aan een conversie daar een vergoeding voor krijgen. “Performance is in een keer interessant voor native advertising, storytelling en merkadverteerders”, aldus directeur Bas Dokter.

Na drie jaar denken en sleutelen aan het concept en de techniek bracht TradeTracker vorige week zijn nieuwe advertentiesysteem op de markt. Tot op heden werkte het, zoals velen nog steeds doen, volgens het ‘last cookie counts’-principe. Dat houdt in, dat de website die de laatste click naar een sale realiseert de commissie krijgt toegewezen.

Het idee van conversiepad gaat er echter vanuit, dat er meer partijen zijn die op een of andere manier bijdragen aan een uiteindelijke aankoopbeslissing. Iemand die graag een stedentrip in Berlijn wil doen, zal zich inlezen op blogs maar kan daar geen vlucht en hotel boeken. Het blog krijgt dus geen vergoeding voor de verkoop die een reiswinkel doet. Real Attribution verandert dat, als het blog ook is aangesloten op TradeTrackers netwerk.

“Een half jaar geleden introduceerden we een conversiepadtracking dat de touchpoints in het conversiepad inzichtelijk maakt. Nu kan de adverteerder”, de reiswinkel in bovenstaand voorbeeld “iedere touchpoint in die keten belonen.”

Adverteerders kunnen alle schakels in die keten een gelijke vergoeding geven of de zwaarte van de beloningen variëren. “Een product waar veel in branding moet worden geïnvesteerd om uiteindelijk een sale te realiseren, kan dan meer waarde toekennen in de upper funnel. Wie zwaar op traffic stuurt, kan zijn beloningsstructuur daar ook op inrichten”, aldus Dokter.

Een van de voorwaarden voor dit systeem om te kunnen werken, is dat de adverteerder exclusief met TradeTracker moeten werken. Niet met andere netwerken, omdat het netwerk van TradeTracker anders geen volledig beeld heeft van de customer journey van de consument. “We moeten alle touchpoints kunnen zien.”

Het Nederlandse bedrijf zegt de eerste in de wereld te zijn onder de affiliatenetwerken die diepe, geautomatiseerde vorm van conversie-attributie en -beloning kan bieden. De eerste resultaten noemt Dokter veelbelovend: “Meer publishers in de keten merken dat ze beloond worden en gaan daar traffic op sturen. Dat leidt tot meer traffic en transacties”, en dus meer omzet.

“En omdat je nu ook de upper funnel kunt gaan belonen, wordt online advertising in totaliteit performancebased.” Achter de schermen voert TradeTracker al enige tijd voorbereidende gesprekken met grotere en gespecialiseerde uitgevers en merkadverteerders om hen aan te sluiten op het nieuwe systeem. “Zij worden beloond voor het vertellen van hun verhaal in de upper funnel en hoeven niet meer per se met fixed feeds of CPM-budgetten te werken.”

TradeTracker is actief in twintig overwegend Europese landen.

Foto: Peter Boer (c)

Google Marketing Next: de tofste nieuwe features in advertising

Jaarlijks presenteert Google zijn nieuwste features tijdens een eigen georganiseerd evenement: Google Marketing Next. Zo ook afgelopen dinsdag. Ik zet de belangrijkste updates voor je op een rijtje.

In mijn blog van vorig jaar is te lezen hoe Google destijds haar adverteerders in staat stelde om mobiel gebruik volledig te adopteren in campagnestrategieën. Ook werd een volledige redesign van de huidige AdWords-interface toen aangekondigd om de gebruikerservaring te verbeteren. Twee onderwerpen die ook afgelopen dinsdag de toon zetten, maar waarin Google volwassener is geworden.

Wat zijn de meest in het oog springende updates?

1. Geavanceerdere doelgroeptargeting

Dat Google enorm veel data in haar bezit heeft, is niets nieuws. Door de enorme hoeveelheid producten die Google gratis aanbiedt aan haar gebruikers, beschikt het over de kennis waar naar gezocht wordt, welke websites en video’s worden bekeken, welk device hiervoor wordt gebruikt en waar men zich bevindt.

Alle Google producten samen leveren een schat aan informatie op over intenties, interesses en leefgedrag van consumenten. Google koppelt al haar databronnen aan elkaar om voor adverteerders zo relevant mogelijke doelgroepen te realiseren. Het koppelen van deze data levert dit jaar twee nieuwe manieren van targeting op:

  • Consumentengedrag
  • Levensgebeurtenissen

Er worden doelgroepen gevormd in verschillende categorieën op basis van zoekgedrag, welke video’s en online content ze bekijken en andere signalen. Deze twee nieuwe targetingopties stellen een adverteerder in staat om zijn boodschap te personaliseren en uit te serveren op het moment dat dit voor de gebruiker het meest relevant is.

Naast het introduceren van twee geheel nieuwe targetingmethoden werd ook bekend gemaakt dat de bekende in-market doelgroepen in het zoeknetwerk gelanceerd gaan worden. Dit houdt in dat adverteerders een doelgroep kunnen targeten op basis van aankoopsignalen, en een relevante advertentie kunnen tonen op basis van zoekwoorden.

2. Nieuwe tool voor data driven attributie

Online marketeers worstelen met de vraag wat het rendement is van hun inspanningen. Huidige attributiemodellen zijn vaak beperkt en verliezen gebruikers gedurende de customer journey als deze van device switchen. Om die reden worden de meeste kanalen afgerekend volgens het last-click model, om het simpel en overzichtelijk te houden. Terwijl data gedreven attributie juist heel waardevol is om performance op een juiste manier te beoordelen.

Google zegt een oplossing te bieden voor het ‘attributieprobleem’ en introduceert een nieuwe tool: Google Attribution. Deze tool helpt om de impact van verschillende kanalen cross-device te kunnen bepalen. De tool koppelt gegevens uit AdWords, Analytics en DoubleClick for Search en geeft de mogelijkheid om verschillende attributiemodellen te gebruiken. De data in Attribution kan vervolgens geïmporteerd worden in AdWords en DoubleClick for Search om advertising campagnes te optimaliseren. Om gebruik te kunnen maken van de tool voor DoubleClick Campaign Manager, is een uitgebreide variant benodigd: Attribution 360.

Bron: Google Marketing Next 2017

3. Betere reporting van uniek bereik

Dat men steeds vaker van meerdere apparaten gebruik maakt, heeft niet alleen campagne attributie lastig gemaakt. Ook is het moeilijk te bepalen hoe vaak jouw campagnes de juiste doelgroep hebben bereikt. Dit terwijl bereik en frequentie heel belangrijke metrics zijn voor campagneperformance. Niemand wil online ‘gespamd’ worden door dezelfde adverteerder.

Vanaf nu is een uitgebreid rapport beschikbaar in Google AdWords, dat inzicht geeft in deze metrics. In deze rapportage wordt het aantal unieke gebruikers weergegeven en de keren dat deze middels een video- of display-advertentie is bereikt. Het voordeel van deze rapportage is dat gegevens worden ontdubbeld over iedere campagne. Deze gegevens bieden inzicht in de intensiteit van campagnes en kunnen worden gebruikt voor doelgroep optimalisatie. Het rapport wordt binnenkort ook beschikbaar in DoubleClick.

Bron: Google Marketing Next 2017

De aangekondigde updates tijdens Google Marketing Next beloven veel goeds voor de komende maanden. Hoewel Google op veel punten progressie heeft gemaakt, blijven echte vernieuwingen voor het platform DoubleClick vooralsnog uit, wat toch wel erg jammer is.

Enkele adverteerders hebben afgelopen periode al een blik mogen werpen op de in 2016 aangekondigde nieuwe AdWords-interface. In december 2017 wordt deze dan eindelijk beschikbaar voor iedere adverteerder.

A/B-testen met Adwords Concepten en Experimenten

Online adverteerders kunnen in Google Analytics en Google AdWords ontzettend veel ideeën opdoen voor mogelijke manieren om het marketingbudget te besteden, maar ook om verschillende strategieën te testen. Tegenwoordig is er ‘AdWords Concepten en Experimenten’, een nieuwe tool voor A/B-tests binnen Adwords.

Zo zou op basis van inzichten uit het AdWords dimensie tabblad kunnen worden besloten om te testen met een advertentieplanning waarbij alle tijden buiten kantooruren worden afgeboden met 20 procent. Maar tot begin vorig jaar was het alleen mogelijk om op basis van een tijdreeksanalyse te testen welke variatie significant beter presteert: de variatie met of zonder advertentieplanning?

In februari 2016 werden de AdWords Campagne Experimenten vervangen door AdWords Concepten en Experimenten. Hiermee leverde Google eindelijk de mogelijkheid om bijna alle features in AdWords te kunnen A/B-testen. Nu, één jaar later, begint Google een bèta genaamd Google Labs die de volgende stap in het AdWords A/B-testen zou moeten worden.

De grote vragen die hierbij opkomen: wat is er mis met de huidige staat van het A/B-testen in AdWords, wat kan er wel effectief getest worden met AdWords Concepten en Experimenten en wat zou de toekomst moeten brengen om adverteerders in staat te stellen om gemakkelijk een A/B-test uit te voeren in AdWords? Daar ga ik in dit artikel dieper op in.

Wat zijn Adwords Concepten en Experimenten?

In AdWords is het tegenwoordig mogelijk om een Campagne Concept aan te maken. In de basis lijken deze Campagne Concepten op een webvariant van de desktop AdWords Editor. Het is namelijk mogelijk om wijzigingen aan een campagne eerst in concept te maken, voordat ze worden doorgevoerd in de campagne. Deze aanpassingen kunnen op vele niveaus gemaakt worden. Zo kunnen er wijzigingen gemaakt worden in de campagne-instellingen, maar ook in individuele biedingen.

Naast de mogelijkheid om deze concepten meteen door te voeren in de campagne is er ook de mogelijk om de gemaakte wijzigingen eerst als een experiment te testen. De adverteerder kiest een verdeling van het zoekverkeer, bijvoorbeeld 50 procent van de vertoningen. Na het instellen van deze verdeling gaat 50 procent van de vertoningen naar de huidige campagne en 50 procent van de vertoningen worden toegekend aan de experimentele variant van de campagne.

AdWords Concepten en Experimenten biedt de mogelijkheid een bepaald deel van het verkeer te gebruiken voor een experiment.

Tijdens het experiment presenteert AdWords een mooi overzicht met de campagneresultaten. In het overzicht worden niet alleen de gemiddeldes in bepaalde statistische categorieën van de A- en B-variant gepresenteerd, maar wordt er ook in het overzicht weergegeven of er significante verschillen zijn tussen deze gemiddelden.

Wat is de kracht van Adwords A/B-testen?

To test or not to test. That’s the question. De kracht van de AdWords Concepten en Experimenten functionaliteit is allereerst weten wanneer je het wel of niet moet toepassen. De extra optimalisatie moeite die een goede A/B-test in AdWords Concepten en Experimenten met zich meebrengt moet het namelijk wel waard zijn. De eerste overweging hierbij is: wat zijn de daadwerkelijke krachten en voordelen van AdWords Concepten en Experimenten?

Het minst zichtbare, maar misschien wel krachtigste antwoord hierop is dat AdWords Concepten en Experimenten in staat is wijzigingen in de kwaliteitsscore waar te nemen en het antwoord op de vraag: “Verschillen deze twee varianten significant?” mee te nemen. De kwaliteitsscore bestaat in hoofdlijnen uit de CTR van de advertentie, de relevantie van de advertentietekst en de ervaring op de landingspagina en AdWords Concepten en Experimenten neemt wijzigingen in deze factoren mee in de significantiebepaling.

“De kracht is dat AdWords Concepten en Experimenten gebruik maakt van informatie over de kwaliteitsscore.”

Allereerst is het door deze kwaliteitsscore interessant om de invloed van twee varianten van de landingspagina te testen op het aantal klikken en vertoningen in een campagne. De aanname is: een beter geoptimaliseerde landingspagina leidt tot een hogere kwaliteitsscore, daarmee tot een hogere advertentiepositie en uiteindelijk tot meer vertoningen en klikken.

Voor de introductie van AdWords Concepten en Experimenten was de snelste manier om een landingspagina te testen het aanmaken van twee exact gelijk advertenties per advertentiegroep met als enige verschil de landingspagina. Op basis van verschillen in vertoningen en klikken kon bepaald worden of er een significant verschil was in de kwaliteitsscore van de A- en B-variant. Bij deze methode kan het, afhankelijk van de hoeveelheid data, weken duren voordat er een significant verschil waarneembaar is.

AdWords Concepten en Experimenten gebruikt data over de kwaliteitsscore om een ‘significant indicatie’ te geven en is daardoor veel sneller in staat om aan te geven als er een significant verschil is in de gemiddelde advertentiepositie en daarmee het toekomstige aantal vertoningen en klikken. Uit onze ervaring blijkt dat AdWords Concepten en Experimenten het proces van landingspaginatesten voor een betere kwaliteitsscore kan terugbrengen van weken tot een aantal dagen.

Gebruik van Experimenten bij slim bieden

Naast het gebruik van de kwaliteitsscorekracht is AdWords Concepten en Experimenten de uitkomst om biedstrategieën te testen waarbij AdWords volledig de biedingen in een campagne managet, zoals doel-CPA-biedingen en doel-ROAS-biedingen. In het geval van deze automatische biedstrategieën is het namelijk niet nodig om beide de A- en de B-variant gelijk te houden.

Vraag je je af of de algoritmes van Google beter in staat zijn om op een CPA te sturen of op een ROAS-doelstelling? Dan wordt het tijd om dit te testen met de AdWords Concepten en Experimenten feature. Het algoritme van de Google gaat dan aan de slag met het aanpassen van de biedingen over de ene campagne waar jij de biedstrategie hebt ingesteld, en tegelijkertijd kun je de andere campagne optimaliseren om te kijken of je significant beter kan optimaliseren dan de algoritmes van Google.

Hierbij is het wel belangrijk om er rekening mee te houden dat er een aantal eisen zijn aan campagnes waar deze biedstrategieën getest worden (Uitleg van Google over slim bieden en de bijbehorende vereisten aan campagnes).

Als laatste biedt AdWords Concepten en Experimenten eindelijk de mogelijkheid de best practices van je bureau of bedrijf te testen in een eerlijke A/B-test. Dus vraag je je af of het nog wel zin heeft om een aparte advertentiegroep aan te maken voor het zoektype aangepast breed? Het antwoord uit onze test: nee. Of vraag je je af of rouleren voor klikken of verbeterde CPC inschakelen nou echt meer resultaat oplevert? Nu is het testbaar!

Voordelen van Adwords Experimenten
  • Sneller in staat significante verschillen waar te nemen bij wijzigingen die effect hebben op de kwaliteitsscore;
  • Best practices in campagne instellingen zijn nu testbaar zonder gebruik van tijdreeksanalyse;
  • Vooral geschikt voor het testen van doel-ROAS en doel-CPA biedstrategieën.
Nadelen van Adwords Experimenten
  • Alle wijzigingen buiten het experiment om moeten in beide varianten handmatig worden gelijk gehouden
  • Beide varianten worden in het campagne data overzicht gesplitst weergegeven
Waarvoor Adwords A/B-testen niet gebruiken?

Heel simpel antwoord: als een significant verschil makkelijker te bepalen is via een andere methode, zonder in te leveren op de kwaliteit van de A/B-test. Een bekend voorbeeld is momenteel het gebruiken van experimenten voor het testen van twee verschillende advertentieteksten. Deze experimentele opzet maakt gebruik van de kracht van AdWords Concepten en Campagne Experimenten om verschillen in de kwaliteitsscore waar te nemen.

Toch is dit niet de makkelijkste manier. Het toevoegen van twee advertentieteksten per advertentiegroep als A/B test minder tijdrovend doordat er geen constante wijzigingen in twee campagne varianten hoeven te worden gemaakt. Maar, het gebruik van onze interne best practices leidt meestal al tot een bovengemiddelde score op het advertentierelevantie onderdeel van de kwaliteitsscore.

Een tweede voorbeeld wat in veel artikelen wordt aangehaald als een reden een experiment in te zetten is het testen met Google zoekpartners als campagne-instelling. Ik denk dat het hier ook niet nodig is om Google Campagnes en Experimenten in te zetten, aangezien het verkeer van Google zoekpartners geen invloed heeft op het Google zoekverkeer. Via het aanmaken van een segment op basis van ‘Netwerk (Met zoekpartners)’ kunnen deze verschillende verkeersbronnen worden uitgesplitst en geanalyseerd. Het enige wat Google Campagnes en Experimenten hier kan bijdragen is het limiteren van de kosten door maar 50 procent van de campagne verkeer bloot te stellen aan deze extra kosten.

De zwakte van Adwords A/B-testen met concepten en experimenten

Zoals eerder genoemd maakte AdWords Concepten en Experimenten een einde aan tijdreeksanalyses en stelt het adverteerders in staat om bijna alle instellingen te A/B-testen door het campagneverkeer te splitsen over twee variaties.

In een goede A/B-test wordt één variabele aangepast ten opzichte van een controle variant en worden verder alle variabelen gelijk gehouden in beide variaties. Hier komt het grootste probleem van experimenteren in AdWords al om de hoek: het aanpassen van één variabele terwijl de rest gelijk blijft.

Bij het maken van een experiment in AdWords wordt eerst een concept aangemaakt op basis van de huidige staat van de campagne. Als je voor het lanceren van dit concept als experiment nog wijzigingen maakt in de campagne wordt deze dus niet gelijk gehouden in het experiment.

Een voorbeeld: een concept wordt aangemaakt in een campagne met Engelstalige zoekopdrachten naar rondvaarten in de Amsterdamse grachten. De adverteerder heeft momenteel de campagne gericht op mensen met Engels als browserinstelling. Nu weet de adverteerder dat er veel Spanjaarden mee gaan op de rondvaarten van zijn bedrijf. Dus wil hij testen of hij meer relevant verkeer krijgt als hij Spaans ook als targetting voor zijn campagne meeneemt.

Voordat hij het experiment lanceert wil hij het nog bespreken met zijn manager. In de tussentijd gaat hij verder met het optimaliseren van zijn campagne. Hiervoor wijzigt hij nog een aantal biedingen in de campagne. Helaas worden deze biedingen niet automatisch ook gewijzigd in het concept. Als hij een dag later zijn concept omzet in een experiment heeft hij dus een A/B-test met meerdere variaties: biedingen en taalinstellingen. Als de adverteerder twee weken later een significant verschil in het aantal conversies ziet weet hij niet of dit ligt aan het verschil in de biedingen of het verschil in de taalinstellingen.

Nu zal je denken: “Geen probleem! Ik moet gewoon niets wijzigingen terwijl ik een concept aanmaak.” Helaas houdt het hier niet op. Na het lanceren van een experiment heb je twee opties: niets wijzigen of handmatig alle wijzigingen in beide variaties doorvoeren. Voor de meeste accounts is het niet realistisch om over een periode van meerdere dagen of weken geen biedingen te wijzigen en een campagne niet te optimaliseren. Dus zit er niets anders op dan vanaf het lanceren van het experiment alle wijzigingen in zowel de A als de B variant door te voeren. Momenteel mist AdWords Concepten en Experimenten namelijk nog de feature waarbij alle instellingen & biedingen automatisch gelijk worden gehouden behalve de ene aanpassing die jij wilt testen.

Vandaar dat AdWords Concepten en Experiment het best ingezet kan worden binnen zijn kracht: het analyseren van verschillen in de kwaliteitsscore en het testen van slimme biedstrategieën zoals doel-ROAS en doel-CPA.

Wat zou de toekomst moeten zijn van Adwords Experimenten?

Om AdWords Concepten en Experimenten bruikbaarder te maken voor adverteerders moet er de mogelijkheid komen om alle variabelen constant te houden, behalve een enkele variatie. Op deze manier hoeven er niet constant biedingen binnen beide varianten gelijk gehouden te worden door de adverteerder. AdWords Labs lijkt hierin de eerste stap te zijn. Momenteel is AdWords Labs nog in bèta, maar zo gauw wij meer resultaten hebben met deze nieuwe functionaliteit zullen wij een blog schrijven over de mogelijkheden.

*) Dit artikel is ook gepubliceerd op de website van Traffic Builders

Google maakt cross-device retargeting mogelijk binnen Bid Manager

Meer dan 60 procent van de consumenten maakt gebruik van meerdere devices tijdens een aankoopproces. Voor een succesvolle retargetingstrategie kunnen marketeers hierdoor niet langer vertrouwen op één device om hun doelgroep te bereiken. Google speelt in op deze ontwikkeling door het mogelijk te maken cross device te retargeten binnen display en search campagnes.

Al in september 2016 kondigde Google al aan dat het cross-device retargeting mogelijk ging maken. Onlangs maakte het bedrijf bekend dat dit vanaf 15 mei ook echt mogelijk zal zijn binnen Google Analytics (bron: Google Analytics). Doelgroeplijsten vanuit Google Analytics worden automatisch verreikt met de verschillende device-id’s van een gebruiker. Hierdoor kunnen gebruikers cross device gevolgd worden. De Google Analytics-doelgroepen kunnen vervolgens worden gebruikt binnen zowel DoubleClick Bid Manager als Google Adwords. Hiermee wordt het mogelijk gebruikers die op het ene apparaat je website hebben bezocht op een ander device te retargeten met relevante content.

Hogere conversies tegen lagere kosten

Het mogelijk maken van cross-device retargeting zorgt ervoor dat het bereik van retargetingcampagnes binnen Bid Manager wordt vergroot met de verschillende apparaten van een consument. Hierdoor kunnen adverteerders een groter deel van hun onlinemarketing-uitgaven investeren in succesvolle retargetingstrategieën. Ook kunnen remarketinglijsten langer gebruikt worden doordat het vervangen van devices kan worden opgevangen. Bovendien krijgen adverteerders betere controle over de cross-device contactfrequentie van een campagne. Dit moet uiteindelijk bijdragen aan een toename in conversies tegen lagere kosten.

Wat gaat er veranderen?

Het was via Google Analytics-doelgroepen alleen mogelijk gebruikers te retargeten op het device waarop zij eerder een website hadden bezocht. Wanneer een gebruiker zowel via een smartphone als via een laptop op een website is geweest, komt deze gebruiker tweemaal terug in de Google Analytics-doelgroep. Er wordt hierbij geen link gemaakt tussen de verschillende apparaten van een consument. Heeft een gebruiker daarentegen alleen via zijn smartphone de website van een adverteerder bezocht dan kan deze niet geretarget worden op zijn tablet of laptop.

In de nieuwe situatie staat de gebruiker centraal en niet langer het apparaat van deze gebruiker. Wanneer een gebruiker een website bezoekt wordt dit bezoek gekoppeld aan zijn gebruikers-id. Deze gebruiker komt eenmaal terug in de doelgroep met alle devices die deze gebruiker eerder heeft gebruikt om op Google in te loggen.

Dit geldt ook wanneer een gebruiker via meerdere apparaten op de website van de adverteerder is geweest. De voordelen hiervan zijn dat het mogelijk wordt gebruikers te retargeten op verschillende apparaten zelfs wanneer een gebruiker slechts op één apparaat op de website van de adverteerder is geweest.

Daarnaast wordt het mogelijk om gebruikers die op het ene device hebben geconverteerd binnen campagnes uit te sluiten. Deze gebruikers worden niet langer geretarget met het product dat zij al gekocht hebben op andere apparaten. Ook wordt het mogelijk één cross-device frequency cap te hanteren in plaats van een frequency cap per device.

Om cross-device retargeting mogelijk te maken gaat Google gebruik maken van de inloggegevens van haar gebruikers, zoals bijvoorbeeld Facebook dat al langer doet. Daardoor blijft cross-device retargeting voorlopig beperkt tot ingelogde gebruikers.

Het is pas de tweede keer dat Google haar adverteerders toestaat gebruik te maken van inloggegevens na de introductie van customer match binnen Adwords in september 2015. Hiervoor stond Google altijd relatief restrictief (afgezet tegen bijvoorbeeld Facebook) tegenover het gebruik van inlog-data voor enig ander doel dan het doormeten van resultaten. Daarentegen zullen adverteerders mogelijk hun privacy beleid moeten updaten omdat aanvullende data (in de vorm van Google-accounts) wordt gedeeld met Google.

Het delen van remarketinglijsten vanuit Google Analytics naar DoubleClick Bid Manager is voorlopig alleen mogelijk voor Google Analytics 360-accounts. Dit zal de eerste groep zijn die ook daadwerkelijk gebruik kan gaan maken van cross-device retargeting in Bid Manager. Het delen van Google Analytics doelgroepen met AdWords accounts is al langer mogelijk voor alle adverteerders.

Hoe werkt het?

Google gaat de aangepaste doelgroepopbouw automatisch verwerken in alle doelgroepen. Adverteerders hoeven dus geen actie te ondernemen wanneer zij hun doelgroepen cross device willen opbouwen. Wanneer het opbouwen van cross-device doelgroepen niet gewenst is dan kan het verzamelen van remarketinggegevens uitgezet worden. Er zullen dan geen doelgroepen meer worden opgebouwd.

Doelgroepen kunnen binnen Google Analytics worden aangemaakt wanneer je het accountrecht hebt om te bewerken.

Bron: Google Analytics

Het aanmaken van een doelgroep binnen Google Analytics is mogelijk door te klikken op ‘doelgroepdefinities’ onder ‘beheerder’.

Bron: Google Analytics

Wanneer een doelgroep wordt aangemaakt moet deze gekoppeld worden aan een Google Adwords of DoubleClick Bid Manager-account. Belangrijk is dat dit bestemmingsaccount reeds gelinkt is aan het Google Analytics profiel waarbinnen de doelgroep wordt aangemaakt.

Wanneer een bestemmingsaccount is gekozen kan een doelgroep worden gedefinieerd aan de hand van de kenmerken van deze gebruiker (bijvoorbeeld demografische gegevens of de bron waaruit deze gebruiker afkomstig is) of het gedrag van deze gebruiker op de website van de adverteerder (bijvoorbeeld de duur van de sessie of bezochte pagina’s). Daarnaast kan de duur van het lidmaatschap worden vastgesteld. Dit bepaald de tijd gedurende welke een gebruiker tot een doelgroep wordt gerekend na het moment waarop deze gebruiker heeft voldaan aan de voorwaarden van de doelgroep. Hiervoor geldt een minimum van één dag en een maximum van 540 dagen.

Wat zijn de mogelijkheden?

Door de introductie van cross-device remarketing maakt Google het mogelijk ook zonder Data Management Platform (of externe tooling) gebruikers te volgen over verschillende apparaten. Hierdoor kan de customer journey van de gebruiker beter worden gevolgd en een cross-device strategie worden bepaald. Ook geeft dit adverteerders de mogelijkheid een cross-device frequentie te bepalen en advertenties op het ene device stop te zetten wanneer een consument op een ander device heeft geconverteerd. Dit zal uiteindelijk bijdragen aan de effectiviteit van retargeting en hiermee de verhoging van de ROI.

Gebruik een data driven attributiemodel, eenvoudige werken niet

Met de komst van nieuwe onlineplatformen wordt de customer journey steeds complexer. Het is inmiddels heel gewoon dat een customer journey een aantal touchpoints op verschillende platformen omvat voorafgaand aan een conversie. De uitdaging bij deze langdurige customer journeys is het bepalen hoeveel elk kanaal heeft bijgedragen aan die conversie.

Eenvoudige attributiemodellen werken niet

Meestal worden eenvoudige attributiemodellen gebruikt om inzicht te krijgen in hoe een kanaal presteert, maar dergelijke modellen zijn enorm willekeurig. Voorbeelden hiervan zijn de modellen Linear, Last-click, Last-AdWords click en First-click (zie afbeelding).

Deze modellen geven een vertekend beeld van de kanaalprestaties omdat ze primair zijn gebaseerd op aannamen, kennis van de business en een onderbuikgevoel. De kans dat kanalen worden over- of ondergewaardeerd is heel groot, terwijl dat nu juist moet worden vermeden om campagnebudgetten op effectieve en efficiënte wijze toe te kunnen wijzen.

Voorbeelden van eenvoudige attributiemodellen

In plaats hiervan moeten we een data driven attributiemodel hanteren

Dit vertekende beeld kan worden vermeden door een combinatie te gebruiken van businesskennis en data om een data driven attributiemodel te maken. Zo’n model omvat alle mogelijke combinaties van kanalen in een customer journey en evalueert de conversieratio daarvan op basis van historische data. Die informatie wordt gebruikt om algoritmisch te berekenen wat de toegevoegde waarde is van een specifiek kanaal op een specifiek punt in de customer journey.

Een veelgebruikt algoritme voor dit soort berekeningen is de Shapley-waarde uit de coöperatieve speltheorie. Ik ga daar nu niet verder op in, omdat die hier al uitgebreid wordt beschreven, en ook Google geeft een wat algemenere uitleg hier.

Shapley-waarde

De beperkingen van Google

Het is dus niet verrassend dat Google een data driven attributiemodel ter beschikking stelt voor hun Google 360 Suite. En hoewel dit een enorme verbetering is met betrekking tot het correct toeschrijven van kanalen met Google Analytics, heeft het door Google gehanteerde model een aantal belangrijke beperkingen. Hieronder ga ik kort in op de voornaamste daarvan:

  1. Alleen standaardkanaalgroepering
  2. Maximumlengte van customer journey
  3. Vooraf bepaalde businessregels
  4. Geen omni-channel attributie
1. Alleen standaardgroepering van kanalen

Ten eerste kan Googles data driven attributiemodel alleen waarden berekenen voor kanalen die volgens de standaardmethode zijn gegroepeerd (link). Dit betekent dat als je zowel een samengevoegd als gedetailleerd beeld wilt van de prestaties van jouw kanalen, je de standaardkanaalgroepering moet aanpassen in een aparte weergave om een ander perspectief te krijgen. Dit lost de beperking wel op, maar is behoorlijk foutgevoelig en bepaald niet gebruiksvriendelijk.

Voorbeeld van standaardkanaalgroepering

2. Maximumlengte van customer journey

Ten tweede werkt het model alleen met customer journeys die uit maximaal vier touchpoints bestaan (link), wat betekent dat een customer journey met meer punten wordt teruggebracht tot de laatste vier (zie de volgende afbeelding). Dit is een ernstige beperking voor bedrijven die producten verkopen waarvoor meestal meer dan vier interacties nodig zijn, door bijvoorbeeld een langdurige oriëntatiefase.

Maximumlengte van customer journey

3. Vooraf bepaalde businessregels

Ten derde zijn de businessregels die door Google op de data worden toegepast onbekend, en kunnen ze dus niet worden aangepast voor specifieke bedrijfs- of sectorkenmerken. De definitie van een customer journey is essentieel voor het data driven attributiemodel, omdat het algoritme de individuele customer journeys gebruikt om te attribueren. Zo kan een touchpoint kort na een aankoop worden gezien als deel van de loyalty loop van de vorige customer journey (link) in plaats van als het begin van een nieuwe customer journey van die klant.

Bovendien is het in sommige sectoren heel gewoon dat een klant meerdere keren de website bezoekt, voordat zijn vertrouwen is gewonnen en de eerste aankoop wordt gedaan. Maar zodra dit omslagpunt is bereikt, resulteert elk volgend bezoek in een aankoop. Deze aankopen zouden ook moeten kunnen worden toegeschreven aan de kanalen in het oriëntatieproces. Kortom, de meeste bedrijven en sectoren moeten hun customer journey zorgvuldig definiëren om een data driven attributiemodel effectief en efficiënt te gebruiken en de prestaties van hun kanalen op de juiste manier te bepalen.

4. Geen omni-channel attributie

Ten slotte is de belangrijkste beperking van Googles data driven attributiemodel dat er geen omni-channel attributie mogelijk is, omdat de customer journey is samengesteld met de gegevens uit de producten van Google. Het is dus wenselijk dat er touchpoints afkomstig uit andere bronnen dan die van Google (CRM, e-mail, winkel enzovoort) worden opgenomen in de customer journey, voordat het attributiemodel wordt gebruikt. Helaas is het model van Google niet geschikt voor externe databronnen, en kan het dus niet worden toegepast op rijkere datasets, die een completer beeld bieden van de omni-channel touchpoints in de customer journey.

De oplossing is een aangepast data driven attributiemodel

Naar aanleiding van de bovenstaande beperkingen van het model van Google besloot ik om zelf een data driven attributiemodel te ontwikkelen, dat deze beperkingen niet heeft en ook kan worden gebruikt met een basisaccount van Google Analytics.

In mijn attributiemodel heb ik ook de Shapley-waarde uit de coöperatieve speltheorie gebruikt. Het model is ontwikkeld met de open-sourcesoftware R (link). Met een combinatie van de flexibiliteit van R, ruim 1000 regels handgeschreven code en de ruwe data van het bedrijf, is het mogelijk om een eigen data driven attributiemodel te maken, dat kan worden aangepast en afgestemd op de behoefte van een bedrijf. In dit gedeelte leg ik kort uit hoe ik met dit model de beperkingen vermijd van Google’s data driven attributiemodel.

  1. Ondersteuning van aangepaste kanaalgroepering
  2. Ondersteuning van lange customer journeys
  3. Ondersteuning van aangepaste businessregels
  4. Omni-channel attributie is mogelijk
1. Ondersteuning van aangepaste kanaalgroepering

Het eerste grote voordeel is de mogelijkheid om meerdere sets kanaalgroeperingen te definiëren, waarmee de prestaties van een kanaal algoritmisch kunnen worden berekend. Met andere woorden, deze flexibiliteit biedt de mogelijkheid om eenvoudig in te zoomen op specifieke kanaalgroeperingen en de prestaties in detail te bekijken.

Ondersteuning van aangepaste kanaalgroepering

2. Ondersteuning van lange customer journeys

Het tweede grote voordeel is de mogelijkheid om de lengte van de customer journey aan te passen waarover het attributiemodel de kanaalprestaties berekent. Bedrijven die producten verkopen met een vaak lange customer journey kunnen dit aangepaste attributiemodel dus gebruiken zonder dat ze essentiële upper-funnel touchpoints hoeven uit te sluiten.

Ondersteuning van lange customer journeys

3. Aangepaste businessregels

Verder is een van de grootste beperkingen van Googles model dat alle businessregels over de customer journey vooraf zijn gedefinieerd en niet kunnen worden aangepast. Deze kunnen enorme gevolgen hebben voor de uitkomsten van het model, en kunnen en mogen dus niet worden gestandaardiseerd.

Dit is ook de reden dat mijn aangepaste data driven attributiemodel werkt met de ruwe data, zodat de gebruiker de businessregels die van toepassing zijn op de klant helder kan definiëren. Dit betekent dat er businessregels en sectorspecifieke regels kunnen worden gebruikt voor de customer journeys.

Daarnaast maakt dit het attributiemodel niet alleen bruikbaar voor alle bedrijven in verschillende sectoren, maar wordt het proces ook volledig transparant doordat alle details over hoe de toeschrijving wordt uitgevoerd, beschikbaar zijn en tot in detail kunnen worden verklaard.

4. Omni-channel attributie is mogelijk

Het aangepaste data driven attributiemodel is niet afhankelijk van de Google-omgeving en kan worden gebruikt met externe databronnen (CRM, e-mail, winkel enzovoort), waardoor omni-channel attributie mogelijk is. Met andere woorden, wanneer je een Data Management Platform (DMP) gebruikt dat gebruikers-ID’s van verschillende databronnen aan elkaar koppelt, kan het aangepaste attributiemodel worden gebruikt om algoritmisch de omni-channel prestaties te berekenen.

Maar er is nog meer

Behalve dat ik de beperkingen van het attributiemodel van Google wilde wegnemen, was ik ervan overtuigd dat er meer winst te behalen viel. Daarom heb ik een aantal extensies ontwikkeld die de output van het data driven attributie model nog waardevoller maakt. Ik denk dan aan mogelijkheden zoals een analysetool voor ‘Return on Ad Spend” (ROAS) en “Channel weight dashboard”.

De eerste tool geeft inzicht in het rendement van de uitgaven aan advertenties in elke aangepaste kanaalgroepering, op basis van de attributiewaarde en het budget dat in het kanaal is gestoken. Hierdoor kan beter worden bepaald hoeveel omzet elk kanaal genereert in verhouding tot de investering. Het dashboard biedt waardevolle inzichten in de prestaties van elk kanaal voor elke stap in de customer journey. Dit kan worden gebruikt om te bepalen in welke fase van de customer journey een kanaal het beste presteert. Het ligt voor de hand dat sommige kanalen beter zijn voor het vergaren van prospects, en sommige effectiever zijn bij het genereren van conversies.

Conclusie

Data driven attributie is een onwillekeurige, goede methode voor het vaststellen van de prestaties van een kanaal, en zou moeten worden gebruikt door alle bedrijven die willen weten wat het effect en de resultaten zijn van hun marketingbudgetten. Door het gebruik van de ruwe data kunnen we het attributiemodel volledig personaliseren voor elke business door middel van aangepaste businessregels, de lengte van de customer journey en de kanaalgroepering.

Daarnaast is het essentieel dat data driven attributiemodellen flexibel zijn en kunnen worden gebruikt met uiteenlopende databronnen. Dit is vooral belangrijk omdat customer journeys steeds complexer worden en de grens tussen offline en online vervaagt. Dat vraagt om een omni-channel benadering. We moeten dus allemaal onze huidige attributiemodellen inwisselen voor een data driven attributiemodel, zodat we onze kanalen niet over- of onderwaarderen.

Integratie online en offline analytics blijft onbekend terrein

Voor de meeste bedrijven is het combineren van webanalytics en data uit tv, radio of print nog onbekend terrein. Dat bevestigen diverse experts. Wel zeggen ze de vraag naar oplossingen voor deze uitdaging te zien toenemen. Er wordt gezocht naar integratiemogelijkheden. Men is al in staat onderin de funnel, dicht op het koopmoment, nauwkeurig te meten hoe gebruikers zich bewegen en reageren op iedere uitgegeven marketingeuro. Maar of en hoe een merkcampagne op tv concreet de conversie beïnvloedt is voor velen nog gissen.

Dit is zo complex omdat de controlemogelijkheden in de ‘oude wereld’ over het algemeen veel beperkter zijn dan in de digitale, vertelt Simon van Duivenvoorde van Wakoopa. En soms is er ook gewoon sprake van een gebrek. Kun je tags en cookies plaatsen dan zijn de mogelijkheden natuurlijk heel anders dan wanneer er alleen een uitzendschema voor handen is.

“Maar het echte probleem is natuurlijk dat het bereik en effect van traditionele media wordt gemeten met behulp van een onderzoekspanel”, reageert Pieter van Geel van Greenhouse Group. Hij doelt bijvoorbeeld op de tv-kastjes die bij een hele kleine groep Nederlanders de kijktijd meten. “Er is dus geen één-op-éénkoppeling tussen dit panel met de webanalytics”, legt hij uit. “Momenteel kun je alleen analyses doen op een geaggregeerd niveau. Het resultaat is dat je de koppeling tussen traditionele media en webanalytics alleen probabilistisch kunt maken. Op basis van een kansberekening dus.”

“Attributie-vaststelling wel degelijk mogelijk”

In een onlangs verschenen artikel wordt de huidige manier van attributie-vaststelling ter discussie gesteld. Voor de conversie-attributie zoals we die nu kennen wordt onvoldoende gekeken naar de totale customer journey. De meeste online bedrijven laten offline media gewoonweg links liggen. Het resultaat: er is zo’n nadrukkelijke focus op online media dat de offline kanalen er vanzelf uit worden ‘geoptimaliseerd’.

Geloven doen de experts dat zeker niet. “Ja, kijk je naar de attributiewaarde die tools zoals Google Analytics nu toekennen aan de kanalen dan zal dat inderdaad een vertekend beeld geven. Voor zulke oplossingen blijft het lastig offline media te betrekken bij websitebezoek en conversie”, zegt Johan Walda, Data Scientist bij MeMo2. “Maar we zijn tegenwoordig omringd door tal van digitale apparaten. Dit zorgt ervoor dat media als televisie ook een direct effect hebben op online doelstellingen.”

Bij het gebruik van een model waarin offline en online media samenkomen, is het volgens Walda bijvoorbeeld logisch naar zogenaamde ‘pull visits’ te kijken. De mensen die zijn aangespoord om zelf op zoek te gaan naar meer informatie. “Gaat een consument direct na het zien of horen van een reclamespot naar de website van de adverteerder dan is dat direct verkeer of via een betaald (SEA) of onbetaald (SEO) zoekresultaat. Die pull-visits zijn voor ons de basis voor de berekening van het spot-effect.” Zo wordt de verandering in een online metric op minuutniveau aan de Gross rating points (GRP’s, reclamebereik) gekoppeld.

“Integratie on- en offline geen sinecure”

Ook Van Geel gelooft er niet in dat de huidige mogelijkheden voor attributie onbruikbaar zijn of zelfs zouden leiden tot alleen maar meer online besteding. In tegendeel, reageert hij. Door onder meer de conversie-attributie, tv-attributie en media mix modelling – een ideale mediamix op basis van de touchpointwaarde – te combineren kunnen analisten heel goed het effect van ieder mediumtype bepalen. “Zolang er maar variatie zit in de historische inzet van dit mediumtype. Zelf hebben we voldoende cases die aantonen dat traditionele media effectiever zijn en dus meer budget rechtvaardigen dan de online acquisitie.”

Van Geel geeft wel aan dat de integratie van on- en offline geen sinecure is. Traditionele media worden veelal nog ingezet met andere doelstellingen. “Zulke ‘brand metrics’ zijn met webanalytics inderdaad minder makkelijk te meten. Maar we doen dit al volop voor klanten, onmogelijk is het dus niet. Belangrijk is om rekening te houden met de doelstellingen en inkoopmogelijkheden van een mediumtype. Het heeft natuurlijk geen zin om televisie, vaak ingezet voor de herkenbaarheid, te vergelijken met branded search of retargeting voor sales. Er zal in ieder geval afstemming moeten zijn tussen alle betrokken partijen. In mijn ervaring ontbreekt dat, zeker bij onderzoeksbureaus, geregeld.”

De experts geven aan dat er nog wat uitdagingen zijn, maar door slim samen te werken met adverteerders en publishers een aanzienlijk deel van de puzzel te kunnen leggen. Van Geel: “Daar ben ik van overtuigd. Binnen afzienbare tijd is het mogelijk alle media en touchpoints te koppelen.”

Workshop: aan de slag met call tracking

Weet je eigenlijk hoeveel telefoontjes je website precies oplevert en via welk marketingkanaal deze binnen komen? En wat de waarde ervan is? Door nieuwe advertentievormen als click-to-call neemt dit soort verkeer alleen maar toe. De ROI meet je met call tracking.

  1. Ben je al bekend met het fenomeen call tracking op websites?

Ja: Mooi, want met deze toepassing kan je telefonische conversies via de website of andere online kanalen makkelijk meten en beoordelen.

NeeMet call tracking krijg je inzicht in hoeveel telefoontjes je via welke marketingkanalen ontvangt. Als je er nog geen gebruik van maakt, wordt de mogelijke conversie en oorsprong van de sessie niet altijd meegenomen in analyses. Het gevolg: incomplete conversiedata, onjuiste attributie en toekenning van marketingwaarde, én een inaccurate return on investment. Met call tracking meet je dit wel. Wat zinvolle data oplevert, dan wel maakt het de data die wél hebt compleet.

  1. Wist je dat bellen met een bedrijf absoluut niet uit de tijd is?

Ja: Consumenten bellen inderdaad nog steeds graag met een bedrijf en dat wordt ze online ook steeds makkelijker gemaakt door ‘click-to-call’-linkjes.

Nee: Google is vorig jaar gestart met call-to-action buttons. Zo kan je vanuit een AdWords-advertentie direct contact met een bedrijf opnemen, wat voor meer telefonisch verkeer zorgt. Bij de aanschaf van ingewikkelde of dure producten, verzekeringen, schademeldingen of bij B2B-transacties geeft de klant zelfs de voorkeur aan bellen. Want ze willen zoveel mogelijk informatie verzamelen op de simpelste manier. En dan blijkt bellen vaak de eenvoudigste optie. Klik hier voor meer info.

  1. Weet je wat je allemaal met call tracking kan meten?

Ja: Top. Eigenlijk meet je dezelfde zaken als bij webconversies. Alleen voeg je nu ‘de missing link’ aan je Google Analytics of een ander systeem toe.

NeeDoor een uniek telefoonnummer te koppelen aan een kanaal, sessie of klant, achterhaal je welke marketingkanalen, campagnes, sociale media, advertenties en zoekwoorden leiden tot contact met jouw bedrijf. De afzonderlijke nummers blijven actief, maar hun functie vervalt na een aantal keer, om dubbele meting te voorkomen. Goed om te weten: call tracking is dus ook toepasbaar op platformen als Facebook, binnen een nieuwsbrief en alle andere bronnen die in Analytics verpakt zitten.

  1. En dat je ook goed de effectiviteit van offline campagnes kan meten?

Ja: Reclame-uitingen op abri’s, in tijdschriften en kranten en op radio en televisie kunnen inderdaad ook per campagne of kanaal een uniek telefoonnummer krijgen.

Nee: Behalve oproepconversies naar aanleiding van online-advertenties, zijn ook offline marketingcampagnes te meten. En omdat je de data van call tracking kunt integreren met je Analytics-account, kan je alle data onder één noemer samenvoegen. Een apart nummer op een poster, flyer of een tijdschrift telt als een eigen kanaal. Is een telefonisch contactmoment creëren een van de doelen van jouw campagne? Dan is dat via deze methode dus gemakkelijk meetbaar te maken. Klik hier voor meer tips.

  1. Weet je wat het jouw onderneming concreet kan opleveren?

Ja: Precies, jouw marketingbudget kan je slimmer inzetten waardoor je kosten bespaart, dan wel meer conversies kunt halen uit hetzelfde budget.

Nee: Door het complete overzicht van alle data krijg je een beter inzicht in de effectiviteit van campagnes. Heb je het budget wel in de meest doeltreffende campagnes geïnvesteerd? Mogelijk leiden je marketinginspanningen namelijk tot weinig online conversie, maar zorgen ze wel voor veel telefonische leads. En zou je bijvoorbeeld budget kunnen verschuiven naar betere telefonische ondersteuning, zodat er minder waardevolle leads verloren gaan. En dan is er nog de opkomst van voice-assistants. 

  1. Welke software of diensten je hiervoor kan gebruiken?

Ja: Er is al een handvol partijen die jou kunnen helpen met het opzetten van een goede infrastructuur. Je bent zo ‘in business’.

Nee: Voor bedrijven en marketeers zijn er verschillende aanbieders van calltracking-software. Van Nederlandse bodem bieden AdCalls en 4Tele een uitgebreid pakket. Verder zijn er talloze buitenlandse aanbieders wiens service ook in Nederland beschikbaar is. Denk aan What ConvertsCall Tracking MetricsCall Tracks, Avidtrak en FreeSpee. Daarnaast is Google zelf bezig om wereldwijd zijn eigen call tracking-service uit te rollen. Deze is echter nog niet beschikbaar in Nederland. Meer weten over alternatieven? 

  1. Weet je wat je moet aanpassen in jouw organisatie?

Ja: Zoals met veel services is dat zo geregeld. Al met al moet je met de meeste aanbieders binnen een paar uur up & running zijn.

NeeEr zijn globaal vier stappen te zetten: twee op het gebied van marketing en twee technische. Maak allereerst een doel aan in je analytics-account en importeer deze in je AdWords-campagne. Daarna plaats je de scripts en de code voor de telefoonnummers die je gebruikt. Afhankelijk van de hoeveelheid nummers ben je hier binnen een aantal uur mee klaar. Werknemers kunnen na elk gesprek de waarde van het gesprek invoeren en de conversie vastleggen.

  1. Natuurlijk wil je ook nog weten wat de kosten zijn, toch?

Ja: Als vuistregel geldt: reserveer ongeveer één procent van je AdWords-budget voor een call tracking toepassing.

Nee: Gemiddeld kost een abonnement zo’n zestig euro per maand voor duizend sessies. Voor elke duizend meer betaal je ongeveer tien euro. Grote klanten zullen rond de honderdvijftig tot tweehonderd euro per maand kwijt zijn. Breng dus eerst in kaart welke marketingkanalen je wil meten, hoeveel geld je erin steekt en hoeveel sessies je daaruit haalt. Pas dan kan je het rendement goed in kaart brengen en vervolgens beter investeren. Nu aan de slag, succes!

*) Dit artikel verscheen eerder in het maartnummer van Emerce magazine (#156) en is tot stand gekomen met input van Jeffrey Verhoek, Addcalls.

Page generated in 1.569 seconds. Stats plugin by www.blog.ca