Gelukkig is daar Marketing Mix Modeling. Een model wat je alles aan elkaar laat knopen en inzichten geeft in waar je marketing het meest effectief ingezet kan worden. Dat klinkt eenvoudig maar is het niet. Je kunt zelf zo’n model bouwen. From scratch. Bij ZIGT hebben we gekozen voor de oplossing genaamd Robyn. Robyn is ontwikkeld door Meta waar ontzettend veel slimme data scientists werken. Het houdt rekening met het uitgestelde effect van media inzet, maar ook met verzadiging. Elke toegevoegde media-eenheid voegt waarde toe, maar in afnemende hoeveelheid. Bovendien is het open source. Dat maakt het transparant en we kunnen het naar hartenlust moduleren.

Hoe werkt Marketing Mix Modeling?

Maar hoe werk MMM in de praktijk nu echt? We doen dit bij ZIGT op dit moment voor een aantal klanten en de meeste trajecten lopen nog. De eerste analyse die afgerond is, die van Stoov warmtekussens, laat meteen duidelijke resultaten zien.

Maar voordat we naar die resultaten gaan, eerst wat context. Stoov maakt warmtekussens. Die zijn uniek omdat ze -in tegenstelling tot andere warmtekussens- draadloos zijn. Ze komen in vele vormen, kleuren en designs. En geschikt voor gebruik binnen- en buitenshuis. Relevant is ook dat Stoov een direct to consumer webshop is. Via media-exposure willen ze consumenten naar hun site krijgen die daar overgaan tot aankoop van een of meer kussens of dekens. Stoov bestaat inmiddels een aantal jaren. Daarmee zijn ze de titel startup wel ontgroeid, en zijn ze nu een scale-up. Gericht op schaalvergroting en groei dus.

Optimaal modeling met geaggregeerde data

Net als voor andere scale-ups geldt dat het marketingbudget van Stoov niet oneindig is, en dat iedere euro maar één keer uitgegeven kan worden. Onder meer met TV billboarding (‘dit programma wordt mede mogelijk gemaakt door’) en out of home campagnes, is er flink gewerkt aan de naamsbekendheid. Met social advertising wordt een meer salesgedreven koers gevaren. Omdat Stoov alle data met ZIGT deelt -let wel, geaggregeerde data dus niet privacygevoelig- kunnen we het model optimaal laten draaien. We voeren Stoov-data zoals totale sales per dag, facebook impressies enzovoorts in het model. Van buitenaf voeren we openbare data in. Hoe koud was het, wat was de gasprijs, liep er een kortingsactie, en wat was het consumentenvertrouwen. Noem het maar op, als het relevant is voor het merk kan het mee in het model. En ook belangrijk: wat doet je concurrent? Zijn die volop aan het blazen met kortingen? Dan heeft dat effect op jouw advertising én sales en moet je dat meenemen in de modellen.

Het model geeft je, reactief, heel veel inzicht in je kanalen en bijbehorende prestaties. Zo krijgt bijvoorbeeld Stoov inzicht in welke feestdag goed past bij hun merk. Maar ook dat een kwart van de sales via Facebook ads komt. Terwijl daar de helft van het budget heenging. Bij search (vooral adverteren op Google) was het precies andersom. Zo kunnen we schuiven met budgetten om de ROAS te verhogen, waarbij we verder kijken dan attributie op basis van last-click. We zagen dat er best een substantieel bedraag werd uitgeven werd aan Facebook. Terwijl dat geld of bespaard of efficienter elders ingezet kan worden.