“Echt Evidence Based werken”, een gedurfde titel die we graag wat verder toelichten. In het digitale marketing vakgebied wordt de term ‘data gedreven’ vaak gebruikt, maar dit is niet altijd terecht. Het is een term die namelijk vaak voor automatisering wordt gebruikt en juist geen of nauwelijks inzicht in data biedt. Ook inhoudelijk handelen op basis van kwalitatieve data wordt hier veelal niet op toegepast. Wij werken niet data-gedreven, wij werken Evidence Based. Wij proberen vooruit te kijken op basis van data en expertise. Bewijsvoering is een belangrijk onderdeel van onze claim! Dit artikel richt zich op onze Evidence Based aanpak binnen Google Ads en Social Advertising inclusief een case uit de praktijk.
Niet elke markt heeft voldoende continuïteit om algoritmes optimaal te laten functioneren
Bij één van onze klanten is dit sterk het geval. Het is een grote markt (fashion), elke week lopen de campagnes anders en is de lijn van ROAS (Return On Ad Spend), omzet en bereik totaal verschillend. Dit heeft te maken met een snel wisselend aanbod, hevige concurrentie en natuurlijk het gedrag van de consument zelf. Deze ‘invloeden’ komen bovenop de ‘normale invloeden’ zoals salary-day/week en seizoenen.
Het resultaat van echt Evidence Based werken
Voordat we inspelen op hoe en wat we gedaan hebben, eerst de resultaten! De onderstaande grafieken zijn duidelijk! Grafiek 1 toont een eerdere periode waarbij we minder kwalitatieve data hadden en budgetten in grote lijnen uitgaven voor een langere looptijd. Hierbij zie je dat de kosten redelijk continu blijven, tenzij we de budgetten hebben aangepast. Grafiek 2 laat zien hoe we meer richting de tandenses van de markt proberen te werken met de budgetten. Je ziet hier veel vaker een lijn die overeenkomt met de trend. Het effect, meer grip op omzet en ROAS.
Grafiek met continu budget
Grafiek met Evidence Based budget optimalisatie
Onze data-gedreven aanpak
Omdat wij merken dat onder andere Google en Facebook toch relatief continu budgetten uitgeven, ongeacht of prestaties beter of slechter worden, zijn wij ‘anders’ gaan werken omtrent de budgetverdelingen. Onze werkwijze wordt ook niet door deze partijen ondersteunt en is niet voor elk account geschikt, maar na testen zien we echt positieve significante verschillen. Een belangrijke eis, voldoende tijd en een markt waarbij bij- en afschalen ook echt effect heeft (dus voldoende volume).
Hoe we Evidence Based te werk gaan
We zijn uitgegaan van een intensieve aanpak waarbij we regelmatig, naast dagelijkse controle, drie vaste moment per week hebben waarin we beslissingen maken over onze campagne strategie van de paid kanalen. Hierbij hebben we per ‘keer’ twee stappen genomen voordat we gingen handelen:
1.)- Een check van data van de huidige week of afgelopen dagen waarbij we kijken of deze patronen in lijn der verwachting liggen.
2.)- Dezelfde dag nog een check en besluit om budget te verhogen of te verlagen op basis van de zichtbare patronen op korte termijn. Hierbij kijken we naar de cijfers op campagneniveau en zorgen we ervoor dat het geld aan de juiste campagnes wordt uitgegeven.
Deze ‘cyclus’ herhalen wij drie keer per week. Zo baseren we op maandag de kans van slagen voor de komende week op basis van data van de week ervoor. Checken we woensdag of de patronen in lijn van verwachting zijn en nemen we vrijdag de keuze met als focus het weekend.
Het klopt dat toeschrijvingen nog niet volledig zijn doorgevoerd en prestaties met terugwerkende kracht worden toegekend, maar we hebben vooral naar patronen gekeken die vanuit kwantitatieve en betrouwbare data garant lijken te staan voor succes. Op basis van de tendensen nemen we prognoses op wat we moeten doen met de budgetten.
Hoe hebben we onze keuzes gemaakt?
Om zo snel mogelijk te groeien, hebben we in het begin gewerkt met een redenering als volgt, voorbeeld:
We willen een minimale ROAS van 10 (1.000%) realiseren. Als we een aanzienlijk betere ROAS gingen halen (bijvoorbeeld 13), verdubbelde we de budgetten. Wanneer we dichtbij de doelstelling waren (bijvoorbeeld ROAS 9 t/m 11) lieten we de budgetten voor wat het was. Bij slechtere resultaten dan verwacht (onder de 9 ROAS), halveerde we de budgetten. Op deze manier konden we heel snel veel verschil in uitgaven realiseren.
Later in dit project hebben we een andere, en iets veiligere aanpak ingezet. Deze aanpak was op basis van percentages gebaseerd. Als we 30% hoger zaten in de ROAS, verhoogde we de budgetten met 30%. De gedachte hierachter was dat we nog dichter bij de realiteit bleven en minder risico namen. Je ziet hierdoor minder grote stappen. Maar ook minder verlies als het resultaat minder goed werd.
Deze beide opties zijn situationeel. Wil je heel snel groeien of wil je uiteindelijk voorzichtiger groeien?
Benodigdheden voor deze Evidence Based aanpak
- Zo optimaal mogelijk ingerichte Analytics. Het is van belang dat alle kanalen en campagnes optimaal gemeten worden. Ook UTM tagging is hierbij van groot belang, zodat we op basis van een segment / doelgroep prestaties kunnen toekennen en deze direct aan een budget kunnen koppelen.
- Een duidelijke backlog om patronen en opvallendheden te noteren. Als je dit niet doet, kan je later nooit terugvinden waarom in welke periode bepaalde keuzes gemaakt zijn. Zoals concurrentie met hoge kortingen, of zeer slecht weer in zomer betekent minder verkoop van zomerjurkjes et cetera. Het is daarbij belangrijk om ook in statistieken te spreken.
- Heldere doelstellingen: Enkel een ROAS of omzetdoelstelling is niet optimaal. Je wilt juist een combinatie van beide. Waarom? Dit omdat we snel willen schakelen als de potentie hoog of juist bedreigend is. Stel de ROAS doelstelling is 10 (1.000%) en de omzetdoelstelling is €50.000. De situatie is nu zo dat we een ROAS van 13 (1.300%) hebben en het vertoningsaandeel is 70%. Door het verschil in ROAS in budget toe te voegen, zorgen we ervoor dat we meer bereik realiseren met een grote kans op een hoge ROAS. Worst-case: Stel we verhogen dit met 30% en deze levert niks op, zouden we nog steeds een ROAS van 10 behaald hebben. Best-case, meer omzet tegen een hele mooie ROAS!
- Secundair aan deze aanpak, maar wel van groot belang om in acht te nemen: Herhaalaankopen in kaart brengen. Dit kan je doen middels een CDP (Customer Data Platform zoals EffectiveProfiles) of een geavanceerd CRM-systeem (Customer Relationship Management). Het is hierbij van belang om de eerste en latere aankopen aan een bron van conversie te kunnen toewijzen. Hierdoor kan je de impact van een nieuwe klant benadrukken. Deze kan je niet direct in je ROAS meerekenen, maar wel de doelstelling op ROAS verlagen omdat je weet dat het in feite meer waard is dan de directe / eerste aankoop (stel 20% besteld later nog een keer = 20% meer omzet dan wordt toegekend).
Belangrijke conclusies
- Data moet echt goed meetbaar zijn. Er mogen geen grote gaten van ‘onbekend’ ontstaan om op een dergelijke manier te kunnen werken. Tagging en metingen moeten daarom zo goed mogelijk op elkaar aansluiten.
- Onnodig veranderingen maken, zorgt ervoor dat algoritmes (zeggen ze: Het wordt vanuit support aangegeven en ook via deze link zie je Google haar advies) niet goed kunnen lopen. Wanneer een markt / product erg stabiel is, zou ik niet aanraden om op deze wijze te werken. Het kost dan ook te veel tijd en zal vrij weinig verschil maken. Is de markt wel één die hard op en neer gaat door diverse factoren? Dan is dit het testen waard.
- Maak prognoses op basis van patronen waar je meerdere malen (90% van de gevallen) een gunstig eindresultaat op bereikt. Dus stel, de ROAS is op maandag 8, dan is de kans groot dat er nog aankopen moeten worden toegeschreven en uiteindelijk op 10 komt. Als je dit goed in kaart hebt, kan je prognoses maken.
- Tijd is van belang. Het is een intensieve aanpak. Het is niet verstandig om dit te doen met een relatief klein account omdat het aantal uren dan niet rendabel te maken zijn tegen de omzet en ROAS die dit oplevert.
Tot slot onze filosofie hierachter: Evidence Based werken is niet aan het einde van de maand kijken hoe het beter had gekund + bewijs te leveren dat de optimalisaties effect hebben gehad, maar proberen te voorspellen wat er gaat gebeuren op basis van data en insights. Data en insights komen niet alleen uit Analytics of een CDP/CRM, maar ook uit marktsignalen (toename bereik en omzet), concurrentie (sale van concurrentie bijvoorbeeld) en kennis vanuit het merk zelf (lancering nieuwe collectie, kortingen et cetera). De prognoses die je maakt moet je altijd controleren en waar nodig ingrijpen als de verwachtingen anders lopen. Dit spreekt veel ‘data-gedreven specialisten’ tegen, maar vanuit ons een situationele case met groot succes. Ben je benieuwd wat onze Evidence Based aanpak voor jou kan betekenen? Neem dan contact met ons op en wij gaan graag samen naar alle kansen kijken!