I forbindelse med måling og analyse af kampagnebaseret marketing (modsat always on marketing) har vi hos Spinnaker Nordic benyttet os af ‘Alpin Modellen’. Denne model benytter vi både til at illustrere af hvordan vores kampagnebaserede planlægning fungerer praksis, men også i forhold til at evaluere på effekten af kampagnen.
Ideen med at drive online annoncering kampagnebaseret består i dette tilfælde i at levere et enkelt budskab eller en række budskaber med et enkelt mål for øje. Vi ser typisk at denne form for kampagneplanlægning fungerer godt til at opnå en høj frekvens (at man rammer sin målgruppe mange gange), og dermed en efterspørgsel som efter indstilling af kampagnen kan måles direkte – eksempelvis i brand efterspørgsel på søgemaskinen, på walk-ins i fysiske butikker eller websidetrafik og eventuelt direkte salg.

Alpin Modellen – egnede kanaler

Af kanaler der egner sig særdeles godt til denne form for kampagner kan følgende nævnes:

  • RTB / Programmatic
    Display eksekvering via Real Time Bidding giver mulighed for både at skabe stor reach i meget korte perioder – eksempelvis i samme eller efterfølgende minuttal og som supplement til en TV kampagne. 
  • Social Media Ads
    Både på Facebook, Instagram & Snapchat er det muligt at opnå store andele eksponering i korte perioder. Afhængigt af målgruppen er det muligt at planlægge et tiltag som rammer målgruppen meget præcist, og dermed bidrager til den samlede effekt af en kampagne under Alpin Modellen. 
  • Email-marketing
    I og med at man kan opnå stor eksponering mod en målgruppen man har indsamlet permission på i fastsatte tidsrum, giver det mening at benytte e-mail marketing, i så fald at eksisterende brugere er en del af målgruppen for den givne kampagne. 
  • (Google AdWords)
    Google AdWords er ikke set som en klassisk ‘reach’ kanal, grundet Google’s metodik omkring annonceomkostninger ift. relevans – derfor parantesen ovenfor. Dog er der en unik mulighed i Google AdWords, som kan give enormt store eksponeringsanddele og trafik – ved at benytte meget brede generiske søgeord. Derfor vil det kræve en helt unik og typisk anderledes annoncestruktur end den praktisk mest anvendte til performance annoncering. 

Effekten ved brug af Alpin Modellen

Hvis man taler om effekten af kampagner hvor målet er at komme bredt ud, er det nødvendigt at se langt ud over blot kliks og trafik til et website. Ved brug af en ad server til opmagasinering og analysering af data fra en kampagne, er det muligt at analysere på både, klik, visninger og eventuelle salg – men det mest interessante data-grundlag er som oftest den efterspørgsel som en kampagne skaber efter at den er eksekveret – ikke mens den kører.
Vi har haft succes med at se relationen i brand efterspørgsel (og dermed også indirekte trafik til hjemmeside, og evt. walk-ins til en butik eller konverteringer/salg). Med andre ord afføder kampagner i ‘branding-kategorien’ selvfølgelig salg, men i og med at forbrugerrejsen som oftest er meget svær at måle ved hjælp af cookie teknologi (Google AdWords, Google Analytics etc.) er det nødvendigt at opstille eksponeringer, annoncekroner mv. fra en kortvarig men tung kampagne op imod blødere metrikker. Det vi har oplevet er kort fortalt at man kan se en direkte relation mellem kampagnen og eksempelvis søgninger på Google på brandet eller produktet efter kampagnen er eksekveret. Denne kan ses i den ‘hale’ som efterfølgende kampagnen er eksekveret viser sig i efterspørgslen i form af søgninger på det givne navn, ord eller udtryk på Google. Indirekte give dette så trafik – som i andre rapporteringsløsninger (Google Analytics mv.) vil være skjult da den typisk vil forekomme i meget små udsving på tre kanaler:

  • Brand trafik fra Google
  • Direkte trafik
  • Organisk trafik til forsiden

Du vil ud over at kunne se tre ovenstående faktorer være en faktor, også opleve øget CTR på betalte annonceringskanaler i den givne periode (med en ‘hale’ efterfølgende jf. Alpin Modellen) – dette eksempelvis på Facebook annoncer, AdWords annoncering mod generiske ord, display annoncering som eksempelvis DCO (Dynamic Creative Optimization som kendt fra AdWords Dynamic Remarketing, Facebook Product Ads eller Criteo.).

Hvornår passer Alpin Modellen

Det vigtigste ved brug af denne model er at der er et væsentligt større pres på eksponeringerne mod målgruppen end der vil være normalt udenfor kampagneperioder. Jo større dit annoncebudget er til daglig, jo større bør din kampagnes budget ved brug af Alpin modellen være, for at give dig data til at måle effekten og for overhovedet at opnå den reach forskel som kampagnen har brug for. De mest tydelige eksempler ses ved to typer kampagner:

  1. Helt nye produkter eller brands, uden megen efterspørgsel på forhånd
  2. Større brands eksempelvis i FMCG branchen som kører kampagner med en faktor 100 i annonceforbrug sammenlignet med den normale drift

En faktor 100 reglen en udemærket målestok for hvor meget der skal til for at skabe en direkte målbar efterspørgsel, men hvis annoncebudgettet og efterspørgslen er stort set ikke eksisterende på forhånd vil det som oftest være nemmere at måle og visualisere en effekt eller ovenstående nævnte ‘hale’ på en graf efter kampagnen har kørt.

Hvornår virker Alpin Modellen ikke

Det har vist sig at det kan være svært at måle performance ved meget konkurrenceprægede brancher, hvis der er en speficik efterspørgsel på markedet i den givne periode for samme eller lignende produkter. Et godt eksempel var software løsninger i forbindelse med eksekvering af GDPR tiltag for virksomheder i og op til maj 2018. I denne periode benyttede advokater og diverse konsulenter hundredevis af millioner kroner på annoncering og forskellige typer af eksponering på at reklamere for mod B2B målgruppen. Her viste det sig at en faktor 100 for øgning af budget ikke er nok til at kunne måle den efterfølgende hale som er karakteristisk for Alpin Modellen. Det samme vil gøre sig gældende hvis man kører en kampagne omkring julegaver op til jul – her er efterspørgslen så stor i forvejen at der skal mere til før målgruppen reagerer – hvilket er det som der skal ske før at nogle af de metriker som man benytter til at måle efterspørgsel på slår ud.

Hvordan kommer jeg igang med Alpin Modellen

Vi har udviklet en række data ark i Google Sheets, som vi gerne deler med dig i forbindelse med et samarbejde. Heri kan du indsætte dine egne efterspørgselstal, udgifter og hernæst visualisere grafen som viser den hale som marketing kampagnen med Alpin Modellen har skabt. Google Sheets modellen kan eksporteres til Microsoft Excel hvis du foretrækker at arbejde i dette, og vi har også haft success med at benytte Google Data Studio til afrapportering og data visualisering.
Kontakt os i dag, og få en dialog omkring du kan komme igang med at måle på dine marketing tiltag, og få assistance til et projekt der matcher dine behov i forhold til måling og analyse.