1

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

2

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

Hvilke onlinekanaler bidrager med effekt og skaber salg? Og hvordan besvarer man som annoncør bedst forbrugernes digitale efterspørgsel? Mindshare intro-ducerer en ny statistisk model og et framework for en indsigts- og effektbaseret a-z strategi.

Vi lavede på Mindshare i foråret en omfattende analyse af hvor-dan de enkelte onlinekanaler (search, affiliate og display) bidra-ger til at skabe onlinesalg.

Konkret analyserede vi ad-serving data for henholdsvis Star Tour og Hi3G og byggede på baggrund af denne en statistisk model, der blandt andet skulle hjælpe med:

> Bedre budgettering mellem kanalerne

> Forståelse for hvor meget effekt, der kan tilskrives den sidste interaktion i forhold til de foregående interaktioner

> Forståelse for hvor meget af et banners effekt, der kan tilskrives eksponeringen og hvor meget, der kan tilskrives klikket

> At beskrive synergien ved at anvende flere onlinekanaler, herunder Behavioral Targeting

Ved samme lejlighed var det relevant at få beskrevet forbruge-rens anvendelse af digitale medier til produkt-research, samt at opstille et framework for forståelse af forbrugerens vej fra erkendt behov til køb.

I det følgende vil vi således beskrive forbrugerens digitale efter-spørgsel, præsentere hovedkonklusionerne fra vores statistiske model, samt introducere et framework for en a-z strategi for, hvordan man som annoncør bedst besvarer den digitale efter-spørgsel.

Indledningsvis vil vi dog kort se på hvorledes effekt hidtil er til-skrevet (Last Click Count), samt introducere begrebet Path to Conversion.

Figur 1. Last Click Count og Consumer Journey

Last Click CountNår vi i onlineverden har evalueret effekten af medier og mate-rialer, har vi anvendt en metode, hvor vi henførte den fulde effekt til den sidste interaktion inden vores succespunkt (tilmelding, køb, etc.). Oftest yderligere afgrænset til at interaktionen skulle have været et klik – det vi kalder Last Click Count. Denne metode tilskriver således ikke effekt til interaktioner tidligere end den sidste.

Så længe at vi evaluerer eb.dk i forhold til bt.dk er antagelsen, at denne forsimpling ikke betyder så meget, da der er tale om ens medietyper.

Anderledes vanskeligt er det, når vi anvender Last Click Count til at evaluere forskellige digitale kanaler i forhold til hinanden. Her vil kanaler tæt på købsbeslutningen få tilskrevet langt størstedelen af effekten, på trods af, at andre kanaler i høj grad har initieret og assisteret købsprocessen.

Last Click Count er således snævert fokuseret på hvad, der sker lige før købet og dækker således en ret begrænset del af Consu-mer Journey’en (Figur 1).

Proc

ent a

f for

brug

erne

60

50

40

30

20

10

0

Kilde: Google Consumer Barometer www.consumerbarometer.com

Com

pute

r- h

ardw

are

Dig

ital

kam

era

og v

ideo

kam

era

Priv

ate

lån

Visu

elle

enh

eder

Bile

r

Mob

iltel

efon

Char

terr

ejse

r

Bilf

orsi

krin

g

Fast

eje

ndom

Biog

rafb

illet

ter

Bøge

r

Tøj o

g ti

lbeh

ør

Alle

Bille

tter

til

arra

ngem

ente

r

Abon

nem

ent

på m

obilt

elef

on

46

Figur 2. Path to Conversion og Consumer Journey

Path to ConversionBetragter vi i stedet en større del af forbrugerens research og købsbeslutning, får vi mere indsigt i for-brugerens anvendelse af kanaler og medier, samt større forståelse for hvilke kanaler og medier, der bidrager med effekt. Vi kalder denne bredere beskrivelse af for-brugerens vej til konvertering for Path to Conversion.

Path to Conversion er altså beskrivelsen af forbrugerens vej fra et aktivt erkendt behov og til at købet er gen-nemført (Figur 2).

Path to Conversion er således et udtryk for de potentielle kontaktpunkter, vi har med en forbruger, og det er derfor vigtigt at forstå, hvordan forbrugeren research’er pro-dukter og services på nettet.

Indsigt: Hvad ved vi om forbrugernes digitale efterspørgsel?Når en forbruger vil søge information om et produkt eller en service, så er nettet i en række kategorier, det første sted for-brugeren søger information.

Eksempelvis, så svarer 55% både indenfor charterrejser og mobiltelefoni, at internettet er det første sted de researcher i forbindelse med et produktkøb (Figur 3).

Figur 3. Bruger nettet til research

– Jeg går normalt først på internettet, når jeg vil undersøge produkter, jeg vil købe

Seek

Act

InvolveShare

Seek

Act

InvolveSharePlatform &Journey

Platform &Journey

Path to Conversion Indsigt i forbrugerens digitale købsadfærd

Af Paw SaxgrenDigital DirectorMindshare

3

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

4

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

I forbindelse med denne research har omkring hver tredje oplevet at skifte mening om hvilket produkt de vil købe (Figur 4).

For mobiltelefoni og charterrejser er det henholdsvis 45 og 41%, der har ændret holdning.

Foruden at forbrugerne er illoyale ser vi også, at der er markant flere kategorisøgninger end ikke brand’ede søgninger. Figur 5 viser således volumen af søgninger efter henholdsvis charter-

kategorien og Star Tour specifikt. Der er altså næsten dobbelt så mange, der søger efter kategorien i forhold til hvor mange der søger efter brand’et.

Figur 4. Illoyale forbrugere – Jeg har skiftet mening om, hvilket mærke jeg vil købe som en følge af mine søgninger på internettet

Figur 5. Søgninger efter rejsekategori og Star Tour

100

90

80

70

60

50

40

30

20

10

0Juli 2010 Oktober 2010 Januar 2011 April 2011

rejse+charterferie+ferie – 59 “star tour” – 34

Kilde: Google Insights

Kilde: Google Consumer Barometer www.consumerbarometer.com

Com

pute

r-ha

rdw

are

Priv

ate

lån

Visu

elle

enh

eder

Bile

r

Mob

iltel

efon

Char

terr

ejse

r

Bilf

orsi

krin

g

Fast

eje

ndom

Biog

rafb

illet

ter

Bøge

r

Tøj o

g ti

lbeh

ør

Alle

Bille

tter

til

arra

ngem

ente

r

Abon

nem

ent

på m

obilt

elef

on

60

50

40

30

20

10

0

3541

45

Figur 6. Research på nettet

Ser vi på hvordan nettet anvendes til at researche produkter (Figur 6), så er søgemaskiner ikke overraskende den mest anvendte kanal (75% anvender søgemaskiner). Dog ses at det langt fra kun er søgemaskiner, der anvendes. Også prissammen-ligninger, producent- og forhandlerwebsites er hyppigt anvendt. Desuden, så anvender en ikke ubetydelig andel også services og tjenester som sociale netværk og videoportaler.

Umiddelbart er der er ikke mange, der svarer at de anvender blogs og fora. Her er det dog vigtigt at være opmærksom på, at disse tjenester ofte listes højt på søgemaskiner og forbrugeren således møder disse, når søgemaskiner anvendes til research.

Vi kan således opsummere vores viden om forbrugerenes pro-duktresearch på nettet i følgende:

> Forbrugerne starter deres research på nettet

> Research på nettet får forbrugerne til at ændre mening om hvilke produkter, de vil købe

> Der foretages mange flere ikke brandede søgninger end brandede søgninger

> Forbrugerne anvender en række medier og touch-points i deres produktresearch

Resultater fra vores analyse og modelKort om modellenVi har som skrevet, bygget en statistisk model på baggrund af ad-serving og site-tracking data fra Hi3G og Star Tour for brugere, der henholdsvis har og ikke har konverteret.

Vi har i forløbet testet i alt fire modeller. Den model, der gav os de bedste resultater, var en model, hvor vi betragtede henholdsvis kanal- og interaktionstype, samt hvilket sekvensnummer (nær-hed i forhold til konverteringen) interaktionen optrådte som.

Vores model indeholder to afgrænsninger. Således har vi kun anvendt cookies, hvor vi har 45 dages cookielevetid eller mere (for med høj sikkerhed at kunne konstatere at non-converters var faktiske non-converters), samt afgrænset antal af interaktio-ner, vi modellerede på, til 50 per sekvens.

Fordeling af effekt mellem kanalerneFigur 7 viser dels hvordan salgseffekten tilskrives hvis vi anvender Last Click Count-reglen, en ligelig tilskrivning af effekt til hver inter-aktion uafhængigt af afstand til salg, eller vores statistiske model.

Figur 7. Tilskrivning af effekt mellem kanaler afhængigt af model

90

80

70

60

50

40

30

20

10

0

Prod

ucen

t-w

ebst

eder

Søge

mas

kine

r

Forh

andl

er-

web

sted

er

Web

sted

er m

ed

pris

sam

men

- lig

ning

er

Kor

tweb

sted

er

Web

sted

er m

ed

soci

alt n

etvæ

rk

Øko

nom

i-w

ebst

eder

Web

sted

er m

edfo

rbru

ger-

unde

rsøg

else

r

Blog

s

Bulle

tin

boar

ds/f

ora

Vide

opor

tale

r

Web

sted

er m

ed

onlin

eauk

tion

er

100

90

80

70

60

50

40

30

20

10

0Last Click Count Model

(50 interaktioner)Observeret

(50 interaktioner)

AffiliateDisplayPPC

73%

17%

10%

98%

1%

1%

9%

57%

34%

Kilde: Google Consumer Commerce Barometer www.consumerbarometer.com

CharterrejserAbonnement på mobiltelefonMobiltelefon

Last Click Count – modellen tilskriver således mere end 90% af effekten til search og affiliate og kun 9% til display. Dette skyldes, som beskrevet indledningsvis, at Last Click Count kun tildeler effekt til den interaktion, der optræder umiddelbart før konverteringen. Disse interaktioner vil for en stor dels vedkom-mende være fra brugere, der enten har klikket på et link på et prissammenlignings-site (Billede 1), eller foretaget en brand’et søgning (eksempelvis “køb iPhone 3 mobil”). De interaktioner, der har initieret eller assisteret købsprocessen vil således sjældent få tilskrevet effekt.

Omvendt så tilskriver en model, hvor vi vægter de sidste 50 inter-aktioner lige, 98% af effekten til display, og kun to procent til henholdsvis search og affiliate. Dette skyldes at både banner-visninger og klik er defineret som interaktioner og vægtet ens.

I vores statistiske model har vi derimod modelleret os frem til tilskrivningen af effekt afhængig af kanal og interaktionstype, samt proximitet i forhold til konverteringen. Anvender vi væg-tene fra denne model, ser vi at Paid Search (PPC) skal tilskrives 17% af effekten, display 73% og affiliate 10%.

Vores anbefaling er således, at tilskrive display markant mere effekt, end hvad der hidtil er gjort med afsæt i Last Click Count. Tilsvarende må effekten af search og særligt affiliate nødvendig-vis nedskrives.

Sidste interaktion i forhold til halenFigur 8 viser, hvordan vores statistiske model fordeler effekt i forhold til afstanden (målt i antal interaktioner) til konvertering. Ser vi alle interaktionstyper under ét, får vi at den sidste inter-aktion inden salget kan tilskrives 26% af den samlede effekt (af de betragtede kanaler). Næstsidste interaktion kan tilskrives 6%, og summen af interaktion 3 til 50 kan således tilskrives 68% af effekten.

Vi kan herved konkludere, at den sidste interaktion, i runde tal, kan tilskrives en fjerdedel af effekten, og halen 75%.

Figur 8. Fordeling af effekt i forhold til afstand til konvertering

Effektfordeling mellem eksponering og klik I vores analyse har vi også kigget på forholdet mellem den banner- effekt, der kommer som en ren eksponering og den effekt, der kommer via klikket. Vores model viser således, at af den samlede displayeffekt, kan kun 6% henføres til klikket. Den rene eksponering kan således tilskrives 94%.

På baggrund af dette bør man som annoncør overveje, i forhold til hvilke parametre, et banner designes og optimeres. Tidligere har klikraten oftest været eneste evalueringskriterium for ban-nere. Med den høje effektandel, der kan tilskrives den rene eks-ponering mener vi at parametre som in-screen og eksponerings/interaktionstid er blevet endnu mere relevante.

Synergi mellem search og displayMed afsæt i vores data-set, havde vi også muligheden for at beskrive konverteringsraten for forskellige interaktionsrækker. Disse fremgår af Figur 9, der viser konverteringsraten (som indeks) for kombinationer af henholdsvis sidste og anden til femte sidste interaktion.

Vi ser at kombinationen, hvor en bruger først eksponeres for display, for derefter at klikke på en search-annonce, giver en konverteringsrate, der er 28% højere end, hvis brugeren kun havde klikket på en search-annonce. Yderligere ser vi at, hvis eksponeringen inden search-klikket har været en behavioral

targeting annonce, så er konverteringsraten 41% højere end ved ren search.

Omvendt så har en sti, der kun indeholder display, en konverte-ringsrate, der er 13% lavere end search.

Vores anbefaling er derfor, at man parallelt med et kontinuerligt search-program også bør overveje et kontinuerligt behavioral targeting-program, da performance af search-programmet således hæves op mod 40%. Øvelsen er selvfølgelig, at sikre at de ekstra medieomkostninger ikke overstiger gevinsten ved den højere konverteringsrate.

Behavioral Targeting Search

Display Search

Blank Search

Behavioral Targeting Behavioral Targeting

Behavioral Targeting Display

Display Behavioral Targeting

Display Display

Framework for Path to ConversionVed hjælp af Googles Double Click Ad Planner kan vi se sites dækning og affinitet for segmenter defineret på baggrund af brugernes søgeadfærd indenfor den seneste måned.

Definerer vi eksempelvis et segment som at brugerne har

foretaget relevant søgning i forhold til at købe mobiltelefon (har søgt mobil, ny mobil, iPhone, HTC, Nokia, Sony Ericsson, LG, Samsung), så får vi et segment bestående af 320.000 brugere. Disse kan, lettere forsimplet (da søgningerne også kan være motiveret af andet end at ville købe en mobil), defineres som værende i markedet for en mobiltelefon.

Figur 9. Konverteringsrater for kombinationer af kanaler*

Figur 10. Affinitet og dækning for sites, dette segment i særlig høj grad (affinitet) har anvendt

Kilde: Google DFA Ad Planner

Sidste interaktion

26%

68% 6% Næstsidste interaktion

Halen(3.-50. sidsteinteraktion)

75% 100 125 150

141

128

100

90

89

87

88

Affi

nite

t

Dækning

800

700

600

500

400

300

200

1000% 5% 10% 15% 20% 25% 30%

Operatør-webshops

Producent Sites

Retailer-webshops

Prisindeks

Information & anmeldelse

Social/user generated content

mobil.nu

mobiltjek.dk

mobilpriser.dk

samsung.com mobilsiden.dk

nokia.dk

sonyericsson.com

oister.dk

nokia.com

mobildebat.dk

alatest.dkproshop.dkkomplett.dk

fona.dk

eksperten.dk

pixmania.com telmore.dk

callme.dk3.dk

elgiganten.dk

bilka.dk

telenor.dk

telia.dk

kelkoo.dk

pricerunner.dk

apple.comedbpriser.dkwupti.com

* Konverteringsrater i forhold til hvilken interaktion, der har været med brugeren umiddelbart før konvertering, i forhold til hvad 2. til 5. sidste interaktion har været. Display Search skal således forstås sådan at der på 2. til 5. sidste interaktion har været display interaktioner og sidste interaktion været search.

search = 100

5

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

6

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

Billede 1

Touch-points

Tabel 1. Relevante strategier, discipliner og optimeringsvariable

Behavioral & Retargeting > Data planning (berigelse af cookie-data)> Målgruppeoptimering> Adfærdsoptimering> Regelbaseret optimering> Product Profiling (dynamiske bannere)

High Funnel Search > Placeringsstrategi (både SEM og SEO)> Assist Score optimering> First Click optimering

Information & anmeldelse > Partnerskaber> Lead-generering> Link-building> Audience-profilering (via pixeldump)

Social & brugergenereret indhold (UGC) > Social Monitorering> Social Dialog> Search Engine Result Page Optimization

Producent sites > Link-building> Audience profilering (via pixeldump)

Prisindeks > Affiliate Marketing-strategi

Low Funnel Search> Search Engine Result Page Optimization> CPO-strategi

On-site > Site-analytics> Funnel optimering> Dynamisk content> Content optimering> Navigationsoptimering> Teknisk optimering> Mouse tracking> Brugeranalyser

Godt begyndt er ikke halvt fuldendtVi har således konstateret, at brugerne i høj grad og tidligt, anvender nettet til produktresearch. Endvidere ser vi, at brugerne er illoyale i denne afgørende fase af consumer journey’en.

Det er derfor vigtigt, at man som “marketeer” kender forbruge-rens vej mod konvertering for ens respektive kategori. Herunder hvordan og hvor meget, de enkelte kanaler bidrager med effekt.Konkret så vi således, at der fra display, og særligt Behavioral Targeting, er markant mere effekt og dermed potentiale, end hvad almindelige Last Click Count-analyser beskriver. Særligt den rene eksponering har mere effekt end hidtil antaget, hvorfor også selve designet af banneret og leveringen af relevante budskaber bør have særligt fokus.

Yderligere så ses effekten i høj grad, som en synergi mellem display og search, hvorfor man bør supplere en kontinuerlig search-aktivitet med en tilsvarende Behavioral Targeting-indsats.

En vigtig pointe er dog, at en effektiv Path to Conversion- strategi ikke kun omfatter search og display, men også kræver en gennemarbejdet overordnet strategi samt en detaljeret plan for de enkelte touch-points i forbrugerens Path to Conversion.

Dog gælder reglen om godt begyndt er halvt fuldendt ikke for online. Her skabes værdien for alvor, når en god strategi eksekveres og optimeres intelligent og fokuseret.

3

4

5

6

7

2

1Disse sites kan vi gruppere i syv kategorier:

Information & anmeldelseSites som eksempelvis mobil.nu og mobilsiden.dk,hvor brugerne kan læse artikler om og anmeldelseraf mobiltelefoner.

Social & brugergeneret indhold (UGC)Sites som mobildebat.dk og eksperten.dk,hvor indholdet er brugerskabt.

Producent sitesProduktproducenternes sites – eksempelvis apple.com, htc.com og nokia.com.

PrisindeksSites som pricerunner.dk og kelkoo.dkhvor brugerne kan sammenligne operatørerog retailers priser for et specifikt produkt.

Retailer-webshopsRetailer-sites som elgiganten.dk og bilka.dk.

Operatør-webshopsOperatørernes egne webshops som 3.dk,callme.dk og telenor.dk.

Sidst, så er et vigtigt touch-point selvfølgeligogså søgemaskiner (som vi ikke får data på fraAd Planner værktøjet).

Figur 11. Path to Conversion for en enkelt bruger

Forbrugerne anvender således en række forskellige kanaler og touch-points, når de vil købe et produkt. I ovenstående eksempel har vi kigget på aggregerede størrelser. Betragter vi i stedet en enkelt brugers Path to Conversion, kunne den se ud som angivet i Figur 11.

Figuren skal læses således, at der yderst mod venstre opstår et anerkendt behov (og forbrugeren herved aktivt begynder at researche produktet eller servicen). Herefter har vi en række potentielle interaktioner med brugeren (hver angivet som farvet bar) og til slut (længst mod højre) ender brugeren med at foretage en transaktion.

Hvert af disse områder genererer optimalt set data, som vi kan anvende til at profilere vores audience-indkøb med, samt generelt optimere vores bannere, således at budskabet bliver så relevant så muligt for den enkelte bruger (Product Profiling, læs mere herom i artiklen om Behavioral Targeting). Eksempelvis kan vi via pixeldump på en producents site, profilere brugere, med særlig interesse for et specifikt produkt.

Hvert af disse områder kræver en strategi/handlingsplan. I Tabel 1 på næste side har vi angivet, samt de vigtigste strategier, discipliner og optimeringsområder indenfor hvert enkelt touch-point.

Social & brugergenereret indhold (UGC)

Un-branded search

Kontekst

Audience

Branded searchOperatør- webshops

Producent sites Retailer- webshops

PrisindeksInformation & anmeldelse

Display BehaviouralTargeting

Transaktion

Data

Beho

v

7

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd

8

Path

to C

onve

rsio

n | I

ndsi

gt i

forb

ruge

rens

dig

itale

køb

sadf

ærd