To ting vi gjør mye av i markedsanalyse er å beskrive og forklare. Når vi beskriver en bruker av et produkt, en målgruppe, en kundereise eller et marked forteller vi om hva som kjennetegner disse gruppene. Når vi forklarer ønsker vi ofte å fortelle om hvorvidt (eller hvor mye) noe påvirker eller forårsaker noe annet. Vi ønsker for eksempel å finne ut om og eventuelt hvor mye en kampanje har økt salget av vårt produkt. Det er når vi forklarer at mange av oss får problemer med årsakssammenhengen.
Når vi forklarer, ser vi på sammenhengen mellom en eller flere uavhengige variabler opp mot en avhengig variabel. Et eksempel på uavhengige variabler kan være kjøp av reklame i ulike medier og kanaler. Salget er den avhengige variabelen. Ofte bruker vi analytiske verktøy som korrelasjon, ANOVA eller regresjoner for å finne sammenhenger. Utfordringen er at vi ikke vet om vi kan stole på resultatene, fordi det ofte finnes andre forklaringer som er like plausible. Hvis Glassmagasinet annonserer mye før jul når alle skal kjøpe julegaver, og lite når alle er på sommerferie, så ser det ut som om det lurt å annonsere. Hvis konkurrenten gjennomfører en stor kampanje samtidig, ser det ut som om vår kampanje ikke har hatt effekt fordi vi ikke har økt markedsandelen.
Vårt inntrykk er at vi som jobber med markedsføring og markedsanalyse er for lite opptatt av kausalitet. Det gjør at vi bruker markedsbudsjetter på aktiviteter som vi ikke kan være sikre på at har effekt. Årsaken er at vi i for stor grad bruker metoder som baserer seg på samvariasjon når vi skal forklare årsakssammenhenger.
At to fenomener samvarierer betyr som kjent ikke at det ene fenomenet forårsaker det andre. I tradisjonelle regresjonsanalyser prøver vi å «kontrollere for» andre variabler i et forsøk på å utelukke andre plausible forklaringer. Problemet er at vi aldri kan være sikre på at vi har greid å kontrollere for alle slike.
For å finne årsakssammenhenger er eksperimenter den uovertrufne metoden. I et enkelt eksperiment deler man deltakerne tilfeldig inn i to grupper. En gruppe får et stimuli, for eksempel får de se en reklame for vår merkevare. Den andre gruppen (kontrollgruppen) får et annet stimuli. Det kan være en annen reklame for et produkt som ikke er relevant. Det er tilfeldig hvem som er i eksperimentgruppen og kontrollgruppen, noe som gjør at gruppene i gjennomsnitt vil være helt like. Dersom gruppen som fikk se «vår» reklame i større grad kjøper våre produkter i etterkant av eksperimentet enn kontrollgruppen, kan vi derfor være sikre på at det er en årsakssammenheng. Det er dette som er kausalitet.
På grunn av eksperimentets evne til å avdekke årsakssammenhenger er metoden mye brukt i forskning innen medisin. En ny medisin må vise bedre resultater enn eksisterende medisin, eller placebo, for å bli godkjent. I samfunnsvitenskapelige disipliner blir eksperimenter brukt i økende grad og det er svært vanlig i markedsforskning.
Næringslivet har hengt litt etter. Mye tyder på at også bedrifter i økende grad benytter eksperimenter for å skaffe seg kunnskap om årsakssammenhenger. I digital markedsføring blir eksperimenter brukt mye, gjerne gjennom såkalt A/B-testing. Her vises det ulike versjoner av reklamer, eller ulike elementer på en nettside, for å optimalisere tid brukt på nettsiden eller salget. Butikkjeder tester endringer av butikkdesign, sortiment eller priser gjennom eksperimenter, før de ruller ut de vellykkede endringene i hele kjeden.
Noe av forklaringen på den begrensede bruken av eksperimenter i næringslivet, kan være kostnader i forbindelse med gjennomføring. Dette er i ferd med å endre seg. Eksperimenter kan ofte gjøres like kostnadseffektive som andre undersøkelser. En annen utfordring er manglende kunnskap om metoden. Alle studenter innen samfunnsvitenskap, økonomi og markedsføring ved norske universitet og høyskoler får nå opplæring i eksperimentell metode, så dette er også i endring.
Vi oppfordrer markedsanalysebransjen til å gjøre flere eksperiment i prosjekter som skal forklare årsakssammenhenger. Det kan være evaluering av reklamer, driveranalyser eller kundetilfredshet. Eksperimenter vil ikke løse alle utfordringer. Det er for eksempel alltid et spørsmål om vi kan generalisere resultatene. Men vi kan være sikrere på at vi har funnet årsakene. Det er først med eksperimenter vi kan gå fra plausible til (nesten) sikre forklaringer.