Som de fleste har erfart innenfor marketing de seneste årene, er mange av de marketingaktivitetene som vi kjenner til i dag, blitt mindre effektive. Ta for eksempel direkte mail, den blir oftest slettet før den blir åpnet. Kalde telefoner? Ignorert. TV reklamer? Ignorert. Bannere? Blokkert eller ignorert…
“Marketing, as we know it, is being transformed right in front of our eyes. Literally billions of pieces of content are published every single day on more and more channels.” (Meerkat and Periscope).
Et direkte resultat av dette er at forbrukerne nå filtrerer støyen. Det er i denne sammenheng vi ser at Content Marketing kommer inn som aktuell disiplin. Content Marketing er kort beskrevet en overordnet betegnelse for marketingaktiviteter og formater som involverer produksjon og deling av innhold for å tiltrekke og engasjere tydelig definerte målgrupper av nåværende og potensielle kunder – dette med mål om å skape lønnsomme kunderelasjoner.
Utfordringene ved nye disipliner er som oftest at de er ukjente i starten (sic). Derfor er det vanlig å gi plass til innovasjon og prøving og feiling i startfasen, hvor mye skjer på et uformelt, ikke-strategisk nivå hvor det i langt større grad eksisterer et operasjonelt fokus. Over tid modnes nye disipliner og de kommer inn på virksomhetenes strategiske nivå. Skiftet fra det operasjonelle til det strategiske fokuset gir utfordringer i overgangsperioden. Nettopp i denne skisserte overgangsperioden befinner Content Marketing seg. Det stilles imidlertid etter hvert større krav til Content Marketing – det skal kunne måles, analyseres og konkret formaliseres som en del av virksomhetenes strategi.
Med overgangsfasen i tankene, og tatt i betraktning de mer tradisjonelle marketingredskaper sine manglende evner til å treffe sluttbrukerne, er det ikke merkelig at man innenfor Content Marketing nå stiller større krav til måling og påvisning av ROI (Return Of Investment) til Content Marketing-aktivitetene.
Et økt strategisk fokus krever dokumentert effekt
Å måle Content Marketing er ingen enkel oppgave. En måling fra CM Institute viser at 33% av alle B2B markedsanalytikere og 41% av alle B2C markedsanalytikere finner en signifikant utfordring i å måle effekt av Content Marketing.
Det er altså ytterst relevant å gå inn i hvordan Content Marketing kan måles og analyseres, og dette er nødvendig for å få til en suksessfull Content Marketing strategi. Denne målingen blir gjort ved fire kategorier i daglig praksis: Lesing, Deling, Lead generering og Salgstall. Nedenfor skisseres noen generelle poeng som er vesentlige ved måling av effekt på Content Marketing:
- Huske hvorfor man startet med å lage Content Marketing – mest sannsynlig for å oppnå forretningsmål fremfor å oppfylle forretningsformål. Ved å ha kjennskap til dette samtidig med at man lærer hvordan man måler, kan Content Marketing-strategien mye enklere evalueres og tilpasses fortløpende.
- Redskaper som kan brukes til måling er bl.a. Google Analytics og Social tracking to link sharing, for å nevne noen. Det kan også være behov for ytterligere alternativ, alt etter formål og plattform.
- Content Marketing skal ha positiv innvirkning på bunnlinjen – ROI (Return Of Investment). Særlig her er det ofte vanskelig å beregne uten nærmere analyse.
Der hvor Content Marketing i dag virkelig har muligheter for videre utvikling er i optimaliseringen av ens aktiviteter – i skjæringspunktet hvor en forlater det operasjonelle fokus til fordel for det strategiske. I dette skiftet stilles det større krav til en formalisert strategi og målformuleringer. Det vil derfor bli et enda sterkere behov for analyse, da det blir stadig viktigere å sikre at de økte investeringene man legger i Content Marketing vil ha effekt og kan sikre lønnsomhet både operasjonelt og strategisk.
Fire analyser som kan forbedre Content Marketing innsatsen
Analytiske redskaper som kan hjelpe med å øke lønnsomheten og optimalisere bruken av Content Marketing er derfor helt essensielle – det er her markedsanalysen kommer inn i bildet. Det kan være mange måter å gå fra problem til løsning via analyse. Denne artikk-elen har et noe snevrere fokus på metoder og analyser – nærmere betegnet ved å presentere relevante predikerende analysemetoder. Dette er metoder som kan øke effekten og optimalisere verdien av Content Marketing-aktivitetene ved å sannsynliggjøre at innhold målrettes til individuelle kunder, samt blir sendt på det mest optimale tidspunktet.
En interessant analytisk metode i denne forbindelse er Korhorte/Customer Lifetime Value.Her observerer man et sett av kunder over en gitt periode, hvor modellen deretter innlærer sannsynlighetene for hhv. at kunden helt forlater virksomheten P(Alive) mellom t0 til t+n, samt et estimat på hvor mange kjøp E(X(t)) kunden vil ha fra t0 til t+n (basert på dens historikk). Det er to forskjellige typer modeller til dette basert på forretningens natur. Selve formålet med å bruke denne type modeller i Content Marketing kan både være i forbindelse med salgsprognoser, så vel som verdifastsettelse av forskjellige kundesegmenter basert på deres Customer Lifetime Value (CLV).
CLV går i korte trekk ut på å verdisette en kunde som man ville gjøre på en virksomhet, og rabattere med pengestrømmen +/-, basert på estimert kjøp. Her kan man altså prioritere målgrupper på forhånd ut fra verdien deres, slik at ressurser brukt på Content Marketing rettes mot de mest verdifulle målgruppene, samtidig som ressurser kan spares på målgrupper uten forretningsmessig verdi. Gjennom dette kan effekten av Content Marketing verdifastsettes da man har muligheten til å beregne verdien av en kunde versus ressursene brukt på å konvertere denne kunden.
En annen relevant analyse som kan gjennomføres samtidig med den forgående er en såkalt RFM-analyse: Recency, Frequency, Monetary. En kort introduksjon til metoden er følgende: RFM er en ikke-parametrisk segmenteringsmetode oppfunnet på 1920 tallet og er fortsatt svært relevant den dag i dag. Den er meget anvendelig innenfor Content Marketing da den kan avdekke det såkalte 80/20 mønster i et sett av kunder. Ofte viser analyser av virksomhetens kunder at 20% av kundene står for 80% av omsetningen. Analysen kan altså fortelle hvilke kunder som er sannsynlige i de 20%. Prosedyren går ut på å sortere kundene basert på seneste transaksjon, frekvensen av transaksjoner, samt kjøpesum. Hver kategori (R, F, M) blir deretter rangert i 5 kategorier, hvor 5 er høyest og 1 er lavest. Følgelig kan man så prioritere størstedelen av sine markedsføringsaktiviteter rettet mot de kundene med den høyeste RFM score (eks. 5-5-5) da disse kundene sannsynligvis har mest verdi for virksomheten. Som tidligere nevnt kan RFM-analysen med fordel gjennomføres samtidig med CLV analysen. Om de samme kundene analyseres og etableres i begge analyser er sannsynligheten enda større. Denne kunnskapen kan virkelig optimalisere tilnærmingen slik at man treffer de beste målgrupper med sine Content Marketing aktiviteter – dette ved å konvertere/vedlikeholde kunder hvor den største verdien ligger.
Det er ingen hemmelighet at kunder kan finne på å slutte å kjøpe i en virksomhet fremfor en annen –kunder har en begrenset levetid. Denne levetiden kan dog økes ved at man med stor sannsynlighet vet hvor og når en kunde vurderer å forlate en virksomhet til fordel for en annen. Om man har denne kunnskapen så kan man også rette relevante marketingaktiviteter til kunden rett før et potensielt virksomhetsskifte med innhold som er designet for å ivareta kunden i ytterligere tid. En metode til dette er bl.a. hva som er kjent som Survival analysis. Denne analysen har eksistert lenge innenfor legevitenskap-en og har tradisjonelt sett blitt anvendt til å sammenligne levetiden til forskjellige grupper av pasienter. Den kan dog imidlertid også brukes til å analysere tiden før en eller flere grupperinger av mennesker kommer ut for en bestemt hendelse. Dette kunne for eksempel vært levetid for kunder. Helt konkret og lettere teknisk eksisterer det to forskjellige typer av Survival analysis: Parametrisk, versus ikke-parametrisk. Den ikke-parametriske genererer en survival-kurve som kan brukes til å tolke forskjellen mellom flere grupperinger. Den parametriske anvendes til å inkludere én eller flere variabler for å estimere hvorvidt disse har innflytelse på den avhengige variabelen (”død” eller ”i live”). De to typene survival analysis er meget fleksible i form av at de kan anvendes til mange forskjellige typer problemstillinger. Survival analysis er et godt eksempel på hvor man via analyse kan optimalisere ens Content Marketing-aktiviteter og få en enda bedre verdiskapning av de ressursene som brukes.
En siste analyse som i høy grad kan være med på å skape økt Return On Investment av ens Content Marketing-aktiviteter, er ved å få folk til å kjøpe mer når de kjøper. En analysemetode for å skape økt innsikt her er en såkalt Market basket analysis. Metoden går ut på å finne mønstre i kundenes sammensetning av produkter når de handler. Det vil si, kjøper en kunde eksempelvis solkrem om sommeren, så er det sannsynlig at kunden kan finne på å kjøpe relaterte produkter, eks. solbriller, solhatt eller lignende. Teknisk sett analyseres dette mønsteret via a priori-algoritmen. Apriori-algoritmen er en heuristisk metode som muliggjør analyse av en stor mengde transaksjoner med forskjellige elementer, selv om antallet av mulige kombinasjoner kan bli svimlende høyt. Modellen utføres etter regler hvor et produkt assosieres med et annet produkt. Altså kjøper en person X, så kan man med fordel via Content Marketing eksponere kunden for produkt Y og Z, da man ved dette med sannsynlighet er relevant innhold i forhold til det konkrete kjøp.
Det er innenfor analyseredskapene mange muligheter for å optimalisere bruken av Content Marketing slik at ressurser brukt på marketingaktiviteter målrettes og optimaliseres via analyse. Dette gjelder verdifastsettelse av kunder, økt levetid av kunder samt meromsetning via eksponering av de riktige produktene når en kunde ser på/kjøper produkter. Fordelene ved de spesifiserte metodene er at de oftest kan kombineres og kjøres samtidig slik at innsats gir full effekt. Utover måling av Content Marketing kan markedsanalyse samtidig også øke verdien på de ressursene man bruker og gjøre det langt enklere å verdsette ressursene som brukes på Content Marketing da man nå har meget klare estimater på verdien av ens marketingaktiviteter. Og sist, men ikke minst, kan analyser av ens Content Marketing innsats gi inspirasjon til fremtidig innhold som sikrer at man har konstant oppdatert innhold rettet mot de mest lønnsomme kundesegmentene i markedet.