تحلیلگر مالی وقتی از او می‌پرسند «کمپین تبلیغاتی ما چقدر بازده داشت؟»، معمولاً سود را بر هزینه‌ی کمپین تقسیم می‌کند. این عدد ساده است، اما بازگشت سرمایه‌ی بازاریابی را درست نشان نمی‌دهد. مشکل اصلی این است که معمولاً چند کانال همزمان فعال‌اند و نمی‌دانید فروش از کجا آمده است. در این نوشته می‌بینیم چرا فرمول ساده کافی نیست و دو روش دقیق‌تر برای سنجش اثر واقعی کدام‌اند.
چرا تقسیم سود بر هزینه گمراه‌کننده است؟
فرض کنید شرکتی در یک ماه همزمان تلویزیون، رادیو، شبکه‌های اجتماعی و پیامک تبلیغاتی دارد. فروش ماه ۲۰ درصد بالا رفته است. سؤال این است که این رشد چقدر به هر کانال مربوط است؟ ممکن است بخشی از رشد به فصل، یک رویداد خارج از کنترل یا تبلیغات دیگر برگردد. اگر کل افزایش فروش را به یک کانال نسبت بدهید، بازده آن را بیش از حد برآورد می‌کنید و ممکن است بودجه‌ی سال بعد را اشتباه تخصیص دهید.
سخت‌ترین بخش هر تحلیل کارایی بازاریابی همین است: تشخیص اینکه آیا یک اقدام مشخص واقعاً باعث تغییر در فروش شده یا نه. دو راه اصلی برای حل این مسئله وجود دارد.
روش اول: آزمایش با گروه کنترل
در این روش، فعالیت بازاریابی را فقط برای بخشی از مخاطبان اجرا می‌کنید و بخش دیگر را بدون آن نگه می‌دارید. سپس فروش دو گروه را مقایسه می‌کنید. تفاوت فروش، اثر واقعی فعالیت است؛ یعنی «افزایش فروش نسبت به سناریوی بدون تغییر».
مثال
فرض کنید شرکتی کد تخفیف را فقط به ۹۰ درصد بازدیدکنندگان وب‌سایت نشان می‌دهد و ۱۰ درصد بقیه کد را نمی‌بینند. اگر نرخ خرید گروه اول ۵ درصد و گروه دوم ۴ درصد باشد، اثر خالص کد تخفیف حدود یک واحد درصد است، نه پنج واحد. فروشی که بدون تخفیف هم اتفاق می‌افتاد نباید به حساب کمپین گذاشته شود.
این روش به‌ویژه برای بازاریابی دیجیتال مناسب است، چون تقسیم مخاطبان به گروه‌ها ساده و ارزان است. مهم است دو گروه از نظر ویژگی‌ها مشابه باشند و به‌صورت تصادفی انتخاب شوند، وگرنه تفاوت‌ها به فعالیت نسبت داده می‌شود در حالی که به ترکیب گروه‌ها مربوط است.
روش دوم: مدل‌سازی ترکیب بازاریابی
وقتی نمی‌توانید گروه کنترل بسازید، مثلاً در تلویزیون، رادیو یا تبلیغات محیطی که همه‌ی مخاطبان را پوشش می‌دهند، از مدل‌سازی ترکیب بازاریابی (MMM) استفاده می‌شود. این یک تحلیل آماری نسبتاً پیچیده است که با الگوریتم‌ها اثر هر کمپین را برآورد می‌کند. به زبان ساده، مدل داده‌ی چند ماه یا چند سال هزینه‌ی هر کانال، فروش و عوامل بیرونی مثل فصل و قیمت را کنار هم می‌گذارد و می‌سنجد هر کانال چه سهمی در تغییر فروش داشته است.
بسیاری از شرکت‌ها این تحلیل را به شرکت‌های تخصصی بیرونی می‌سپارند، چون نیاز به داده‌ی زیاد و تخصص آماری دارد. مدیر مالی لازم نیست خود مدل را بسازد، اما باید بتواند سؤال‌های درست بپرسد: داده از چه دوره‌ای است؟ چه عواملی کنترل شده‌اند؟ نتیجه چقدر قابل اتکاست؟ برای آشنایی با زبان این تحلیل‌ها، مفاهیم علم داده برای رهبران مالی را ببینید.
کدام روش را انتخاب کنیم؟
انتخاب به نوع فعالیت بستگی دارد:
- برای کمپین‌های دیجیتال و ایمیلی که می‌توانید مخاطبان را تقسیم کنید، گروه کنترل ساده‌تر و دقیق‌تر است.
- برای رسانه‌های گسترده و بلندمدت، MMM مناسب‌تر است.
- گاهی ترکیب هر دو بهترین نتیجه را می‌دهد: آزمایش‌های کوچک برای اعتبارسنجی نتیجه‌ی مدل.
نکته‌های عملی برای مدیر مالی
قبل از اجرای کمپین بپرسید چگونه اثر آن اندازه‌گیری می‌شود. اگر پاسخ فقط «فروش بالا می‌رود» باشد، هنوز طرح اندازه‌گیری ندارید. گروه کنترل را از ابتدا برنامه‌ریزی کنید، چون بعد از اجرا نمی‌توانید به عقب برگردید. همچنین ارزش فروش را بر پایه‌ی سود ناخالص بسنجید، نه درآمد صرف؛ کمپینی که فروش را بالا می‌برد ولی حاشیه‌ی سود را فرسوده می‌کند، ممکن است ارزش‌آفرین نباشد. برای ارتباط این بحث با سنجش بازده، تفاوت ROI و IRR را هم بخوانید.
پرسش‌های متداول
آیا همیشه گروه کنترل ضروری است؟ نه همیشه، اما هرجا ممکن است بهترین راه برای جدا کردن اثر واقعی است.
MMM برای شرکت کوچک مناسب است؟ معمولاً به داده‌ی کافی نیاز دارد. شرکت‌های کوچک با داده‌ی محدود بهتر است از آزمایش‌های ساده شروع کنند.
اگر نتیجه‌ی دو روش با هم متفاوت بود چه کنیم؟ دلیل تفاوت را بررسی کنید: دوره‌ی داده، تعریف گروه‌ها و عوامل بیرونی. معمولاً ترکیب قضاوت و داده بهتر است.
چرا نباید فقط سود را بر هزینه تقسیم کنیم؟ چون بخشی از فروش بدون کمپین هم اتفاق می‌افتاد و این روش آن را به کمپین نسبت می‌دهد.
جمع‌بندی
برای سنجش درست بازگشت سرمایه‌ی بازاریابی، به دنبال اثر افزایشی بگردید: با گروه کنترل یا با مدل آماری ترکیب بازاریابی. هر دو روش به شما کمک می‌کنند بودجه‌ی تبلیغات را بر پایه‌ی شواهد تخصیص دهید، نه حدس.