Ahmet Furkan Budak — Stratejik Marka Danışmanı

Makaleler·Pazarlama Ölçümü

Pazarlama Faaliyetlerinin Satışa Katkısı Nasıl Ölçülür?

· Stratejik Marka Danışmanı ·

Pazarlama faaliyetlerinin satışa katkısı, kampanya olmasaydı hangi satışların yine gerçekleşeceği sorusuyla ölçülür. Bu soruya üç yöntem ailesi cevap verir. Atıf modelleri dijital temas noktaları arasında krediyi paylaştırır, pazarlama karması modellemesi (marketing mix modeling, MMM) toplu satış verisini kanal harcamalarıyla ilişkilendirir. Artımlılık testleri (incrementality testing) ise kontrollü deneylerle reklamın yarattığı ek satışı ayırır.

Bu yöntemler birbirinin yerine geçmez, birbirini denetler. Her biri farklı bir soruya cevap verir, farklı bir zaman ufkunu görür ve farklı bir hataya açıktır. Bu yüzden hangi kararın hangi kanıtla alınacağını önceden belirlemek, ölçüm aracını seçmekten daha belirleyicidir.

Satışa katkıyı ölçmek neden zordur?

Temel zorluk, reklamın zaten satın almaya yakın kişilere gösterilmesidir. Hedefleme sistemleri ilgisi yüksek kullanıcıyı bulduğu için reklamı görenlerle satın alanlar doğal olarak örtüşür. Bu örtüşme reklamın etkisi gibi görünür, oysa satışların bir bölümü reklam olmadan da gerçekleşecektir.

Lewis ve Rao, ABD’li büyük perakendeciler ve aracı kurumlarla 25 büyük saha deneyi yürüttü1. Araştırmacılara göre reklamın hedefli doğasından kaynaklanan seçim yanlılığı, yaygın gözlemsel yöntemler için ağır bir sorundur1. Bireysel satışların reklam maliyetine göre çok oynak olması da ölçümü zorlaştırır. Bu deneylerde yatırım getirisi için güven aralığının medyanı 100 yüzde puanından genişti1.

Atıf modelleri neyi gösterir, neyi gizler?

Atıf modeli (attribution model), dönüşümün kredisini kullanıcının yolundaki temas noktalarına dağıtan kural ya da algoritmadır2. Geleneksel yaklaşımda kredinin tamamı son tıklanan reklama verilir2. İlk tıklama, doğrusal, zamana göre azalan ve konuma dayalı modeller Google Analytics’te Kasım 2023 itibarıyla kullanımdan kalktı2. Yerlerini alan veriye dayalı atıf (data-driven attribution), dönüşen ve dönüşmeyen yolları karşılaştırır ve olanı olabilecek olanla kıyaslar2.

Bu yaklaşım kural tabanlı modellerden daha incelikli olsa da sınırları yapısaldır. Atıf, platformun izleyebildiği tıklama ve izlenmelerle çalışır. Televizyon, açık hava, mağaza deneyimi ve ağızdan ağıza iletişim bu kayıtlarda görünmez. Krediyi paylaştırmak ile ek satış yaratmak arasındaki fark da sürer. Zaten satın alacak birinin yolunda son durak olan reklam, yüksek pay alabilir.

Blake, Nosko ve Tadelis’in eBay’de yürüttüğü saha deneyleri bu farkın boyutunu gösterir3. Ücretli aramanın getirisi, deney dışı tahminlerin küçük bir kesrine indi ve marka kelimesi reklamlarının ölçülebilir kısa vadeli faydası çıkmadı3. Genel kelimelerde yeni ve seyrek kullanıcılar reklamdan olumlu etkilendi3. Harcamanın çoğunu ise satın alma davranışı reklamdan etkilenmeyen sık kullanıcılar oluşturdu ve ortalama getiri negatife döndü3.

Pazarlama karması modellemesi hangi soruya cevap verir?

MMM, haftalık ya da aylık satışları kanal harcamaları, fiyat, mevsimsellik ve dağıtım gibi etkenlerle aynı modelde açıklar. Kullanıcı düzeyinde iz gerektirmediği için televizyon ve açık hava gibi tıklanmayan kanalları da kapsar. Meta’nın açık kaynak MMM paketi Robyn, kişisel veri ya da kullanıcı düzeyinde kayıt gerektirmediğini ve çerez verisine bağlı olmadığını belirtir4. Paket trend, mevsimsellik ve tatil etkilerini ayrıştırır, bütçeyi kanallar arasında yeniden dağıtan bir planlayıcı da sunar4.

MMM’in zayıf yanı, tarihsel veride birlikte hareket eden harcamaları ayırmanın güç olmasıdır. Kanallar hep aynı dönemlerde artırılmışsa model hangisinin satışı taşıdığını güvenle söyleyemez. Bu yüzden Robyn, modelleri coğrafi deneyler ve platform lift ölçümleri gibi gerçek sonuç yöntemlerine göre kalibre eder4. Kalibrasyonsuz bir MMM, geçmişin korelasyonlarını geleceğin bütçesine taşıma riski taşır.

Artımlılık testleri neden referans kabul edilir?

Artımlılık testi, hedef kitleyi rastgele iki gruba ayırır, reklamı birine gösterir ve diğerini dışarıda tutar. İki grup arasındaki satış farkı reklamın yarattığı ek satıştır. Gordon ve arkadaşları, Facebook’taki 15 reklam deneyinin sonuçlarını gözlemsel modellerle karşılaştırdı5. Gözlemsel yöntemler, kapsamlı demografik ve davranışsal değişkenler eklense bile deneylerle aynı etkileri çoğu zaman üretemedi5.

Kullanıcı düzeyinde rastgele atama mümkün olmadığında coğrafi deney kullanılır. Bu tasarımda örtüşmeyen bölgeler rastgele test ve kontrol gruplarına atanır, reklam koşulu coğrafi hedeflemeyle uygulanır6. Google araştırmacıları bu deneylerin kavramsal olarak basit olduğunu ve sonuçlarının kolay yorumlandığını belirtir6. İl ya da bölge düzeyinde satış verisi tutan işletmeler için bu tasarım ulaşılabilir bir başlangıçtır.

Deneylerin de bir bedeli vardır. Lewis ve Rao’ya göre bilgilendirici bir reklam deneyi kolaylıkla 10 milyon kişi-haftadan fazlasını gerektirebilir1. Küçük bütçeli markalar için bu, testleri ince ayarlar yerine büyük ve net değişiklikler üzerine kurmak anlamına gelir.

Kısa ve uzun vadeli etki nasıl ayrılır?

Ölçüm penceresi kısaldıkça pazarlamanın katkısı küçük görünür. Lodish ve arkadaşları, yerleşik ambalajlı tüketim ürünlerine ait 55 televizyon reklamı ağırlık testini deney bittikten sonra iki yıl daha izledi7. Reklam artışının ilk yıl anlamlı etki yarattığı durumlarda, izleyen iki yıl eklendiğinde ilk yılın satış etkisi ortalama olarak yaklaşık iki katına çıktı7. İlk yıl anlamlı etki yaratmayan artışlar ise sonraki iki yılda da ortalamada etki yaratmadı7.

Bu bulgu iki pratik ders verir. Haftalık dönüşüm raporları marka yatırımının etkisinin bir bölümünü kaçırır. Kısa vadede hiç iz bırakmayan bir kampanyanın uzun vadede kendini kurtaracağını varsaymak da kanıta dayanmaz. Uzun vadeli etkinin bütçe paylarına nasıl yansıyacağı ayrı bir karardır ve bütçe dağılımı yazısının konusudur.

Yöntemler tek bir ölçüm sisteminde nasıl birleşir?

Sağlam bir sistem her yöntemi en iyi olduğu karara bağlar. MMM, kanallar arası bütçe ve yıllık plan gibi toplu kararlar için kullanılır. Artımlılık testleri modelin en belirsiz ya da en pahalı varsayımlarını sınar ve sonuçlarını modele geri besler. Atıf ise dijital kampanyaların günlük optimizasyonunda, kreatif ve anahtar kelime seçimi gibi dar kararlarda işe yarar.

Bu düzenin işlemesi için ölçüm planı kampanyadan önce yazılır. Hangi metriğin başarı sayılacağı, kontrol grubunun nasıl ayrılacağı ve hangi sonucun hangi bütçe kararını tetikleyeceği baştan belirlenir. Sonradan seçilen ölçüt, ölçümü bir sınama aracından çok bir savunma aracına dönüştürür.

Pazarlamanın satışa katkısını ölçmek, tek bir doğru sayıya ulaşmaktan çok kararları yanıltıcı sayılardan koruma disiplinidir. Atıf raporu en kolay erişilen veriyi verir, en zor soruyu ise cevapsız bırakır. Deneylerle sınanmış bir model, harcamanın satışı gerçekten artırıp artırmadığını söyleyebilen en güvenilir düzenektir. Bu kanıtı üretmeyen bir rapor, pazarlamanın katkısını ölçmekten çok satışın hangi kanala yazılacağını kaydeder.

Sık sorulan sorular.

  • Küçük bir işletme satışa katkıyı ölçmeye nereden başlamalı?Uzun bir harcama geçmişi yoksa MMM yerine bölgesel bir test daha bilgilendirici olur. Bir kanal seçilen bölgelerde durdurulur ya da artırılır, satışlar benzer bölgelerle karşılaştırılır ve sonuç bir sonraki bütçe kararına bağlanır.
  • Platformların bildirdiği dönüşümler toplamı neden gerçek satışı aşar?Her platform kendi gördüğü etkileşimlere kredi verir ve aynı satış birden fazla raporda yer alabilir. Bu nedenle platform raporlarını toplayarak pazarlamanın toplam katkısı hesaplanamaz.
  • Marka adına verilen arama reklamları gereksiz midir?eBay deneyinde marka kelimesi reklamlarının ölçülebilir kısa vadeli faydası çıkmadı3. Bu sonuç çok tanınan bir markanın koşullarında elde edildi; rakiplerin marka adına teklif verdiği pazarlarda sonuç değişebilir ve en güvenilir cevap markanın kendi testinden gelir.

Konuyla ilgili yazılar.

Kaynakça

  1. 1.Randall Lewis, Justin M. Rao, “The Unfavorable Economics of Measuring the Returns to Advertising”, The Quarterly Journal of Economics (EconPapers özeti), 2015. econpapers.repec.org
  2. 2.Google, “Get started with attribution”, Google Analytics Yardım Merkezi, t.y. support.google.com
  3. 3.Tom Blake, Chris Nosko, Steven Tadelis, “Consumer Heterogeneity and Paid Search Effectiveness: A Large Scale Field Experiment”, NBER Working Paper 20171, 2014. nber.org
  4. 4.Meta Marketing Science, “Robyn”, Robyn proje dokümantasyonu, 2024. facebookexperimental.github.io
  5. 5.Brett Gordon, Florian Zettelmeyer, Neha Bhargava, Dan Chapsky, “A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook”, Marketing Science (EconPapers özeti), 2019. econpapers.repec.org
  6. 6.Jon Vaver, Jim Koehler, “Measuring Ad Effectiveness Using Geo Experiments”, Google Research, 2011. research.google
  7. 7.Leonard M. Lodish ve diğerleri, “A Summary of Fifty-Five In-Market Experimental Estimates of the Long-Term Effect of TV Advertising”, Marketing Science (IDEAS özeti), 1995. ideas.repec.org

Danışmanlık

Markanız için doğru adımı birlikte belirleyelim.

Marka Masası’nda strateji, konumlandırma ve büyüme kararlarınızı birebir ele alıyoruz.

Diğer Yazılar