Hoe bewijs je een klant dat zijn mediageld werkt? Begin niet langer met screenshots van de ROAS. Het bewijs dat klanten nu vertrouwen, bestaat uit drie delen: een model dat laat zien wat elk kanaal bovenop de baseline toevoegde, een experiment dat dat bevestigt en bewijs dat verklaart waarom de cijfers bewogen. Marketing mix modelling is terug omdat het het eerste deel goed levert.
Het nieuwste bewijs komt uit de Golfregio. Campaign Middle East berichtte dat performancebureau TRKKN het opensource marketing mix model Meridian van Google gebruikte om drie jaar data van beautyretailer Faces te analyseren. Over 11 kanalen voorspelde het model een incrementele omzetgroei van 8,5% en een ROI-verbetering van 10,8 procentpunt, simpelweg door bestaand budget te herverdelen.
Waarom is marketing mix modelling terug?
Omdat de alternatieven niemand meer overtuigden. Platformdashboards rapporteren de conversies waarvan ze denken dat ze die hebben veroorzaakt, dus het platform dat de media verkoopt, is ook degene die meet. Last-click-attributie geeft de eer aan het touchpoint dat als laatste kwam, wat search en retargeting flatteert en de activiteit uithongert die de vraag in de eerste plaats heeft opgebouwd.
MMM pakt het anders aan. Het kijkt naar bestedingen en verkopen in de tijd, over alle kanalen inclusief offline, en schat wat elk kanaal bovenop de baseline heeft bijgedragen. Het hoeft geen individuele gebruikers te volgen. En met opensourceopties zoals Meridian ligt de drempel nu bij data-engineering en expertise in plaats van bij een flinke licentiefee.
Harry Lonergan, digital marketing director bij Faces, vertelde Campaign Middle East: ‘Meridian heeft ons geholpen verder te kijken dan wat we zien in de last-click-prestaties.’ Dat is de zin die de meeste klanten graag zelf zouden willen kunnen uitspreken.
Wat liet de case van Faces en TRKKN nu eigenlijk zien?
De details zijn de moeite waard, omdat ze ook als sjabloon dienen. TRKKN leidde de data-engineering, de modelbouw en de implementatie binnen de bestaande Google Cloud-omgeving van Faces. Het model omvatte online en offline marketing- en omzetdata in Saudi-Arabië van 2023 tot en met 2025.
Drie outputs waren belangrijk. Ten eerste liet het zien welke kanalen incrementele omzet opleverden, waarbij 19% van de omzet als campagnegedreven werd aangemerkt. Ten tweede schatte het de respons- en verzadigingscurve van elk kanaal, zodat zichtbaar werd waar extra bestedingen een afnemend rendement zouden opleveren. Ten derde modelleerde het budgetscenario's, en daar kwam het cijfer van 8,5% vandaan. Performance Max kwam in de analyse naar voren als het sterkste kanaal.
Let op waar het bureau niet om vroeg: meer geld. De aanbeveling was om het geld dat er al was te verschuiven. En het raamwerk is doorlopend, met een herbeoordeling van de ROI zodra er nieuwe data binnenkomt, in plaats van een eenmalig rapport. Zoals Vimal Badiani, managing director van TRKKN, het zei: ‘Het gaat erom marketeers het bewijs en het vertrouwen te geven om betere beslissingen te nemen.’
Welk bewijs hebben klanten nodig om in media-ROI te geloven?
Geen enkele methode is op zichzelf genoeg. Elke laag beantwoordt een andere vraag en heeft een andere zwakte.
| Bewijslaag | Vraag die het beantwoordt | Gebruikelijke methode | Zwakte |
|---|---|---|---|
| Door platforms gerapporteerde ROAS | Hoe efficiënt was dit kanaal, volgens zijn eigen maatstaf? | Rapportage in de advertentiemanager | Kijkt zijn eigen huiswerk na; negeert incrementaliteit |
| Marketingmixmodellering | Wat voegde elk kanaal toe bovenop de baseline? | Statistisch model van bestedingen en verkopen over meerdere jaren | Verklaart wat, niet waarom; vraagt om consistente data |
| Incrementaliteitstests | Heeft dit kanaal de groei veroorzaakt? | Geografische holdouts, conversion-liftstudies | Traag; meestal één kanaal tegelijk |
| Verzadigingscurves | Waar levert extra besteding niets meer op? | Output van de MMM | Slechts zo goed als het model erachter |
| Bewijs over doelgroep en concurrenten | Waarom bewogen de resultaten? | Social listening, analyse van advertenties van concurrenten | Anekdotisch, tenzij herleid tot echte data |
De meeste bureaus presenteren de eerste rij en hopen er het beste van. De bureaus die hun budgetten behouden, presenteren ze alle vijf.
Waarom belanden mediabudgetten op de verkeerde plekken?
Economen hebben er een naam voor: marktfalen. Markten verdelen middelen goed wanneer kopers en verkopers over goede informatie beschikken. Ontbreekt informatie, of heeft maar één partij die, dan stroomt geld naar de verkeerde plekken en blijft het daar.
Media-inkoop is een schoolvoorbeeld. De klant ziet niet wat de platforms zien. Het bureau ziet meer dan de klant, maar wordt vaak, althans gedeeltelijk, betaald in verhouding tot wat het besteedt. Platforms rapporteren over hun eigen prestaties. Iedereen handelt rationeel op basis van gedeeltelijke informatie, en het resultaat is budget dat zich opstapelt in kanalen die er bij last click goed uitzien, terwijl de kanalen die vraag opbouwen honger lijden. Een voorspelde winst van 8,5% door simpelweg budget te verschuiven dat Faces al uitgaf, is in feite een maatstaf voor die verkeerde allocatie.
De oplossing is niet meer data. Het is gedeelde helderheid. In de zakenwereld schept helderheid verbinding: wanneer klant en bureau naar hetzelfde bewijs kijken en het op dezelfde manier lezen, verschuift het gesprek van bestedingen verdedigen naar beslissen waar ze nu naartoe gaan.
Hoe bouw je een verhaal over media-ROI dat klanten vertrouwen?
- Spreek het bedrijfsresultaat en de baseline af. Omzet, nieuwe klanten of marge, en een eerlijk beeld van wat er zonder marketing zou zijn gebeurd.
- Bouw een consistente datahistorie op. Bestedingen en resultaten per kanaal, online en offline, plus prijsstelling, promoties en seizoenspatronen. Faces gebruikte drie jaar over 11 kanalen.
- Draai het model. Gebruik een opensource-MMM zoals Meridian of een gespecialiseerde partner. Vraag om de bijdrage per kanaal en verzadigingscurves, niet om één ROI-cijfer.
- Valideer één bevinding met een experiment. Een geografische holdout op het kanaal dat volgens het model te veel budget krijgt, is de overtuigendste test die je kunt doen.
- Leg het waarom uit. Koppel elke kanaalbevinding aan wat er werkelijk werd gezegd en gezien: de creatie die liep, wat concurrenten lanceerden en hoe het gesprek in de doelgroep verschoof.
- Presenteer een herverdeling, geen verzoek. Laat het scenario zien dat bestaand budget verschuift en het resultaat dat het voorspelt.
- Houd het model levend. Draai het opnieuw zodra er nieuwe data binnenkomt, zodat ROI een doorlopend gesprek wordt in plaats van een jaarlijkse discussie.
Waar passen creatie en lokale context in media-ROI?
MMM vertelt je welk kanaal werkte. Het zegt weinig over wat de boodschap deed, en dat gat doet ertoe. Campaign berichtte over nieuw onderzoek van Publicis London, System1 en Effie waarin wereldwijde campagnes werden vergeleken met werk voor lokale markten, en waaruit bleek dat wereldwijde campagnes minder commerciële resultaten opleveren. Als de fit tussen een boodschap en haar markt zoveel invloed heeft op de resultaten, is een verklaring die alleen naar kanalen kijkt maar een half antwoord.
Dit is de ontbrekende helft van de meeste ROI-decks. Als een model zegt dat paid social in het derde kwartaal beter presteerde dan verwacht, is de volgende vraag van de klant: waarom? Lag het aan de creatie? Werd een concurrent stil? Verschoof waar de doelgroep over praatte? Defy Monitor beantwoordt dat door elke AI-conclusie te herleiden tot de echte gepubliceerde posts erachter, met een strategie die wordt afgeleid uit wat doelgroepen en concurrenten daadwerkelijk publiceren in plaats van uit enquêtes. Het werkt naast je metingen, niet in plaats daarvan, als onderdeel van het Defy-platform.
