I denne uge skal vi forbi tre af de absolut største indenfor web analytics: Coremetrics, Omniture og Google Analytics.

Vi er startet hos Coremetrics, der er førende indenfor web analytics til retail. De har 2.000 kunder, og blandt dem finder man alle de store butikskæder i USA. Wal-Mart, Nordstrom, you name it.

Mødet tog form som en generel diskussion af fremtiden for web analytics med deltagelse af Roslyn Layton (Director, Agency Services) fra Coremetrics og Andreas Ramos fra CCG.

Her er, hvad vi talte om.

Reklamen er på vej væk fra Madison Avenue

I USA er Madison Avenue stedet for de store reklamebureauer, men billedet er ved at ændre sig. Bureauerne ved stadig for lidt om markedsføring på nettet, og virksomheder som Coremetrics giver et datagrundlag for at vurdere kvaliteten af markedsføring.

Begrebet kalder man for Evidence Based Marketing.

Recessionen i USA har skabt øget fokus på, hvordan marketingbudgetter anvendes, og det er vind i sejlene for analytics-sektoren, og derfor er hele reklamebranchen i USA under forvandling. Det er en chance for mange af de mindre og mere fleksible bureauer, og jeg vil mene, at det samme gælder i Danmark i øjeblikket, omend nok i mindre skala end her.

Web Analytics eller Business Optimization?

Firmaer som Coremetrics er holdt op med at sige, at de arbejder med Web Analytics. Nu er termen i stedet for Business Optimization. Målinger skal ske på tværs af medier, og man henvender sig i stigende grad til ledelsen.

Cross Channel Marketing

Udgangspunktet for Coremetrics suite af analyseværktøjer er, at det skal kunne fungere på tværs af medier og kanaler.

Det handler om at møde kunderne alle de steder, de er til stede, og det er ensbetydende med, at der sker en omfattende registrering af data med henblik på at lave mønstergenkendelse.

Hvad betyder det så?

Coremetrics registrerer informationer om personer ved at gemme en cookie, og denne cookie bruges til at opsamle data, så personen får en profil. Hvis man nu bruger en computer derhjemme og en anden på arbejdet, så kan det være man foretager sig handlinger, som kan matches op mod hinanden, og så vil data fra de to computere flettes sammen i ens profil.

Det er en ubehagelig virkelighed, vi lever i, men den massive opsamling af data om personer kender vi også fra Facebook, Google og andre. Som Roslyn siger, så er det nok bedst at betale kontant, hvis man vil være anonym.

Nu er målgruppen for systemer i denne her kaliber nok over 100 mio. i årlig omsætning, så man vil næppe bruge meget krudt på at overvåge enkeltpersoners adfærd, men mit bud er, at man ud fra mine “anonyme data” i en Coremetrics-løsning nok hurtigt ville kunne finde ud af, hvem jeg er.

Formålet med profileringen er dog ikke at identificere personer, men at lave målrettede reklamer og målinger af effekten.

Hvordan fungerer det så?

Coremetrics forklarer selv deres produkt som en “Complete marketing optimization portfolio built on unified analytics foundation”.

Kort sagt registerer man alt, hvad man kan, og samler data et enkelt sted. Det giver det bedste overblik for beslutninger.

Platformen er delt op i tre niveauer:

1. Data Aquisition

Indsamling af data består af et analyseværktøj med statistiske informationer om brugeradfærd på et website. En fremragende feature viser enkelte websider med et overlay, der viser en direkte kobling mellem links og omsætning.

Mange værktøjer viser, hvor brugerne klikker henne, men jeg har aldrig før set at omsætningstallet også er medtaget.

Der er også et benchmarking-værktøj, der viser hvordan ens websitet klarer sig i forhold til andre af samme størrelse og i samme branche. Det fungere ved at anonymiserede data fra andre Coremetrics-installationer bruges som sammenligningsgrundlag, og faktisk udgiver Coremetrics en årlig rapport, der anvendes af de amerikanske medier til at beskrive, hvordan retail-sektoren klarer sig.

Foruden dataindsamlingen er der LIVE Profile. Det er her, man samler enkeltpersoners brugeradfærd, så man får en viden om adfærd på websitet over tid. Det kaldes “Lifetime Individual Visitor Experience”.

2. Automate

Coremetric Search giver et indblik i, hvad læserne søger efter på websitet efter de er ankommet. Da der også er en historik over, hvordan trafikken er kommet hen på websitet, så er der en interessant kobling mellem hvad man for eksempel har søgt efter på en søgemaskine og hvad man efterfølgende søger efter på websitet.

Det anvendes til at optimere, hvordan man anvender Pay Per Click-annoncering.

Der er også en recommendation engine, der kan optimere annoncevisningen eller produktvisningen på et website baseret på læserens LIVE Profile.

Det giver typisk en omsætningsstigning på 7% af anvende en recommendation engine, så man kan selv regne sig frem til, hvornår det er et it-projekt, der tjener sig hjem igen.

Hvis man nu har købt noget, så overtager LIVE Mail. Dette system kan udsende emails til personer baseret på, hvad de har set på websitet og hvorhenne de er i købsbeslutningen. Jeg er faktisk usikker på, om det vil være legalt at anvende i Danmark, men lad os bare slå fast, at forbrugerbeskyttelse ikke er det store debatemne i USA.

Et eksempel på LIVE Mail er, at jeg tidligere har købt noget i en webshop og derfor er kendt af systemet. Jeg har sikkert også sagt ja tak til at modtage emails med nyheder. Nu er jeg ved at købe et fjernsyn, og mens jeg kigger på de forskellige modeller, så sender LIVE Mail mig en email med et tilbud på…

…ja, du har gættet det. Lige netop det fjernsyn, jeg overvejer at købe.

Når jeg så ikke køber alligevel, så får jeg en ny email en uge senere, hvor der pludselig er særtilbud på fjernsynet, så det er nu eller aldrig.

Da en LIVE Profile jo kender en hel del til, hvad jeg interesserer mig for, så anvendes AdTarget til at vise mig annoncer for produkter, jeg sikkert burde interessere mig for. Det kender vi fra Amazon som funktionen, der fortæller at “andre der har købt denne bog har også købt…”, bortset fra at det her vil være baseret på hvad jeg rent faktisk selv har set på nettet.

3. Syndicate

Coremetrics værktøjer er lavet, så de kan anvendes på en række platforme uden for ens eget website. Det gælder for eksempel kampagneværktøjer, søgemaskiner og sociale medier som Facebook og Twitter.

Det forkromede overblik

Det hastigt voksende marked for web analytics-systemer har en enkel forklaring: Reklame spreder sig til flere og flere medier og platforme, og ingen kan overskue sammenhængen.

I USA, hvor krisen er langt større end i Danmark, er mange virksomheder i nedskæringer, og der bliver færre ansatte i marketing.

Derfor er der brug for at skabe et overblik hurtigt. De, der har ansvaret for at træffe beslutninger, har ikke tid til at fortolke data.

Nu er der en menneskelig proces, som aldrig bliver overflødig, når det gælder om at analysere, men det er en hjælp at have et system, der kan samle data fra alle kommunikationskanaler og reagere ud fra et sæt af regler.

Med evidence based marketing sker der også et skift, hvor markedsføring i mindre grad er baseret på intuition, og så må man jo forholde sig til de ubehagelige sandheder. Det kan godt være, vi synes den anden annonce er flottere, men det er ikke den, der virker.

Som Roslyn siger, så er det amerikanske bidrag til resten af verden, at “If it is about making money, we know about that.”

Offline, online og sociale medier

For de amerikanske virksomheder er det en stor udfordring, at der er mangel på personer, der har en stærk baggrund i online-markedsføring.

I USA anvender man ofte en Customer Lifetime Value Formula, der er baseret på værdien af kunden fem år frem i tiden. På nettet virker formlen bare ikke, fordi konkurrenterne kun er et klik væk, så en mere korekt model er nok at regne i tre til 12 måneder.

Sociale medier er en udfordring i sig selv.

I USA er der en større tradition for at kontrollere omtalen af sin egen virksomhed end der er i Danmark, så sociale medier som Facebook og Twitter er en klar udfordring.

Coremetrics bygger en række værktøjer til at følge, hvad der for eksempel sker på Twitter. Det giver et indblik i, hvad læsere på nettet mener om virksomheden eller produkter. Hvordan man så forholder sig til det, er så en anden sag.

I USA har mange virksomheder en størrelse, hvor man har ansat personer på fuld tid til at overvåge kommunikation på for eksempel Twitter, så det er muligt aktivt at hjælpe, hvis utilfredse kunder for eksempel beklager sig online. Her er der måske i virkeligheden tale om en lille sejr for forbrugeren?

Category Definition

I dag lærte jeg så også noget helt nyt. Coremetrics har et helt system for “Category Definition”. Det er en slags content managent system for produktkategorier.

Udfordringen er at få klassificeret alle produkter i en logisk struktur. Det er en forudsætning for at få velfungerende analysedata.

Imidlertid vil en virksomhed, der for eksempel omsætter for 1 mia. om året, både have et rimeligt stort flow af nye produkter, men der vil også ske løbende omstruktureringer i de eksisterende produktkategorier.

Det giver jo meget mening, og fra vores egne projekter kan jeg også genkende den klassiske diskussion om, hvordan man opbygger et hierarki.

Den trebenede skammel

Hvad er den rette fordeling af trafik på et website?

Der kan være tre forskellige hovedkilder til trafik:

• Direct Load. Læseren har indtastet adressen i browseren.
• Brand Name. Læseren har søgt efter et varemærke og fundet sitet.
• Paid Placement. Læseren har fundet sitet via en annonce på nettet.

Desuden vil der i mindre omfang være trafik fra for eksempel egne nyhedsbreve.

Roslyn fortæller, at det er en god tommelfingerregel at trafikken fra de tre hovedkilder skal være nogenlunde ensartet.

Hvis direct load for eksempel er største trafikkilde, så har man sikkert ikke forstået at optimere søgninger rettet mod et bestemt produktnavn.

Hvis søgninger kun kommer fra Google, uanset om det er organisk søgning eller paid placement, så har man bragt sig i en situation, hvor man er meget afhængig. Hvis Google ændrer placeringen af ens website, kan det medføre et drastisk fald i omsætningen.

Anbefalingen er derfor at se på data og sikre, at der er en ligelig fordeling.

Coremetrics og købsprocessen

I en købsproces er der typisk flere stadier. Det kan se sådan her ud:

1. Awareness.
En læser søger på Google efter “big screen tv” og vælger et organisk link til websitet. Det er altså de normale søgeresultater, vi taler om her, og ikke de sponsorerede links.

2. Interest.
Senere vender læseren tilbage og søger mere direkte efter “sony lcd tv”. Det er her, man skal have sin betalte annonce klar. Prisen er lavere, fordi søgningen er specifik, og der er tale om en person, der er mere klar til at købe ind.

3. Consideration.
Måske sker købet ikke i trin 2, men senere. Så vender kunden måske direkte tilbage til websitet og søger efter “sony 362Y2”. Vi er altså ude i direct load, og her kan der så sendes en email med LIVE Mail og annoncer kan vises med AdTarget.

4. Purchase.
Når kunden har købt, så ved vi, at der kan sælges kabler, en Playstation og andet tilbehør. Det er her, en recommendation engine kommer i betragtning.

Og hvad synes vi så om det?

Man skal op i en ret stor skala efter danske forhold, hvis man skal implementere Coremetrics, men er man i retail-sektoren, er det en platform, det er svært at komme udenom.

Brugergrænsefladen er overvejende godt lavet og giver et meget overskueligt billede af data i realtid og på tværs af kommunikationsplatforme. For de rette beslutningstagere kan det være et uundværligt værktøj.

Næste version af Coremetrics system understøtter i øvrigt danske kroner, og selskabets vækst er nu størst uden for USA.

For dem, der nåede helt til slutningen siger jeg i øvrigt tak. Det var svært at fatte sig i korthed denne her gang.