Moni yritys pohtii, mikä on sen markkinointiponnistelujen vaikutus myyntiin. Kysymyksen ratkaisemisella on suuri arvo, koska tehottomista kampanjoista haluttaisiin luopua ja tehokkaisiin panostaa lisää.
Tässä esitellään kaksi yleisesti käytössä olevaa tekniikkaa kampanjan vaikutuksen arviointiin sekä näytetään, kuinka harhaan ne voivat johtaa ja miksi näin käy. Lopuksi näytetään, kuinka aikasarja-analyysillä voidaan arvioida näitä tekniikoita olennaisesti tarkemmin ja luotettavammin kampanjan vaikutus myyntiin.
Lähdetään liikkeelle esimerkillä: alla on graafi, josta ilmenee (kuvitteellisen) ”Nisupulla” -tuotteen myynti ja hinta. Tehtävänä on arvioida, onko sen mainostaminen huhti-syyskuussa 2013 nostanut sen myyntiä vai ei ja jos on, niin kuinka paljon.
Yleisiä käytössä olevia tekniikoita tutkia asiaa ja sitä myötä näkökulmia on (ainakin) kaksi:
- Nisupullan myynti on laskenut kampanjan alkuun verrattuna. Ja heti kampanjan loputtua sen myynti on taas noussut dramaattisesti – surkea kampanja siis!
- Nisupullallahan on selvä kuuden kuukauden kausivaihtelu. Jos verrataan vuoden takaiseen myyntiin, on Nisupullan myynti noussut huimasti – loistava kampanja siis!
Alla on graafi, joka havainnollistaa tätä näkemyseroa:
Näkemykset ovat niin kaukana toisistaan kuin olla ja voi. Kumpi on oikeassa?
Ei kumpikaan.
Mikä meni pieleen?
- Kampanjan alkuun vertaaminen ei huomioinut kausivaihtelua: Nisupullaa ostetaan tavanomaista enemmän touko- ja marraskuussa. Tämä selittää sekä kampanjan aikaisen heikon myyntimenestyksen että kampanjan jälkeisen myynnin huiman nousun.
- Vuoden takaiseen vertaaminen ei huomioinut trendiä: Nisupullan myynti on kasvanut tasaisesti useita vuosia. Tämä nousu ei ole kampanjan ansiota, koska trendi on ollut olemassa jo kauan ennen kampanjaa.
- Kumpikaan tekniikka ei huomioinut hinnan vaikutusta: sen nousu kampanjan aikana selittää osittain myynnin laskun, kuten myös hinnan lasku avitti myynnin nousua kampanjan jälkeen.
- Kumpikin tekniikka sivuutti sen tosiasian, että Nisupullan myynti on osittain satunnaisilmiö, eikä satunnaisesti heilahtelevaa osaa myynnistä tule laskea kampanjasta aiheutuvaksi. Esimerkiksi kampanjan jälkeinen myynnin nousu selittyy osittain sillä, että lokakuussa 2013 on ollut pienehkö sattumanvarainen lisänotkahdus alaspäin ja marraskuussa niinikään pieni satunnainen lisänousu.
- Kausivaihtelusta
- Trendistä
- Hinnasta
- Muista tekijöistä (esim. kilpailevan samankaltaisen tuotteen hinnasta)
- Sattumasta
- Kampanjasta
Kampanjan todellinen vaikutus tunnistetaan soveltamalla aikasarja-analyysiä myyntihistoriaan
Ratkaisu edellä esitettyyn ongelmaan on analysoida kampanjan vaikutus aikasarja-analyysillä. Tämä on tavanomaisesta poikkeava tapa käyttää aikasarja-analyysiä, koska melkein aina sitä käytetään tulevan ennustamiseen eikä menneen analysointiin.
Aikasarja-analyysi puree tähän ongelmaan, koska se pystyy samanaikaisesti tunnistamaan mikä osuus myynnin vaihtelusta johtuu:
Aikasarja-analyysillä siis tunnistetaan, mikä on kampanjan itsenäinen vaikutus, kun myynnin vaihtelusta on poistettu kaikkien muiden em. luettelossa olevien tekijöiden vaikutus. (Teknisesti tämä tehdään siten, että arimax-malliin lisätään kampanjan vaikutuksen itseensä imevät apumuuttujat. Tämän kuvailu ansaitsisi melkeinpä oman bloginsa.)
Palataan Nisupulla-esimerkkiin. Ao. kuvassa on tehty (MS SQL Server Analysis Service:llä) aikasarja-analyysi Nisupullan myyntihistorialle. Aikasarjamallin tuottama hintaennuste (keltainen) pystyy toistamaan erittäin hyvin myynnin (sininen) säännönmukaisena toistuvat vaihtelut, tärkeimpinä trendin ylöspäin, kausivaihtelut ja hinnan (punainen) vaikutuksen. Toteutuneen myynnin ja mallin ennusteen erotus tulkitaan satunnaiseksi myynnin vaihteluksi. Näistä yli jäävä osuus myynnin vaihtelusta on kampanjan aiheuttamaa (harmaa).
Havaitaan, että kampanjan todellinen vaikutus oli pienempi kuin vuoden takaiseen vertaamalla saatiin tulokseksi mutta suurempi kuin kampanjan alkuun vertaaminen näytti.
Aikasarja-analyysi mahdollistaa myös sen todentamisen, että Nisupullan kampanjoinnilla on ollut tilastollisesti merkitsevästi positiivinen vaikutus sen myyntiin (mikä on toki eri asia kuin asiallisesti merkitsevä). Vuoden takaiseen tai kampanjan alkuun vertaaminen eivät tähän kykene.
Aikasarja-analyysin rajoitteet
Tämäkään tilastollinen tekniikka ei ole suinkaan täydellinen, kuten ei mikään tekniikka kampanjan vaikutuksen arvioimiseksi. Yleisesti voi todeta, että kampanjan vaikutuksen tunnistaminen onnistuu aikasarjamallilla sitä paremmin, mitä säännönmukaisempaa on myynnin vaihtelu muista kuin kampanjasta johtuvista syistä (kohdat 1-5 edellä). Jos myynti on aivan kaoottista kohinaa, on vaikea erottaa kampanjan vaikutusta. Tosin silloin ajautuvat ongelmiin muutkin tähän tähtäävät tekniikat.
Toinen haaste on se, että aikasarjamalli tulkitsee kaiken em. kohtien 1-5 ulkopuolelle jäävän myynnin vaihtelun kampanjasta johtuvaksi. Jos kampanjoita onkin täysin samaan aikaan ollut vaikkapa kaksi, tunnistaa aikasarjamalli niiden yhteisvaikutuksen. Sama pätee, jos on tapahtunut jotain muuta myyntiin vaikuttavaa samanaikaisesti kampanjan kanssa. Nisupullan tapauksessa tämä voisi olla vaikkapa kampanjan ajankohtaan osunut uutinen Nisupullassa käytetyn elintarvikevärin haitallisuudesta terveydelle. Ja jälleen on todettava, että tämä toki tuottaa ongelmia muillekin kampanjan vaikutusta arvioiville tekniikoille.
Yhteenveto
Perinteisillä tekniikoilla saatetaan ajautua aivan hakoteille sen arvioinnissa, mikä on kampanjan vaikutus myyntiin. Esimerkin tapauksessa kampanjan alkuun vertaaminen tuotti aivan liian synkän kuvan ja vuoden takaiseen vertaaminen aivan liian optimistisen kuvan kampanjan vaikutuksesta. Molemmat tekniikat epäonnistuivat, koska ne eivät kyenneet huomioimaan kaikkia myynnin vaihtelun säännönmukaisuuksia. Niiden avulla ei myöskään voida arvioida onko kampanjan vaikutus tilastollisesti merkitsevä vai ei.
Aikasarja-analyysi on olennaisesti parempi tekniikka, koska se pystyy arvioimaan, mikä osuus myynnin vaihtelusta johtuu kausivaihtelusta, trendistä, hinnasta, sattumasta, muista tiedossa olevista tekijöistä ja kampanjasta. Näin kampanjan vaikutus arvioidaan realistisesti. Samalla selviää, onko vaikutus tilastollisesti merkitsevä vai ei.
Itse asiassa aikasarja-analyysillä voidaan tunnistaa tässä esitetyllä tavalla minkä tahansa tapahtuman tai toimenpiteen vaikutus mihin tahansa aikasarjan muodossa esitettävissä olevaan ilmiöön… Vaikkapa tulivuorenpurkauksen vaikutus lentoliikenteeseen.
– Antti O.
P.S. Lue myös Lasse Liukkosen blogi aikasarja-analyysin alkuaskeleista.
