Marketinganalitika () alatt azoknak a mennyiségi és minőségi módszereknek, folyamatoknak és eszközöknek az összességét értjük, amelyekkel a szervezetek a marketingtevékenységükből és a piaci környezetükből származó adatokat gyűjtik, feldolgozzák és értelmezik annak érdekében, hogy a marketingdöntéseket bizonyítékokra alapozzák, és a marketingtevékenység üzleti hatását (például bevételre vagy márkaértékre gyakorolt hatását) mérhetővé tegyék. A fogalom szorosan kapcsolódik az üzleti intelligencia, a webanalitika és a marketingkutatás területéhez, de azoktól elkülönül abban, hogy elsősorban a marketingtevékenység teljesítményének mérésére, a marketingberuházások megtérülésének (ROI) számszerűsítésére és a jövőbeli döntések adatalapú támogatására összpontosít.
A marketinganalitika célja
A marketinganalitika célja, hogy a marketingtevékenységből származó adatokat felhasználható tudássá alakítsa, és ezáltal támogassa a stratégiai és operatív döntéshozatalt: a célközönség meghatározását, a marketingköltségvetés elosztását, a kampányok optimalizálását és a marketingtevékenység pénzügyi elszámoltathatóságát. A terület fejlődésével egyre nagyobb hangsúlyt kap az úgynevezett marketingelszámoltathatóság (), vagyis annak igazolása, hogy a marketingkiadások mérhető üzleti eredményhez vezetnek.
Történeti fejlődése
A marketingteljesítmény mérésének igénye régebbi, mint a digitális technológia: a hirdetések hatékonyságának nyomon követése már a 20. század közepén, a tömegmédia (rádió, televízió) megjelenésével felmerült. A 20. század második felében terjedt el a marketingmix-modellezés, amely aggregált, idősoros értékesítési és médiaköltési adatok statisztikai elemzésével becsülte a marketingtevékenység hatását. Az internet és a digitális marketingcsatornák elterjedésével a 2000-es és 2010-es években a mérés egyre inkább egyéni, felhasználói szintű adatokra (kattintások, munkamenetek, konverziók) épült, ami lehetővé tette a részletesebb, ún. attribúciós modellezést, ugyanakkor új módszertani kihívásokat is felvetett. A 2010-es évek végétől, az adatvédelmi szabályozás szigorodásával és a böngészők nyomkövetés-korlátozásával (l. Korlátok és mérési problémák) a szakirodalomban ismét felértékelődött az aggregált szintű, felhasználói azonosítót nem igénylő módszerek, köztük a marketingmix-modellezés szerepe.
A terület módszertani sokszínűsége és önálló szaklapjai (pl. a Journal of Marketing Analytics, alapítva 2013-ban) is azt jelzik, hogy a marketinganalitika mára a marketingkutatás önálló, a hagyományos kvalitatív és kvantitatív kutatási módszerek mellett egyenrangú harmadik pillérévé vált.
Adatforrások
A marketinganalitika jellemzően többféle, strukturált és strukturálatlan adatforrást kombinál, ezek közé tartoznak többek között:
tranzakciós és értékesítési adatok (webáruház-rendelések, POS-adatok); digitális interakciós adatok (weboldal- és alkalmazáshasználat, hirdetési kattintások, e-mail-megnyitások); ügyfélkapcsolat-kezelő (CRM) rendszerek adatai; piackutatási és felmérésadatok; közösségimédia-adatok és szöveges visszajelzések (pl. vásárlói vélemények).
Fő elemzési területek
A szakirodalomban elterjedt, eredetileg az általános üzleti analitikából átvett négyes felosztás a marketinganalitikai tevékenységeket a válaszolt kérdés jellege szerint csoportosítja.
Leíró analitika
A leíró analitika () a múltbeli marketingteljesítmény összefoglalására, jellemzésére szolgál (pl. kampányriportok, irányítópultok), és arra a kérdésre válaszol, hogy "mi történt".
Diagnosztikai analitika
A diagnosztikai analitika a megfigyelt eredmények mögötti okokat igyekszik feltárni, jellemzően összefüggés-vizsgálatokkal és részletesebb szegmentálással, arra a kérdésre keresve választ, hogy "miért történt".
Prediktív analitika
A prediktív analitika statisztikai modellek és gépi tanulási módszerek segítségével jövőbeli eseményeket (pl. vásárlási valószínűséget, lemorzsolódást) valószínűsít historikus adatok alapján. Ide tartozik például az ügyfél-élettartamérték előrejelzése valószínűségi ügyfélbázis-modellek segítségével.
Előíró (preskriptív) analitika
Az előíró analitika – a szakirodalomban "preskriptív analitika" néven is előfordul – a prediktív modellek eredményeire építve konkrét, optimalizált cselekvési javaslatokat fogalmaz meg, például a marketingköltségvetés csatornák közötti elosztására vonatkozóan.
Módszerek
Ügyfélszegmentáció
Az ügyfélszegmentáció a vásárlói bázis olyan csoportokra bontása, amelyek tagjai hasonló jellemzőkkel (demográfiai adat, vásárlási szokás, érték) rendelkeznek, és ezáltal eltérő marketingmegközelítést igényelnek vagy tesznek lehetővé.
Kohorszelemzés
A kohorszelemzés azonos időszakban (pl. azonos hónapban regisztrált) felhasználók csoportjainak viselkedését hasonlítja össze időben, jellemzően a megtartás vagy az ismételt vásárlás alakulásának feltárására; a módszer a marketingen kívül az ügyfélbázis-elemzés más területein (pl. előfizetéses szolgáltatások) is elterjedt.
Attribúciós modellezés
Az attribúciós modellezés azt igyekszik megbecsülni, hogy egy vásárlói út (customer journey) egyes érintkezési pontjai – például hirdetéskattintások, e-mailek, közösségimédia-interakciók – milyen mértékben járultak hozzá egy adott konverzióhoz. A hagyományos, szabályalapú modellek (pl. utolsó érintkezési pont) mellett elterjedtek az adatvezérelt, statisztikai módszereken alapuló modellek is. A szakirodalom ugyanakkor hangsúlyozza, hogy az attribúciós modellek jellemzően korrelációs, nem pedig oksági kapcsolatot mutatnak ki, ezért eredményeik óvatos értelmezést igényelnek.
Marketingmix-modellezés
A marketingmix-modellezés ökonometriai, jellemzően többváltozós regressziós módszerekkel becsüli az egyes marketingcsatornák (pl. televízió, digitális hirdetés, promóció) aggregált, idősoros adatok alapján mért hatását az értékesítésre, és ezáltal segíti a marketingköltségvetés csatornák közötti allokációját. Az egyéni felhasználói adatokra épülő attribúciós módszerekkel szemben a marketingmix-modellezés előnye, hogy nem igényel felhasználó szintű nyomkövetést, ezért a szigorodó adatvédelmi környezetben ismét felértékelődött.
Kísérletek és A/B-tesztelés
A kontrollált kísérletek – köztük az A/B-tesztek – véletlenszerűen két vagy több csoportba sorolják a felhasználókat, és a csoportok közötti eredménykülönbséget statisztikai módszerekkel vizsgálják; ez a módszertan teszi lehetővé a marketingbeavatkozások okságának – nem csupán korrelációjának – igazolását.
Ügyfél-élettartamérték
Az ügyfél-élettartamérték (angolul customer lifetime value, CLV) egy ügyfélkapcsolatból a jövőben várhatóan realizálódó nettó pénzügyi érték becslése; a modern modellek ezt jellemzően valószínűségi (sztochasztikus) modellekkel, a vásárlási gyakoriság és a kapcsolat várható időtartama alapján számítják. Az ügyfél-élettartamérték a vásárlói szegmentáció és a marketingbefektetések (pl. ügyfélszerzési kiadás) megtérülésének értékelésének egyik központi mutatója.
Kereslet- és értékesítési előrejelzés
A keresletelőrejelzés statisztikai idősor-elemzési és gépi tanulási módszerekkel becsüli a jövőbeli keresletet vagy értékesítést, figyelembe véve a szezonalitást, a marketingtevékenységet és egyéb piaci tényezőket; eredményei a készletgazdálkodás és a marketingtervezés bemeneteként egyaránt szolgálnak.
Digitális marketinganalitika
A digitális marketinganalitika a marketinganalitika azon részterülete, amely kifejezetten a digitális csatornákból (weboldal, mobilalkalmazás, közösségi média, keresőmotoros és megjelenítéses hirdetés) származó adatok elemzésére összpontosít. A webanalitika eszközei munkamenet szintű adatokat gyűjtenek a felhasználói interakciókról, amelyeket a marketinganalitika további üzleti adatokkal (pl. értékesítési, CRM-adatokkal) kombinálva elemez.
Kapcsolata a webanalitikával és az üzleti intelligenciával
A webanalitika a marketinganalitika egyik – kifejezetten digitális, weboldal- és alkalmazásalapú – adatforrása és módszertani részterülete, míg a marketinganalitika ennél tágabb, a nem digitális csatornákra és az üzleti eredményekre (bevétel, ügyfélérték) vonatkozó elemzést is magában foglalja. Az üzleti intelligencia a szervezet egészére kiterjedő adatfeldolgozási és riportolási gyakorlat, amelynek a marketinganalitika egy funkcionális alkalmazási területe.
Alkalmazási területek
A marketinganalitika módszereit többek között a következő területeken alkalmazzák: hirdetési kampányok tervezése és optimalizálása, árazási döntések támogatása, termékfejlesztés és -pozicionálás, ügyfélmegtartási (churn-megelőzési) programok, valamint a marketingköltségvetés csatornák közötti elosztása.
Korlátok és mérési problémák
Adatminőség
A marketinganalitikai elemzések megbízhatósága nagymértékben függ a felhasznált adatok pontosságától, teljességétől és konzisztenciájától; a hiányos vagy hibás adatok téves következtetésekhez vezethetnek.
Okság és korreláció
A megfigyelt adatokból levont összefüggések gyakran korrelációt, nem pedig oksági kapcsolatot jeleznek, ezért a szakirodalom hangsúlyozza a kontrollált kísérletek és más okságifedezés-technikák szerepét a marketingdöntések megalapozásában.
Attribúciós bizonytalanság
Az egyes attribúciós modellek (pl. utolsó érintkezési pont, egyenlő súlyozás, adatvezérelt modellek) eltérő eredményre juthatnak ugyanazon adathalmazon, ami megnehezíti a marketingcsatornák hatékonyságának egyértelmű összehasonlítását.
Platformok közötti mérés
A felhasználók több eszközön és platformon (pl. mobiltelefon, számítógép, alkalmazás) keresztül lépnek interakcióba a márkákkal, ami megnehezíti az egységes, platformfüggetlen ügyfélút-mérést.
Adatvédelmi és etikai kérdések
Az Európai Unióban 2018 óta hatályos általános adatvédelmi rendelet (GDPR), valamint a böngészők harmadik féltől származó sütik használatának korlátozása jelentősen szűkítette a felhasználói szintű nyomkövetésen alapuló mérési módszerek alkalmazhatóságát. A kutatások szerint az adatvédelmi szabályozás a marketingmérés pontosságára és a vállalati teljesítménymutatókra egyaránt kimutatható hatást gyakorol. Emiatt a szakirodalom és a gyakorlat egyaránt a felhasználói hozzájáruláson alapuló, elsődleges (first-party) adatgyűjtés, valamint az aggregált, felhasználói azonosítót nem igénylő módszerek (pl. marketingmix-modellezés, inkrementalitási kísérletek) felé fordul.
Jegyzetek
Források Hauser, W. J. (2007). Marketing analytics: the evolution of marketing research in the twenty-first century. Direct Marketing: An International Journal, 1(1), 38–54. https://doi.org/10.1108/17505930710734125 Ylijoki, O. et al. (2023). A decade of marketing analytics and more to come: JMA insights. Journal of Marketing Analytics. https://doi.org/10.1057/s41270-023-00226-6 Basu, A. (2023). Marketing analytics: The bridge between customer psychology and marketing decision-making. Psychology & Marketing. https://doi.org/10.1002/mar.21908 Davenport, T. H., & Harris, J. G. (2017). Competing on Analytics: The New Science of Winning. Harvard Business Review Press. Fader, P. S., & Hardie, B. G. S. (2009). Probability Models for Customer-Base Analysis. Journal of Interactive Marketing, 23(1), 61–69. Fader, P. S., & Hardie, B. G. S. (2007). How to Project Customer Retention. Journal of Interactive Marketing, 21(1), 76–90. Fader, P. S., Hardie, B. G. S., & Lee, K. L. (2005). RFM and CLV: Using Iso-Value Curves for Customer Base Analysis. Journal of Marketing Research, 42(4), 415–430. Gupta, S., Hanssens, D., Hardie, B., Kahn, W., Kumar, V., Lin, N., Ravishanker, N., & Sriram, S. (2006). Modeling Customer Lifetime Value. Journal of Service Research, 9(2), 139–155. Berman, R. (2018). Beyond the Last Touch: Attribution in Online Advertising. Marketing Science, 37(5), 771–792.