Brand health tracking staat onder druk. De pandemie heeft dat verergerd. Sommige bedrijven besteden minder (of nauwelijks meer) aan marketing en ze doen minder aan meting. In dit artikel betogen Sjoerd Koornstra en Patrick Bruin dat brand health tracking belangrijk is en wat dat betekent voor company insights managers.
Het spectrum aan verkoopkanalen wordt groter. Zowel de verkoop via online platforms als via direct sales zal toenemen. Deze verkopen worden ondersteund door gepersonaliseerde marketing- en promotiecampagnes. Consumenten kunnen op meer momenten en via verschillende middelen worden beïnvloed. Ze worden ook vaker dan voorheen bestookt met concurrerende boodschappen. Hoe sterker je merk, hoe minder de consument vatbaar is voor verleiding. En hoe weet je dat jouw merk sterk in het hoofd van de consument zit? Door regelmatig te meten.
Wanneer moet je brand health tracking uitvoeren? De belangrijkste reden om het wel te doen is dat het merk een belangrijke factor is in het aankoopbeslisproces. Een merk kan een consument emotionele en functionele redenen geven om te kopen.
Een andere factor is dat het management bereid moet zijn om beslissingen te nemen op basis van de uitkomsten. Als het management zijn eigen ervaring en onderbuikgevoel gebruikt als belangrijkste bron voor besluitvorming, is brand health tracking niet nodig.
'Brand health is een weerspiegeling van alle merksignalen in de markt'
Aandachtspunten
Brand health tracking brengt de aandachtspunten voor het merk in kaart. Dat kunnen zwakke punten zijn of drempels, maar ook: leidt het merk al tot voldoende gebruik en moet de focus nu liggen op frequentere consumptie. In het algemeen omvat brand health tracking de volgende aspecten:
- Kennen consumenten mij?
- Hebben consumenten mij gezien?
- Vinden consumenten mij aardig?
- Hoe vaak gebruiken consumenten mij?
- Wat vinden consumenten van mij?
- Wat is mijn algehele fitnessscore (brand health / equity)?
- Geven consumenten mij de voorkeur boven andere merken?
De volgende aspecten zijn specifieker, maar er wordt niet altijd rekening mee gehouden, vooral niet als een off-the-shelf-oplossing van bureaus wordt geïmplementeerd:
- Het meet-framework moet in lijn zijn met de wijze waarop merken worden gemanaged.
- De frequentie moeten overeenkomen met het vermogen van de organisatie om te reageren. Het heeft bijvoorbeeld geen zin om per kwartaal te meten als het jaarbudget vast ligt.
- De meting dient ook in de tijd vergelijkbaar te zijn wat betreft verschillende markten/categorieën.
- De KPI’s moeten absoluut zijn met duidelijke referenties en niet relatief. Dat het merk 105 scoort ten opzichte van de belangrijkste concurrent zegt niets. Die kan erg zwak of sterk zijn.
- De KPI’s moeten eenvoudig en gemakkelijk te begrijpen zijn. Onze ervaring is dat geconstrueerde KPI’s op basis van statistische modellen moeilijk te begrijpen zijn en ook een quasi wetenschappelijk karakter hebben.
- De KPI’s moeten worden gekoppeld aan de fase van merkontwikkeling. Voor verschillende merken en vooral merkgroottes (gevestigd merk versus opkomend nieuw merk) kan de focus op verschillende aspecten liggen, b.v. op naamsbekendheid voor kleinere merken, terwijl recall en associaties belangrijker zijn voor lang bestaande A-merken.
Augmented analytics
Brand health is een weerspiegeling van alle merksignalen in de markt. Merkboodschappen worden gecommuniceerd via verschillende marketingactiviteiten (reclame, sponsoring etc.) maar ook via retailers. De afgelopen tien jaar zijn veel FMCG-merken het slachtoffer geworden van frequentere en toenemende prijsacties door retailers. Die acties hebben een verwaterend effect op de brand health.
Brand health wordt vaak geïsoleerd geanalyseerd, terwijl het het resultaat is van marketing- en verkoopactiviteiten. Een holistische kijk op het merk maakt integratie van verschillende bronnen onmisbaar. Denk aan retail audit tracking, huishoudpanels en media touchpoint-metingen zoals bereik, GRP’s, frequentie, uitgaven, clicks, conversie-rates en sociale media.
Een ander fenomeen dat we zien is het toenemende gebruik van augmented analytics-technieken. Geautomatiseerde analyse is mogelijk door gebruik van AI en ML. In combinatie met natuurlijke language processing kunnen dynamische en automatisch gegenereerde analyserapportages worden geleverd. Dat maakt het mogelijk om sneller op de uitkomsten in te spelen. Natural Language Query-technologieën, die een vraag stellen als ‘kun je een overzicht geven van ons merk X versus het concurrerende merk Y’, zullen een veel eenvoudigere en snellere navigatie vergemakkelijken.
'Insights managers moeten analytics translators worden en ML-algoritmen beheersen om data-scientists te kunnen aanturen'
Capaciteiten
Het bovenstaande heeft gevolgen voor de capaciteiten van een insights manager. Hij of zij moet een business partner zijn voor de beslisser (meestal marketing). De insights manager moet de ICT-afdeling aansturen en zoeken naar de effectiefste manier om brand health tracking te integreren in het interne BI-platform. Het integreren van enquêtegegevens, waaronder die van brand health tracking, wordt vaak onderschat, vooral door ICT. Insights managers moeten analytics translators worden en ML-algoritmen beheersen om data-scientists te kunnen aanturen. De laatsten zijn nodig om analysemodellen te bouwen.
Valkuilen
Bij een multinationale aanpak kan de weerstand van lokale insights managers groot zijn. We hebben vaak gezien dat deze managers in een opstartfase hun eigen ‘baby’s’ willen behouden.
Marketingmanagers willen goede resultaten laten zien aan de rest van de organisatie. Als de resultaten niet in overeenstemming zijn met hun verwachtingen, dan kunnen ze het systeem ondermijnen.
De grootste valkuil ontstaat volgens ons wanneer de insights managers niet bereid zijn om zowel voldoende kennis van BI-tools als van de benodigde AI/ML-mogelijkheden te verwerven. Het softwareplatform zal niet aan de verwachtingen voldoen en gebruikers kunnen weglopen. In het geval dat de augmented analyse niet van de grond komt, kunnen gebruikers gaan klagen over de snelheid van de analyse. Zeker als dit door andere disciplines wel goed wordt geregeld.
Op 29 november organiseert de MOA, de MOAcademy ‘Steering data science projects‘ met Sjoerd Koornstra als workshopleider. Voor meer informatie en inschrijven bekijk de agenda.