Magma
21.04.2021
INTRODUKSJON
Digitale reklamekampanjer kjennetegnes av at man kontinuerlig måler effekt online og følger kundenes responser løpende (Kohavi & Longbotham, 2017; Neff, 2011). Tilbakemeldinger på effekt kan avleses via Google Analytics og lignende analyseverktøy i sanntid. I tillegg benyttes ofte A/B-testing - en form for taktisk eksperimentering med ulike reklamebudskap - som en metode for å måle effekt (Gallo, 2017; Kohavi & Longbotham, 2017; Neff, 2011; Siroker & Koomen, 2013). Disse løpende effektmålingene underveis i kampanjeperioden gir viktige målepunkter, men effekten av digital reklame kan også pretestes før kampanjen iverksettes (Cramphorn, 2004; Hall, 2002; Rossiter & Eagleson,1994). Denne artikkelen fokuserer på nettopp denne formen for effektmåling og nye former for pretesting. Nye metoder kan potensielt bidra til å redusere risiko ved store reklameinvesteringer samt måle de potensielle effektene av digital reklame før den vises i digitale medier (Hotz, 2008; Lin et al., 2018; Pieters & Wedel, 2020; Plassmann et al., 2007; Silberstein & Nield, 2012).
De totale medieinvesteringene, eksklusiv sponsing og arrangementer, var i 2019 på hele 21,1 milliarder kroner i Norge (IRM, 2020). Det var en økning på 2,5 prosent fra året før. Av den totale reklameinvesteringen i 2019 utgjør nå internettannonseringen 56 prosent, eller 11,8 milliarder kroner. 5,7 milliarder av disse er display-annonser inkludert video og sosiale medier, 2,1 milliarder er rubrikk og katalog, og 3,9 milliarder er søk (IRM, 2020). Store investeringer må bidra med høy avkastning. Annonsører bør derfor være svært opptatt av å legge ned betydelig innsats for å måle effektene av sine digitale reklameinvesteringer. I det minste bør man være i stand til å stanse digitale kampanjer som ikke gir tilstrekkelig effekt.
Et utgangspunkt for denne artikkelen er en antakelse om at pretesting i stor grad har forsvunnet fra repertoaret innen digital markedsføring, og at A/B-testing har overtatt rollen pretesting tradisjonelt har hatt. Formålet med denne artikkelen er derfor å undersøke utbredelsen av pretesting av digital reklame, finne ut hvor mye oppmerksomhet det er rundt pretesting hos ulike aktører, og avdekke hvilken kjennskap og utbredelse nyere metoder for pretesting har fått.
Artikkelen er delt i tre deler. Først skal vi gi en oversikt over ulike metoder for pretesting, inkludert nyere teknikker. A/B-testing er strengt tatt ikke en metode for pretesting, men i og med vår antakelse om at A/B-testing har overtatt mye av pretestingens plass, skal vi starte med en gjennomgang av denne metoden. Deretter skal vi rapportere resultatene fra en kvalitativ undersøkelse blant annonsører, byråer, analyseinstitutter og bransjeorganisasjoner der vi har forsøkt å avdekke situasjonen for pretesting i Norge. En slik undersøkelse er ikke gjennomført i Norge på 25 år (Tranås, 1997), og det er derfor relevant å kaste lyse over hvor utbredt pretesting av reklame er i Norge i dag. Vårt håp er at denne undersøkelsen kan motivere til mer forskning på pretesting. Avslutningsvis skal vi se på hvilke implikasjoner resultatene kan ha for annonsører, reklamebyråer og analyseinstitutter.
METODER FOR PRETESTING
I dette avsnittet vil vi gi en oversikt over ulike metoder for pretesting av reklame. Som nevnt i introduksjonen er A/B-testing en metode som kan brukes i pretesting av reklame, men den kan også benyttes for løpende effektivisering av en reklamekampanje. Undersøkelsen, som vi senere skal presentere, viser at A/B-testing i stor grad har overtatt for pretesting i digital markedsføring. Vi vil derfor i denne gjennomgangen av ulike metoder starte med å forklare grunnprinsippene for A/B-testing.
A/B-TESTING
A/B-testing er en metode for å teste to ulike versjoner av en annonse, nettside, landingsside, e-postreklame eller lignende med mål om å finne ut hvilken variant som gir best resultater. I teorien kan all digital reklame på nett A/B-testes. Målet med å A/B-teste er å finne ut hvilken reklameversjon som gir best resultater i form av antall klikk, konvertering eller kjøp (Siroker & Koomen, 2013). A/B-testing lar annonsøren skreddersy og endre annonseinnhold underveis i kampanjeperioden og kan også brukes i forkant av en kampanje i en testsetting for å fastslå hvilken versjon som potensielt vil gi best resultater (Gallo, 2017). A/B-testing gjør det mulig å teste en endring i en reklame før man faktisk publiserer endringen, samt gjøre endringer som man antar vil øke effekten av reklamen (Gallo, 2017).
A/B-testing har flere begrensninger (Kohavi & Longbotham, 2017). Én utfordring er at man ikke får svar på hvorfor den ene reklamen scorer høyere på effektmålene enn den andre varianten. A/B-testing er heller ikke godt egnet til å teste mange innholdselementer i reklamen simultant. Endrer man for mange elementer, får man ikke oversikt over hva som testes, da man kun får undersøkt ett innholdselement om gangen (Gallo, 2017). Disse begrensningene i A/B-testing gjør at mer utfyllende og omfattende pretesting av reklame kan være verdifullt.
NYE, MER AVANSERTE METODER FOR PRETESTING
Pretesting av reklame er å måle potensielle effekter av reklamen før den blir implementert og publisert i digitale medier, og før annonsørene bruker store summer på medieinvesteringer (Belch & Belch, 2018). Formålet med en pretest er å gi innspill til om reklamen vil fungere etter hensikten - om den vil gi de ønskede kommunikasjonseffektene (Hall, 2002; Rossiter & Eagleson,1994). Cramphorn (2004) argumenterer for økonomiske årsaker til at det er viktig å vite den sannsynlige effekten reklamen har, før den publiseres. Pretesting av reklame er derfor viktig for å identifisere vinnerne, forbedre gode reklamer og eliminere de dårlige reklamene. Hvis reklamen i pretesten ikke fungerer etter hensikten, kan man gjøre nødvendige endringer eller velge en annen reklameløsning for å optimalisere reklameinvesteringen. Pretesting er særlig viktig ved store reklameinvesteringer, men har sin berettigelse i alle typer reklame - store som små, og uavhengig av medier. Økende bruk av reklamevideoer i sosiale medier tilsier også at mer avanserte metoder for pretesting bør brukes for å avdekke effekten av dem. Pretesting kan derfor gi annonsøren en konkurransefordel gjennom økt effekt av den digitale reklamekampanjen.
De siste årene er en rekke nye metoder for pretesting av digital reklame blitt lansert. Internasjonalt finnes det nå en rekke selskaper (Ipsos, Kantar og Nielsen) som har spesialisert seg på nye metoder for pretesting. Vi skal derfor kort redegjøre for ulike nyere og mer avanserte metoder for pretesting av reklame, herunder fysiologiske målinger, sporing av øyebevegelser, nevromålinger, EEG, Steady State T
Gå til medietDe totale medieinvesteringene, eksklusiv sponsing og arrangementer, var i 2019 på hele 21,1 milliarder kroner i Norge (IRM, 2020). Det var en økning på 2,5 prosent fra året før. Av den totale reklameinvesteringen i 2019 utgjør nå internettannonseringen 56 prosent, eller 11,8 milliarder kroner. 5,7 milliarder av disse er display-annonser inkludert video og sosiale medier, 2,1 milliarder er rubrikk og katalog, og 3,9 milliarder er søk (IRM, 2020). Store investeringer må bidra med høy avkastning. Annonsører bør derfor være svært opptatt av å legge ned betydelig innsats for å måle effektene av sine digitale reklameinvesteringer. I det minste bør man være i stand til å stanse digitale kampanjer som ikke gir tilstrekkelig effekt.
Et utgangspunkt for denne artikkelen er en antakelse om at pretesting i stor grad har forsvunnet fra repertoaret innen digital markedsføring, og at A/B-testing har overtatt rollen pretesting tradisjonelt har hatt. Formålet med denne artikkelen er derfor å undersøke utbredelsen av pretesting av digital reklame, finne ut hvor mye oppmerksomhet det er rundt pretesting hos ulike aktører, og avdekke hvilken kjennskap og utbredelse nyere metoder for pretesting har fått.
Artikkelen er delt i tre deler. Først skal vi gi en oversikt over ulike metoder for pretesting, inkludert nyere teknikker. A/B-testing er strengt tatt ikke en metode for pretesting, men i og med vår antakelse om at A/B-testing har overtatt mye av pretestingens plass, skal vi starte med en gjennomgang av denne metoden. Deretter skal vi rapportere resultatene fra en kvalitativ undersøkelse blant annonsører, byråer, analyseinstitutter og bransjeorganisasjoner der vi har forsøkt å avdekke situasjonen for pretesting i Norge. En slik undersøkelse er ikke gjennomført i Norge på 25 år (Tranås, 1997), og det er derfor relevant å kaste lyse over hvor utbredt pretesting av reklame er i Norge i dag. Vårt håp er at denne undersøkelsen kan motivere til mer forskning på pretesting. Avslutningsvis skal vi se på hvilke implikasjoner resultatene kan ha for annonsører, reklamebyråer og analyseinstitutter.
METODER FOR PRETESTING
I dette avsnittet vil vi gi en oversikt over ulike metoder for pretesting av reklame. Som nevnt i introduksjonen er A/B-testing en metode som kan brukes i pretesting av reklame, men den kan også benyttes for løpende effektivisering av en reklamekampanje. Undersøkelsen, som vi senere skal presentere, viser at A/B-testing i stor grad har overtatt for pretesting i digital markedsføring. Vi vil derfor i denne gjennomgangen av ulike metoder starte med å forklare grunnprinsippene for A/B-testing.
A/B-TESTING
A/B-testing er en metode for å teste to ulike versjoner av en annonse, nettside, landingsside, e-postreklame eller lignende med mål om å finne ut hvilken variant som gir best resultater. I teorien kan all digital reklame på nett A/B-testes. Målet med å A/B-teste er å finne ut hvilken reklameversjon som gir best resultater i form av antall klikk, konvertering eller kjøp (Siroker & Koomen, 2013). A/B-testing lar annonsøren skreddersy og endre annonseinnhold underveis i kampanjeperioden og kan også brukes i forkant av en kampanje i en testsetting for å fastslå hvilken versjon som potensielt vil gi best resultater (Gallo, 2017). A/B-testing gjør det mulig å teste en endring i en reklame før man faktisk publiserer endringen, samt gjøre endringer som man antar vil øke effekten av reklamen (Gallo, 2017).
A/B-testing har flere begrensninger (Kohavi & Longbotham, 2017). Én utfordring er at man ikke får svar på hvorfor den ene reklamen scorer høyere på effektmålene enn den andre varianten. A/B-testing er heller ikke godt egnet til å teste mange innholdselementer i reklamen simultant. Endrer man for mange elementer, får man ikke oversikt over hva som testes, da man kun får undersøkt ett innholdselement om gangen (Gallo, 2017). Disse begrensningene i A/B-testing gjør at mer utfyllende og omfattende pretesting av reklame kan være verdifullt.
NYE, MER AVANSERTE METODER FOR PRETESTING
Pretesting av reklame er å måle potensielle effekter av reklamen før den blir implementert og publisert i digitale medier, og før annonsørene bruker store summer på medieinvesteringer (Belch & Belch, 2018). Formålet med en pretest er å gi innspill til om reklamen vil fungere etter hensikten - om den vil gi de ønskede kommunikasjonseffektene (Hall, 2002; Rossiter & Eagleson,1994). Cramphorn (2004) argumenterer for økonomiske årsaker til at det er viktig å vite den sannsynlige effekten reklamen har, før den publiseres. Pretesting av reklame er derfor viktig for å identifisere vinnerne, forbedre gode reklamer og eliminere de dårlige reklamene. Hvis reklamen i pretesten ikke fungerer etter hensikten, kan man gjøre nødvendige endringer eller velge en annen reklameløsning for å optimalisere reklameinvesteringen. Pretesting er særlig viktig ved store reklameinvesteringer, men har sin berettigelse i alle typer reklame - store som små, og uavhengig av medier. Økende bruk av reklamevideoer i sosiale medier tilsier også at mer avanserte metoder for pretesting bør brukes for å avdekke effekten av dem. Pretesting kan derfor gi annonsøren en konkurransefordel gjennom økt effekt av den digitale reklamekampanjen.
De siste årene er en rekke nye metoder for pretesting av digital reklame blitt lansert. Internasjonalt finnes det nå en rekke selskaper (Ipsos, Kantar og Nielsen) som har spesialisert seg på nye metoder for pretesting. Vi skal derfor kort redegjøre for ulike nyere og mer avanserte metoder for pretesting av reklame, herunder fysiologiske målinger, sporing av øyebevegelser, nevromålinger, EEG, Steady State T
