Allokeringsmodeller og ressursoptimering

Et av de viktigste spørsmålene i markedsføring er: «Hvor bør vi investere neste markedsføringskrone?» Allokeringsmodeller hjelper med å fordele begrensede ressurser optimalt mellom kanaler, kampanjer og aktiviteter for å maksimere avkastning.

ROMI (Return on Marketing Investment)

ROMI-formelen

$$\text{ROMI} = \frac{\text{Inkrementelt salg} \times \text{Bruttomargin} - \text{Markedsføringskostnad}}{\text{Markedsføringskostnad}} \times 100\%$$

Viktige presiseringer:

Inkrementelt salg: Kun salg utover det som ville skjedd uten markedsføring. Ikke totalt salg.
Bruttomargin: Bruk bruttomargin (ikke omsetning) for å reflektere reell fortjeneste.
Markedsføringskostnad: Inkluder mediakostnad, produksjonskostnader, byrå-fees etc.

Eksempel: ROMI per kanal

Et klesmerke evaluerer tre kanaler:

Kanal	Kostnad	Ink. salg	Margin	ROMI
Facebook Ads	200 000 kr	800 000 kr	45 %	$(800k \times 0{,}45 - 200k) / 200k = 80\%$
Google Search	150 000 kr	600 000 kr	45 %	$(600k \times 0{,}45 - 150k) / 150k = 80\%$
TV-reklame	500 000 kr	1 200 000 kr	45 %	$(1200k \times 0{,}45 - 500k) / 500k = 8\%$

Tolkning: Facebook og Google gir lik ROMI (80 %), mens TV gir kun 8 %. Men TV kan ha carry-over-effekter og bygge merkekjennskap som ikke fanges av kortsiktig ROMI. Vurder både kortsiktig og langsiktig effekt.

Attribusjonsmodeller

Hvem får æren for konverteringen?

En kunde kan ha flere kontaktpunkter før kjøp: ser TV-reklame → googler → klikker display-annonse → kjøper via e-posttilbud. Hvem «forårsaket» kjøpet?

Regelbaserte modeller

Last-click: 100 % til siste kontaktpunkt. Enkel men undervurderer awareness-kanaler (TV, display).
First-click: 100 % til første kontaktpunkt. Overvurderer discovery-kanaler.
Lineær: Lik fordeling mellom alle kontaktpunkter. Enkel og rettferdig men ignorerer relativ viktighet.
Posisjonell (U-formet): 40 % til første, 40 % til siste, 20 % fordelt likt mellom mellomliggende. Kompromiss.
Time-decay: Nyere kontaktpunkter får mer vekt. Logisk for korte salgssykluser.

Datadrevet attribusjon

Bruker maskinlæring (Markov-kjeder, Shapley-verdier) til å estimere hvert kontaktpunkts faktiske bidrag basert på data. Google Analytics 4 bruker datadrevet attribusjon som standard.

Eksempel: Hvordan attribusjonsmodell påvirker budsjett

Kundereise: Display → Organisk søk → E-post → Kjøp (1 000 kr)

Modell	Display	Organisk søk	E-post
Last-click	0 kr	0 kr	1 000 kr
First-click	1 000 kr	0 kr	0 kr
Lineær	333 kr	333 kr	333 kr
Posisjonell	400 kr	200 kr	400 kr

Valg av modell påvirker direkte hvilke kanaler som ser lønnsomme ut og dermed budsjettallokeringen. Last-click ville kutte display-budsjettet (som kanskje startet hele kundereisen).

Marketing Mix Modeling (MMM)

Hva er MMM?

Marketing Mix Modeling bruker regresjonsanalyse på aggregerte data for å estimere effekten av ulike markedsaktiviteter på salg. Typisk modell:

$$\text{Salg}_t = \beta_0 + \beta_1 \cdot \text{TV}_t + \beta_2 \cdot \text{Digital}_t + \beta_3 \cdot \text{Pris}_t + \beta_4 \cdot \text{Sesong}_t + \varepsilon_t$$

$\beta_i$ viser effekten av hver variabel på salg
Kontrollerer for sesong, konkurranse, makroøkonomi
Bruker historiske data (typisk 2-3 år ukentlige data)

Fordeler: Helhetsbilde av alle kanaler, inkluderer offline-kanaler, gir budsjettoptimeringsgrunnlag.

Ulemper: Trenger mye data, kausalitet ikke garantert, kan ikke fange individuelle kundereiser.

Carry-over-effekter og adstock

Adstock-modellen

Reklamens effekt forsvinner ikke umiddelbart — den har en «hale» som avtar over tid.

$$\text{Adstock}_t = X_t + \lambda \cdot \text{Adstock}_{t-1}$$

$X_t$ = annonseinvestering i periode $t$
$\lambda$ = decay-rate (0 til 1). Høyere = lengre ettervirkning.
TV-reklame: $\lambda \approx 0{,}7\text{-}0{,}85$ (lang effekt, merkevarebygging)
Betalt søk: $\lambda \approx 0{,}1\text{-}0{,}3$ (rask effekt, kort hale)
Sosiale medier: $\lambda \approx 0{,}3\text{-}0{,}5$ (moderat hale)
Display: $\lambda \approx 0{,}4\text{-}0{,}6$ (avhengig av kreativ kvalitet)

Eksempel: Adstock-beregning

TV-kampanje med $\lambda = 0{,}8$. Investering 500 000 kr i uke 1, 0 kr etterpå:

Uke 1: Adstock = 500 000
Uke 2: Adstock = 0 + 0,8 × 500 000 = 400 000
Uke 3: Adstock = 0 + 0,8 × 400 000 = 320 000
Uke 4: Adstock = 0 + 0,8 × 320 000 = 256 000
Uke 8: Adstock = 500 000 × 0,8⁸ = 83 886

Etter 8 uker er fortsatt 17 % av den opprinnelige effekten igjen. For betalt søk ($\lambda = 0{,}2$) ville effekten etter 8 uker være kun 0,003 % — effektivt null.

Diminishing returns og budsjettoptimering

Avtagende marginalavkastning

De fleste markedskanaler viser avtagende avkastning: de første kronene er mest effektive, deretter avtar effekten. Modelleres ofte med logaritmisk funksjon:

$$\text{Respons} = a \cdot \ln(\text{Investering}) + b$$

Optimal allokering: Fordel budsjettet slik at marginalavkastningen er lik i alle kanaler. Hvis neste krone i Google gir mer enn neste krone i Facebook, flytt budsjett fra Facebook til Google.

Vanlige feil i allokeringsanalyse

ROMI uten inkrementelt salg: Bruker totalt salg i stedet for inkrementelt → overvurderer effekt
Ignorer carry-over: Vurderer kun kortsiktig ROMI → undervurderer TV og merkevarekanaler
Last-click-bias: Overvurderer konverteringskanaler, undervurderer awareness-kanaler
Lineær skalering: Antar at dobling av budsjett dobler salg — ignorer diminishing returns
Sunk cost: Fortsetter med ulønnsomme kanaler fordi «vi har allerede investert»

Eksamenstips: Allokering

ROMI-oppgaver: Bruk alltid inkrementelt salg × margin, ikke totalt salg
Attribusjon: Forklar minst 3 modeller og diskuter fordeler/ulemper for hver
Diskuter alltid kortsiktig vs. langsiktig effekt når du anbefaler budsjettallokering

Studieguide: Allokeringsmodeller og ressursoptimering

Studieguide: Allokeringsmodeller og ressursoptimering