Följ köpet innan du börjar flytta annonsbudgeten.

Ett bra svar börjar med vad systemet kan se.

När vi diskuterar att chatta med annonsdata är min invändning att man kan få ett svar från en väldigt begränsad del av affären. Om underlaget främst består av Meta-data kan det hjälpa oss att undersöka sådant som finns där. Det betyder knappast att vi har förklarat hela bolagets försäljning.

Jacob pekar på vilka delar som saknas: ekonomin och det som händer i butiken behöver finnas med i analysen tillsammans med annonseringen. Verktygen visar varsin del. Vi försöker förstå ett köp som går genom flera av dem.

Där behöver vi vara lite besvärliga. Vilken fråga försöker vi besvara? Vilket underlag saknas? Ett övertygande formulerat svar blir inte mer komplett för att det kommer snabbt. Jag vill förstå vad slutsatsen vilar på innan jag börjar flytta budgetar efter den.

Kunderna valde inte bort faktura. De kunde inte betala.

I podden berättar jag om ett problem vi hade haft i Såpas checkout. Först såg det ut som att fler kunder valde Swish eller hoppade av på ett sätt vi inte förstod. Det var lätt att börja beskriva förändringen som ett beteende hos trafiken.

Problemet visade sig gälla en specifik kombination: människor som kom från en Facebook-annons på en iOS-enhet och försökte betala med faktura. I samtalet beskriver jag hur vi tillsammans med betalpartnern hittade och löste felet. Det är en historisk händelse, inte ett påstående om att problemet finns kvar.

Det intressanta är vad vi kunde ha gjort om vi nöjt oss med totalsiffran. Skrivit om annonser. Flyttat pengar. Letat efter en ny målgrupp. Ingen av de åtgärderna hade lagat betalningen. När något ser konstigt ut behöver vi ibland följa kundens faktiska väg, med rätt enhet, källa och betalval.

Innan du köper mer trafik: vad finns kvar på hyllan?

Jacob berättar om Junipers start på året och att viktiga sängkläder och handdukar saknades i lager. Det gick att köpa vissa kombinationer, men inte nödvändigtvis sådant kunden ville ha tillsammans. Han jämför med ett klädvarumärke som mest har storlekar i ytterkanterna kvar.

Det är ett väldigt konkret analysproblem. Vi kan ha en fungerande sajt, produkter som tekniskt sett finns i lager och annonser som fortsätter få klick. Ändå kan själva erbjudandet vara betydligt svagare för den som kommer in för att köpa.

Titta på vad kunden kan köpa tillsammans. Finns rätt storlekar, färger och kompletterande produkter? Jacobs exempel från Juniper visar varför totalsiffran på lagret kan se rimlig ut samtidigt som kunden har svårt att få ihop sin beställning.

Hög frequency betyder inte att alla kunder har sett dig.

Jacob föreslår att vi undersöker annonsering mot befintliga kunder. Jag berättar att vi redan har provat olika riktningar. Samtalet är intressant just för att vi inte landar i att alla bolag ska vrida på samma reglage så fort tillväxten känns trög.

Hans poäng är att frequency behöver läsas tillsammans med reach. Det kan finnas många kunder i en lista samtidigt som annonserna bara når en del av dem. Att de människor som faktiskt nås har sett annonser flera gånger bevisar inte att resten av kundbasen har blivit bearbetad.

Jag beskriver vår situation och varför vi bland annat vill få kommentarer från människor som känner produkterna. Men även här behöver hypotesen passa underlaget. Vad finns det för potential hos befintliga kunder? När köpte de senast? Finns det en relevant anledning att köpa igen? Börja där innan du gör ett generellt råd till en budgetregel.

Alla röda dagar kräver inte en ny annons.

Jacob tar upp hur svårt det är för människor att förhålla sig till variation. När utfallet blir klart sämre än det vi väntat oss vill vi gärna hitta ett fel och agera. I samtalet känner vi igen reaktionen hos oss själva också.

Vi pratar om hur veckodagar, säsong, kampanjer, väder och produktlanseringar kan ligga ovanpå varandra. Det är många signaler att försöka hålla i huvudet. Erfarenhet hjälper oss att se saker, men den gör oss knappast immuna mot att hitta ett mönster som inte är särskilt stabilt.

Jag vill att vi undersöker avvikelsen ordentligt. Hur stor är den? I vilken del av flödet uppstår den? Finns det något konkret som slutat fungera, eller behöver vi mer underlag? Poängen med bättre analys är också att kunna avstå från en förändring när vi inte har en bra anledning att göra den.

AI får gärna göra jobbet. Siffrorna ska fortfarande stämma.

Mot slutet av analysdiskussionen berättar jag om hur svar på frågor till butiksdata hade blivit mer användbara över tid. Jag beskriver också hur jag fortfarande granskar siffrorna, eftersom jag tidigare hade sett verktyg svara med uppgifter som inte stämde.

När ett AI-svar ska påverka budgeten vill jag kunna följa siffran tillbaka till källan. Vilken period gäller den, vad ingår och stämmer beräkningen? Annars har vi bara gjort det snabbare att fatta beslut på fel underlag.