Marketing Mix-modellering för B2B-tillväxt

Marketing Mix-modellering använder aggregerad tidsseriedata för att statistiskt uppskatta hur olika insatser påverkar ett affärsutfall. Fokus flyttas från individnivå till mönster över tid.

Frågan blir inte:

Utan snarare:

Det är ett helt annat sätt att tänka.

Attribuering belönar det som är lätt att observera. Klick. Sessioner. Formulär. MMM försöker i stället uppskatta inkrementell effekt, även från kanaler som påverkar efterfrågan utan att få sista klicket.

Det är där värdet ofta finns i B2B.

Många aktiviteter som faktiskt driver affärer syns dåligt eller inte alls i traditionell attribuering:

Google har länge lyft media mix modeling som en central metod i modern mätning, vid sidan av attribuering och experiment. För den som vill gå till källan är Googles tekniska paper om bayesiansk MMM fortfarande en bra referenspunkt: Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects.

Attribuering är fortfarande viktigt. Vi bygger och förbättrar själva attribueringsupplägg för kunder eftersom det behövs för taktisk optimering. Läs gärna vår guide om B2B-attribuering: modeller som driver pipeline.

Men problemet uppstår när attribuering används som enda sanning för strategiska budgetbeslut. Då brukar modellen spricka på fyra ganska förutsägbara sätt.

En typisk B2B-affär kan börja med en icke-varumärkesrelaterad sökning, följas av retargeting, fortsätta med direktbesök efter ett webinar och sedan stängas 120 eller 180 dagar senare efter upphandling och intern förankring.

De flesta attribueringsmodeller har inte den räckvidden.

Lookback-fönster på 30 eller 90 dagar missar ofta första påverkan och överskattar därför botten-funnel-aktiviteter. Resultatet blir att branded search, direkttrafik och remarketing ser starkare ut än de egentligen är, medan de kanaler som skapade intresset från början undervärderas.

Top-of-funnel och mid-funnel är notoriskt underkrediterade i B2B. Betald social, innehåll, video, PR och varumärkesbyggande aktiviteter skapar framtida efterfrågan som senare fångas upp av SEO, SEM eller direkttrafik.

Men eftersom dessa insatser sällan ger en omedelbar konvertering ser de svagare ut i attribueringsrapporterna.

Det här skapar en farlig loop. Bolag skär ner på de kanaler som bygger framtida pipeline, eftersom rapporteringen inte visar deras verkliga effekt. På kort sikt kan det se effektivt ut. På längre sikt tunnas inflödet ut.

GDPR, consent mode, ad blockers, ITP och browser-restriktioner har inte gjort mätning omöjlig. Men de har gjort den mycket mindre komplett.

Även med ett starkt fundament, som server-side tracking för B2B, ren CRM-data och bra konverteringsspårning, kommer du fortfarande att missa delar av köpresan. Det är bara verkligheten nu.

Gartner har varit tydliga med att marknadsförare behöver gå från precision-first till resilience-first i sitt mätupplägg. Deras resonemang om en mer robust mätstrategi är relevant här: Build a Resilient Marketing Measurement Strategy.

MMM är inte perfekt. Men det är ofta mer robust när användarnivådata blir tunnare.

Ett e-handelsbolag kan ha tusentals köp i veckan. Ett B2B-bolag kanske stänger 15 affärer på ett kvartal.

Det gör stor skillnad.

När volymerna är låga kan attribueringsrapporter se exakta ut, men vara statistiskt sköra. En enskild enterprise-affär som råkade påverkas av ett event kan förändra ROAS-bilden för en hel kanal under flera månader.

MMM fungerar ofta bättre i den typen av miljö eftersom modellen söker bredare mönster över tid, i stället för att låtsas att varje individuell konverteringsväg går att förstå fullt ut.

Mycket av det som skrivs om MMM utgår från D2C och e-handel. Höga mediebudgetar. Daglig försäljning. Tydliga volymer. Den modellen går inte att kopiera rakt av till ett svenskt industribolag, ett norskt cleantech-bolag eller ett danskt SaaS-företag.

B2B kräver en annan modellering.

Det vanligaste misstaget är att använda formulärskick eller råa leads som utfallsvariabel. Då riskerar du att optimera mot volym i stället för affärsvärde.

Bättre alternativ är:

Det här är också skälet till att CRM-hygien är viktigare än snygga dashboards. Om du inte litar på hur leads blir SQL, eller hur opportunities definieras mellan säljteam och marknader, spelar modellen mindre roll.

Börja med att säkra grunden. Vår guide om konverteringsspårning för B2B: mät riktig tillväxt är en bra startpunkt om ni fortfarande mäter för ytligt.

De flesta B2B-bolag har inte tillräckligt hög volym för att modellera dag för dag. Det blir för brusigt.

Veckovis aggregering fungerar oftast bättre eftersom den:

En bra tumregel är att ha 104 till 156 veckor data, alltså 2 till 3 år. Det går att modellera med mindre, men osäkerheten i resultaten blir betydligt högre.

Det här är en av de viktigaste punkterna, och en av de mest underskattade.

Mediespend är bara en del av förklaringen. En användbar B2B-modell behöver också kontrollvariabler som speglar verkligheten:

I Norden blir detta extra tydligt. Juli är inte "lite långsammare". För många B2B-kategorier är det en helt annan marknadsmiljö. Samma sak gäller slutet av december. Om modellen inte kontrollerar för det kan den feltolka kanalprestation grovt.

En kanal som gick under en svag sommarperiod kan se sämre ut än den är. En annan kanal som råkade vara aktiv under ett Q4-rus kan få för mycket kredit.

B2B-marknadsföring ger sällan effekt direkt.

Ett webinar kan påverka opportunity creation flera veckor senare. SEO-investeringar bygger synlighet och efterfrågan över kvartal. Thought leadership på LinkedIn kan påverka shortlist-position långt innan någon fyller i ett formulär.

Det är här MMM har en tydlig styrka jämfört med attribuering. Modellen kan ta hänsyn till:

Öppen källkod har gjort området mer tillgängligt. Meta Robyn och Google Meridian är två tydliga exempel:

Men tillgängliga verktyg betyder inte enkel implementation. Det krävs fortfarande analytisk disciplin för att bygga något som går att lita på.

MMM är inte för alla. För ett tidigt startup-bolag är det oftast överkurs. Men för mer mogna B2B-bolag blir det snabbt relevant.

Det brukar vara värt att överväga när flera av de här punkterna stämmer:

Det här är viktigt. MMM är inte nästa steg om grunden är svag. Då ska ni först bygga ett bättre mätfundament med Analytics & Strategy, bättre GA4 för B2B, tydligare dashboards och mer robust datainsamling.

Läs gärna också vår guide om datadriven marknadsföring för B2B om ni är i ett tidigare mognadssteg.

MMM kommer inte tala om vilken annonsvariant som fungerar bäst eller vilken landningssida som bör ändras. Det är inte ett verktyg för kampanjoptimering på detaljnivå.

Det är ett verktyg för strategisk budgetfördelning.

Om modellen optimerar mot råa leads kommer ni nästan alltid att få sämre pipelinekvalitet över tid. Modellen blir inte bättre än det mål ni matar in.

Många B2B-bolag underskattar brand eftersom attribuering gör det. Men en bra MMM behöver inkludera proxyvariabler för efterfrågan, som branded search, direkttrafik eller organisk styrka.

Annars upprepar modellen samma bias som attribueringen redan har.

För bolag som bygger långsiktig efterfrågan via innehåll och sök är det här särskilt viktigt. Därför hänger MMM ofta ihop med ett bredare arbete inom pull marketing, inte bara performance.

Det här ser jag ofta. Komplex modell. Många variabler. Snygga grafer. Svag verklighetsförankring.

I B2B är en enklare modell med färre men mer tillförlitliga variabler ofta bättre än en avancerad modell byggd på brus. Det viktiga är inte hur sofistikerad modellen ser ut. Det viktiga är om den hjälper er fatta bättre beslut.

Du behöver inte starta ett sexsiffrigt projekt för att få en första signal. Det går att göra en snabb diagnostik redan idag.

1. Exportera 24 månaders veckodata

Ta ut data för:

2. Lägg till kontext

Skapa kolumner för veckor med:

3. Rita allt i en gemensam tidsserie

Lägg in det i Google Sheets, Excel eller Looker Studio. Behöver ni bättre struktur där, läs vår guide om Looker Studio för B2B-rapportering och dashboards.

4. Ställ tre frågor

Om svaret på sista frågan är "det här är rörigt", då är det faktiskt ett bra resultat. Nu vet ni vad nästa projekt är. Inte MMM, utan att fixa grunden.

Börja i så fall med datadriven marknadsföring: mäta det som betyder något och fortsätt med bättre spårning, CRM-struktur och dashboardlogik.

Diskussionen borde inte vara "attribuering eller MMM". Den borde vara "vilket verktyg passar vilket beslut?"

Använd attribuering för:

Använd MMM för:

För nordiska B2B-bolag är den kombinationen ofta mest realistisk. Ni har lägre volymer än global B2C, men högre komplexitet än vad era standardrapporter klarar av att fånga.

Det är exakt i den miljön som en genomtänkt kombination av attribuering, MMM och bättre analysarbete betalar sig.

Om era attribueringsrapporter känns för enkla för verkligheten i er säljprocess är det ofta en signal om att mätsystemet behöver uppgraderas.

På Nordic Branch hjälper vi B2B-bolag att bygga analysgrunder som kopplar marknadsaktiviteter till pipeline och intäkt. Därefter använder vi datan för att fatta bättre beslut kring SEO, SEM, innehåll, demand generation och övergripande budgetfördelning.

Läs mer om våra tjänster inom Analytics & Strategy om ni vill bygga ett mätsystem som går att lita på.

Marketing Mix-modellering, ofta förkortat MMM, är en statistisk metod för att uppskatta hur olika marknadsaktiviteter påverkar affärsresultat över tid. I B2B används den ofta för att förstå hur kanaler som SEO, SEM, paid social, events och brand påverkar pipeline och intäkter, även när användarspårning är ofullständig.

Attribuering räcker sällan som enda beslutsunderlag när säljcykeln är lång, flera kanaler samverkar och delar av köpresan sker utanför spårbara miljöer. Det gäller särskilt nordiska B2B-bolag med komplex försäljning, partnerpåverkan och låg affärsvolym.

Attribuering försöker fördela kredit mellan touchpoints i en användares resa. MMM analyserar i stället aggregerad data över tid för att uppskatta vilka kanaler som skapar inkrementell effekt. Attribuering är bättre för taktisk optimering. MMM är bättre för strategisk budgetfördelning.

Som tumregel behövs minst 2 till 3 års veckodata för att få ett stabilt underlag. Det inkluderar spend per kanal, CRM-data som leads, SQL och pipeline, samt kontrollvariabler som säsong, events och större marknadsförändringar.

Ja, men bara om datagrunden är tillräckligt bra. Mindre bolag med låg volym kan fortfarande få värde av MMM om de har konsekvent historisk data och tydliga CRM-definitioner. Om grunden är svag är det bättre att börja med konverteringsspårning för B2B, server-side tracking och ett tydligare analysupplägg.

I de flesta fall bör du inte använda råa leads. Bättre KPI:er är SQL, accepterade opportunities, skapad pipeline, viktad pipeline eller closed-won revenue. Valet beror på affärsvolym och hur pålitlig CRM-datan är.

Om ni kan ta fram 24 månader veckodata för kanalspend, leads, SQL och pipeline, och datan håller ihop över tid utan stora luckor eller definitionsskiften, är det en stark signal att ni är redo. Om datan är rörig bör fokus ligga på att först fixa mätningsgrunden.