Zo meet je het effect van digital branding in Google Analytics

Branding is traditioneel gezien lastig als je concrete inzichten en harde targets wil. Digital branding is hierop geen uitzondering. Maar met wat creatief denkvermogen zijn er genoeg mogelijkheden om het effect te meten! In dit artikel geef ik je praktijkvoorbeelden waarmee je tot betere inzichten komt in je branding-efforts én duiken we dieper in het meten van user engagement op websites.

Inzicht in branded traffic

Met Google Analytics is het goed mogelijk om je branded traffic te analyseren en te beoordelen. Hierbij geldt wel dat hoe uitgebreider je metingen zijn, hoe beter. In dit artikel zal ik je uitleggen hoe je branded verkeer kunt analyseren en beoordelen. We beginnen met technieken die gericht zijn op het grotere en strategische geheel. Verderop laat ik je zien hoe je gebruikers kunt analyseren op een kleinere schaal.

Analyseer terugkerende bezoekers

Laten we beginnen met het analyseren van terugkerende bezoekers. In de ideale wereld ligt het percentage terugkerende bezoekers zo hoog mogelijk. Tenminste, dit is voor de meeste commerciële en/of content-websites het geval. Ook zou je graag willen dat deze bezoekers terugkeren naar je site via campagnes met lage kosten of zelfs ‘gratis’ verkeer. Bijvoorbeeld via organische zoekresultaten of direct verkeer. Maar hierover later meer!

In onderstaand voorbeeld zien we dat het verschil tussen de ‘users’ en ‘new users’ in de loop van de tijd groter wordt. In dit geval dus een goede indicator dat de branding een positief effect heeft.

Kanttekening hierbij is wel dat je per website gericht naar de doelgroep moet kijken. Bezoekers kunnen namelijk vanwege meerdere redenen terugkeren naar de website, en niet alleen om goede redenen. Let hier dus goed op bij het analyseren! Je kunt dan bijvoorbeeld denken aan:

• Er is een product verkocht met mankementen. De website krijgt dus veel boze klanten terug.
• De dienstverlening is achteruit gegaan, bezoekers dienen klachten in.
• Bezoekers keren seizoensgebonden vaak terug. Denk aan verzekeringen aan het einde van het jaar.
• Technische redenen. Door de steeds strengere privacy-instellingen van browsers worden analytische cookies vaker gereset. Dit heeft effect op de statistiek die bezoekers meet. Vooral websites met veel bezoekers die Safari, Firefox en Brave gebruiken, hebben hier last van.

Om bovenstaande risico’s zo veel mogelijk uit te sluiten, is het verstandig de data op te delen in kanalen, zodat je een betere inschatting kunt maken of deze terugkerende bezoekers een goede intentie hebben.

Verder moet je altijd de metric ‘terugkerende bezoekers’ analyseren op de langere termijn, niet per dag of week. Ik zou dan gaan voor minimaal enkele maanden of meer, zodat je inzicht krijgt in het grotere geheel. Hierdoor kun je met meer zekerheid zeggen dat je branding effect heeft. Daarnaast sluit je incidenten uit die alleen in kortetermijnanalyses zichtbaar zijn. En als het even kan, segmenteer dan ook altijd even op kanaalniveau.

Direct effect van branded traffic meten

Om het directe effect te zien van branded traffic op je transacties, kun je in Google Analytics gebruikmaken van segmenten. Hiermee kun je zelf ingestelde regels hanteren die de rapporten filteren.

In dit geval heb ik gekozen voor branded in de zin van ‘paid’ (keyword met merknaam), ‘display’, ‘direct’ en ‘organic search users’ die landen met een keyword op de homepage of op een pagina van een winkellocatie. Deze regel staat natuurlijk altijd open voor discussie en is afhankelijk van het type website.

In onderstaand rapport heb ik branded en non-branded traffic met elkaar vergeleken. Let op dat ik hier heb gekozen voor transacties op basis van ‘last click’. Het effect van attributie zal ik verderop uitleggen.

Zoals je ziet heeft deze website veel branded traffic, zo’n 34%. Dit converteert ook een stuk beter dan non-branded traffic. Hier wordt dus kennelijk veel geïnvesteerd in branding, en met succes!

Bezoekers via branded traffic leveren gemiddeld meer op. Opvallend is dan dat in april non-branded traffic in de lift zit en ook gemiddeld meer gaat opleveren. Is dit een seizoenstrend, of een wijziging in marketingstrategie?

‘Lifetime Value’ als KPI gebruiken

Het rapport ‘lifetime value‘ in Google Analytics geeft inzicht in de prestaties van terugkerende bezoekers op langere termijn, tot maximaal 90 dagen. Je kunt verschillende metrics selecteren. Vervolgens wordt de data op gebruikersniveau weergegeven. Dit rapport geeft op deze wijze een overzicht van de waarde van je bezoekers. Je kunt deze data ook zelf verzamelen via andere rapporten, maar Google heeft het hier in een overzicht voor je verzameld. Handig! Helaas worden de gegevens niet cross-device voor je berekend.

Hoe kun je dit nu gebruiken om je branding te beoordelen? Om beslissingen te maken op basis van lifetime value kun je bijvoorbeeld voor e-commercewebsites de ‘metric revenue per user’ perfect gebruiken. Deze metric geeft over langere termijn weer hoeveel gebruikers gemiddeld opleveren die terecht zijn gekomen op je website via een bepaalde campagne of een kanaal. Dit is dus een ideale KPI die je kunt gebruiken om je branding te beoordelen.

Zie in onderstaand voorbeeld de grote verschillen tussen campagnes. Je ziet hier bijvoorbeeld dat de campagne ‘Brandname – Ad-rotation’ een hoge revenue per user (LTV) heeft.

Met de Model Comparison Tool een ander attributiemodel simuleren

Google Analytics hanteert (nog steeds) een model waarbij conversies en transacties worden toegekend op basis van ‘last non-direct click’. Dat wil zeggen, het kanaal dat de laatste click aanlevert in de customer journey (behalve direct traffic) krijgt de conversie. Niet echt een nuttig gegeven om je branding traffic te kwalificeren. Aangezien branding vooral zorgt voor een brede toestroom van gebruikers, die vaak nog in de oriënterende fase zitten van een aankoopproces en dus niet uitsluitend in de beslissingsfase.

Via de Model Comparison Tool van Google Analytics kun je een ander attributiemodel simuleren. Zo stap je dus tijdelijk af van het ‘last non-direct click’-model en kijk je hoe kanalen worden beoordeeld met andere attributieregels.

Het ligt natuurlijk aan jouw eigen marketingstrategie en -visie van wat je onder branded traffic verstaat. Een logische hypothese zou kunnen zijn: “Om mijn branded traffic goed te kunnen beoordelen, geef ik elke stap in de customer journey dezelfde waarde”. Op deze manier kijk je niet alleen naar het laatste kanaal dat de conversie scoort, maar ook naar de kanalen die zich hoger of halverwege in de funnel bevinden.

In onderstaand rapport vergelijk ik het lineare model ten opzichte van het last non-direct click-model. Dit wil zeggen: geef niet het kanaal aan het einde van de customer journey alle credits, maar verdeel de credits over alle touch points. In het lineare model presteert het display kanaal 36% beter. Display heeft dus een meer branding-karakter dan een performance-karakter. Ondanks de lage aantallen conversies geeft dit aan dat het kanaal meer waarde heeft dan als je alleen puur naar de conversies kijkt. Het verdient dus meer aandacht, en het liefst ook budget!

Analyseer referral traffic

Verkeer uit het kanaal ‘referral’ in Google Analytics is verkeer dat vanaf andere externe websites naar jouw site komt, waarbij geen (campagne-)tagging is gebruikt. En ook waarbij een ‘referer request header’ (voorafgaande url) is meegestuurd, zodat het ook niet in het kanaal direct wordt weggezet.

Referral traffic zijn dus links die website-eigenaren of publishers vaak vrijwillig plaatsen naar jouw website. Je zou kunnen stellen dat hoe meer referral traffic je hebt, hoe bekender je merk is. Zie jij op langere termijn een stijging of daling in dit kanaal? Dan kan dit een indicatie zijn dat jouw branding werkt, of juist meer aandacht nodig heeft.

Er zijn wel twee belangrijke zaken die je goed in de gaten moet houden:

• Referral is vaak een kanaal met relatief weinig gebruikers ten opzichte van andere kanalen. Analyseer dus altijd de absolute data van referral en niet in procentuele vergelijking met andere kanalen, omdat die meestal veel meer users hebben en de verhouding snel scheef trekken.
• Filter bij analyse altijd interne domeinen. Deze kunnen nogal eens in dit kanaal worden gezet, en dan is de analyse niet meer representatief. Dit geldt ook voor domeinen van onder andere zuster- of moederbedrijven. Filter ook nog even de search engines en mail-providers eruit. Deze komen regelmatig terecht in het referral-kanaal.

Breng user engagement in kaart

Kanalen zoals display en video hebben vaak zeer lage macroconversie-statistieken, zoals transacties of leadaanvragen. Het is daarom vaak onmogelijk om deze kanalen en campagnes hierop af te rekenen. Metrics zoals life time value zijn hier dus niet aan de orde. Je zult wat meer de diepte in moeten gaan door analyses op kleiner niveau uit te voeren. Met wat creativiteit is het gelukkig wel mogelijk om de user engagement op je website beter in kaart te brengen. Hierdoor is het alsnog mogelijk om brandingcampagnes met elkaar te kunnen vergelijken op basis van data.

Kijk wel verder dan de standaard engagement-metrics van Google Analytics, zoals ‘bounce rate’ en ‘time on site’. Je kunt bijvoorbeeld kiezen voor een aangepaste implementatie van Google Analytics in combinatie met Google Tag Manager.

Meet de kijkdichtheid van video’s

Alhoewel traffic vanuit display meestal niet direct converteert, kun je wél beoordelen of gebruikers interactie hebben met je website. Heb je video’s op je website staan? Meet dan de kijkdichtheid van je video’s op je website. Worden de video’s helemaal afgekeken? Of haken bezoekers eerder af? Zodra je deze data hebt, kun je deze weer mooi weergeven in je favoriete dashboard tool.

Time clusters maken

Page- en sessie-timings zijn niet helemaal accuraat zoals je wellicht al weet. Bouncers worden namelijk niet meegenomen in deze statistieken.
Op een pagina waar bijvoorbeeld veel display-verkeer komt, kan dit voor een probleem zorgen. Aan de hand van zelf ingestelde tijdclusters kan een beter beeld worden geschetst van de tijd die bezoekers op een pagina doorbrengen. Omdat deze tijdsmetingen altijd doorlopen ongeacht bouncers, is dit een betere presentatie van time engagement.

Zodra je deze custom data in Analytics hebt, kun je deze weer segmenteren op campagne of kanaal in combinatie met een bepaalde pagina.

App+web gebruiken

App+web is een nieuwe Analytics-property, ook wel Google Analytics 2.0 genoemd. Deze is speciaal gericht op het bundelen van data uit app en web. Het is nog even afwachten hoe deze nieuwe tool zich zal ontwikkelen, maar de verwachting is dat deze het oude Google Universal Analytics gaat vervangen. Enkele fundamentele wijzigingen zijn al direct zichtbaar in de rapporten.

Het goede nieuws is dat App+web sterk verbeterd is op het gebied van engagementstatistieken. Zo zijn er onder andere nieuwe statistieken toegevoegd, zoals ‘engaged sessions’ (sessies langer dan 10 seconden, of meer dan 2 pagina’s bekeken), ‘engagement rate’ (percentage van het aantal engaged sessions), ‘engaged sessions per user’ (aantal engaged sessions per gebruiker) en ‘engagement time’ (verbeterde ‘time on page’ metric).

Er lijkt beter te zijn nagedacht over engagementstatistieken. Dit is ideaal als je geen capaciteit hebt om dit door specialisten te laten inbouwen. Het is slim om alvast eens te oefenen met de nieuwe functionaliteiten van Google! En sluit naast je reguliere Analytics-property een App+web aan en verken de data die hier binnenkomt.

Houd de datakwaliteit in de gaten

Wees altijd op de hoede van je datakwaliteit. Zie je onverklaarbare fluctuaties in je statistieken? Duik daar dan dieper in.

In onderstaand geval explodeerde het directe verkeer plotseling, zonder verklaarbare reden. Achteraf bleek dit spamverkeer te zijn, wat we succesvol konden uitfilteren.

Houd met name het verkeer uit directe en referralkanalen goed in de gaten. Grote fluctuaties hierin kunnen een indicatie zijn van spamverkeer of technische (meet)fouten in je website. Verkeerde metingen hebben namelijk altijd een impact op je websitestatistieken, en dus ook direct op je engagementstatistieken! Dit wil je uiteraard voorkomen.

In mijn optiek is nog altijd de grootste handicap voor het meten van je brandingcampagnes het ontbreken van goede cross-devicemetingen. Hierdoor blijft het lastig om een complete klantreis inzichtelijk te maken, omdat gebruikers zoveel verschillende devices gebruiken. Wellicht komt er in de toekomst een all-in-one device dat tegelijkertijd je mobiel, tablet en desktop is, dan hebben we dit probleem niet meer en kunnen we pas echt goed zien hoe kanalen en campagnes elkaar beïnvloeden.

Wat is de beste mix voor jouw merk?

Het draait uiteindelijk om de gezonde mix tussen traditionele branding en performance-uitingen. Ontdekken wat de beste mix is voor jouw merk vergt veel geduld, professionaliteit en kennis van je data. Hopelijk heb ik je door dit artikel geïnspireerd om aan de slag te gaan met het analyseren van jouw branding, en je brandingstrategie!