Ze série Data v praxi
Digitální marketing se za poslední roky výrazně změnil. Stále více se opírá o automatizace a algoritmy, které dělají rozhodnutí za nás. Co zůstává na straně lidí, je kvalita dat, se kterými tyto systémy pracují.
Jedna z kategorií dat, které se přitom často opomíjí, je marže. Téma, o kterém se v marketingu mluví často, ale jen málokdo s ním opravdu systematicky pracuje.
Proto jsme se mu rozhodli věnovat první díl naší nové série „Data v praxi“. V následujících šesti úrovních si ukážeme, jak se dá k marži v marketingu přistupovat – od úplného základu až po nejpokročilejší systémy, které zohledňují i fixní náklady a zisk.
1. Marže se v marketingu vůbec nesleduje
Klasický začátek. Kampaně se vyhodnocují jen podle tržeb, nákladů a z nich vypočítaného PNO nebo ROAS. Funguje to, je to jednoduché a přehledné. Jenže často i klamavé.
Příklad:
E-shop má ROAS 500 %. To vypadá skvěle – ale pokud inzerujeme a prodáváme převážně produkty s 10% marží, vydělá na každé koruně mnohem méně než konkurent, který má ROAS 300 %, ale v marketingu upřednostňuje produkty s marží 50 %.
V praxi to znamená, že pokud bychom se řídili pouze ROAS a tržby budou stejné, přišlo by nám, že první e-shop je na tom lépe. Informace o marži nám ale dávají důležitý kontext, díky kterému víme, že ve skutečnosti své peníze lépe investuje konkurent.
Tento přístup může být dostatečný, pokud má firma u všech produktů stejnou nebo velmi podobnou marži. Ve všech ostatních případech ale dříve nebo později narazí.
2. Marže se zohledňuje v reportingu – zpětně
Další úroveň přináší posun. Firma už marže sleduje, i když jen jednou za měsíc nebo kvartál. Hodnoty se doplňují zpětně do reportů, takže management i markeťáci (interní i externí) mají konečně reálný pohled na profitabilitu.
Je to velký krok vpřed – ale pořád hlavně pro zpětné vyhodnocování. Kampaně se podle těchto dat optimalizují jen obtížně, protože chybí aktuálnost a přímá vazba.
Tento přístup dává smysl hlavně u menších e-shopů, které nemají vysoké objemy prodejů, nebo u sortimentů, kde se marže často mění. Pro tyto firmy by byla implementace pokročilejších systémů zbytečně nákladná a mohla by systémům i uškodit.
3. Marže se posílá do živých reportů a reklamních systémů ve skupinách
Dalším krokem je rozdělení sortimentu podle výšky marže. Produkty se seskupí například do kategorií:
- do 20 %,
- 20-40 %,
- 40-60 %,
- 60 % a více
Do reklamních systémů se pak posílá informace, do které skupiny produkt patří. Díky tomu lze nastavit odlišné cíle ROAS – a přestat investovat příliš do nízkomaržových produktů.
Klíčem je najít rovnováhu mezi detailem a množstvím dat.
Příliš detailní dělení (např. po 5 %) nedává smysl, pokud nemáme dost konverzí. Naopak menší počet širších skupin umožní systémům lépe optimalizovat.
Pokud chceme dosáhnout co možná nejlepších výsledků, neměli bychom produkty dělit pouze podle marže. Pokud nám to dostupná data dovolí, je dobré zohlednit i další faktory – například pořadí produktu v košíku a jeho velikost. U některých našich klientů nám tyto informace pomáhají rozpoznat, zda je produkt akviziční (a má tedy potenciál pro větší marketingové investice) nebo jen doplňkový, který lidé přidávají k už zahájenému nákupu.
Tento přístup je ideální pro firmy, které:
- mají různě maržové produkty,
- mají dostatek dat pro smysluplnou segmentaci,
- ale zatím nepotřebují nebo nechtějí investovat do technicky složitějších řešení.
4. Marže se sleduje a posílá za každý produkt – bezpečně
Tady už mluvíme o pokročilejší úrovni. Marže se počítá v reálném čase u každého produktu (tento přístup se v kontextu výkonnostních kampaní nazývá také value based bidding) a posílá se do analytiky i do reklamních systémů místo tržeb nebo spolu s nimi (podle toho jak to který systém dovoluje).
Algoritmy tak dostávají informaci, kolik skutečně vyděláváme, a mohou optimalizovat kampaně podle zisku, ne podle obratu.
Protože se jedná o citlivá data (nákupní ceny, přesné marže), bývá implementace spojená se server-side trackingem. Data se odesílají přímo ze serveru, takže nejsou viditelná v prohlížeči návštěvníka a nelze je snadno zneužít např. ze strany konkurence.
Tento přístup je vhodný pro firmy, které už mají silnější technické i finanční zázemí a chtějí posunout efektivitu kampaní na maximum – ale nesplňují podmínky pro smysluplnou implementaci systému, který zohledňuje i širší kontext firemních nákladů v dalším bodě.
5. Marže je jen část obrazu – přidáváme fixní náklady a zisk
Na první pohled máme perfektní systém: víme, kolik vyděláme na každém produktu, a reklamní systémy optimalizují podle zisku. Ale pořád nám něco chybí – co se s těmi penězi děje dál?
Firma musí platit správu kampaní, provoz e-shopu, sklad, mzdy i další fixní náklady. Pokud chceme, aby optimalizace dávala ekonomický smysl, musíme tyto náklady do systému zahrnout.
Krátkodobý přístup:
Vytvořme si plán tržeb na několik měsíců dopředu, spočítejme průměrné fixní a variabilní náklady jako procenta z tržeb, přidejme požadovaný zisk a také náklady na produkt samotný – třeba ve výši 40 %.
To, co zůstane, představuje rozpočet, který může jít do médií.
Například:
- náklady na produkt 40 %,
- fixní náklady 15 %,
- variabilní náklady 10 %,
- požadovaný zisk 10 %.
Z každé tržby 100 Kč nám zbývá 35 Kč, které můžeme investovat do reklamy, abychom se udrželi na plánovaném zisku.
Důležité je pochopit, že nejde o jednorázový výpočet rozpočtu, ale o automatizovaný systém, který tato data v reálném čase posílá do reklamních systémů a na jejich základě optimalizuje kampaně.
Takový systém vyžaduje propojení marketingových dat s ekonomickými a jejich pravidelnou aktualizaci – protože s každým posunem v nákladech nebo tržbách se mění i poměry jednotlivých položek a s nimi rozpočtový rámec.
Zároveň je nutné zohledňovat další faktory – například podíl placené a organické reklamy. Pokud se při nastavování kampaní opomene vliv organické návštěvnosti, může to vést k přehnanému přeinvestování nebo naopak podinvestování placených kanálů a k nesprávné interpretaci výsledků.
6. Bonus: Myslet na budoucnost
Ne všechny firmy chtějí hned maximalizovat zisk. Některé jdou cíleně po růstu tržního podílu a optimalizují jen na tržby. To je naprosto legitimní strategie – pokud je vědomá.
I v takovém případě se ale vyplatí marže měřit, i když se s nimi zatím nepracuje aktivně. V okamžiku, kdy se strategie změní z růstu na maximalizaci zisku (nebo dokonce minimalizaci ztráty), budou historická data o maržích k nezaplacení. Pomůžou rychle přenastavit kampaně a pochopit, které segmenty byly skutečně profitabilní.
Závěrem
Neexistuje jeden ideální systém práce s marží. Jak jsme si ukázali, každá úroveň má své místo – od jednoduchého pohledu na tržby až po sofistikované modely, které zohledňují velké množství dat napříč marketingovými i celopodnikovými daty.
Důležité je vybrat tu, která odpovídá aktuální fázi a možnostem firmy. A stejně jako u samotného marketingu – začít jednoduše, ale mít plán, kam se posunout dál. To je k dnešnímu tématu vše a budu se na vás těšit znovu v dalším pokračování série o Datech v praxi. 🙂