Kan AI-rapportens ROAS begrunde et større annoncebudget?

En AI-skrevet marketingrapport kan have helt styr på regnestykket og alligevel anbefale mere, end tallene kan bære. Når rapporten går fra at beskrive salget til at anbefale en budgetændring, skal dens begrundelse kunne kontrolleres lige så grundigt som tallene.

For marketingchefen eller bureauets rapportansvarlige er opgaven at få forbindelsen mellem tal, påstand og beslutning frem i lyset. AI kan hjælpe med at samle dokumentationen. Den kan ikke skabe den manglende sammenligning med, hvad kunderne ville have købt uden annonceringen.

Hvad får annoncerne kredit for?

ROAS udtrykker konverteringsværdi i forhold til annonceforbrug. Ved attribueret ROAS fordeles værdien efter systemets regler for sporing og attribution. Attribution er dermed en måde at tildele annoncer kredit på. Den er nyttig i den løbende opfølgning, men viser ikke alene, hvor stor en del af salget der skyldtes annoncerne.

I Googles brugerbaserede Conversion Lift beregnes inkrementelt ROAS som estimeret ekstra konverteringsværdi divideret med annonceforbruget. Det kræver en sammenligning med et troværdigt bud på forløbet uden annonceringen. Dette kaldes det kontrafaktiske udfald. De to ROAS-mål besvarer forskellige spørgsmål, selv når annonceforbruget i nævneren er det samme.

Kontrollér også, hvad værdien består af. Den registrerede købsværdi er ikke nødvendigvis indbetalt omsætning, og ROAS er ikke overskud. Vareavancer og øvrige omkostninger skal indgå, når virksomheden vurderer den økonomiske betydning.

En månedsrapport, der skal omskrives

Her er et hypotetisk eksempel, ikke et kunderesultat. En opdigtet detailbutiks kampagneoversigt viser THB 100.000 i annonceforbrug og THB 400.000 i attribueret købsværdi i én måned. Butikken kørte samtidig en tilbudskampagne. Der følger ingen undersøgelse eller kausal model med, som estimerer annonceringens ekstra effekt.

Regnestykket 400.000 / 100.000 giver 4,0 i attribueret ROAS. Hvis AI-teksten herefter siger ”Annoncerne skabte THB 400.000 i ekstra omsætning, så hæv budgettet”, har den tilføjet en årsagspåstand, som tallene ikke underbygger. Fire gange annonceforbruget i attribueret værdi er heller ikke 400 procent i overskud.

En forsvarlig formulering er: ”Ifølge kampagneoversigten blev THB 400.000 i købsværdi attribueret til annonceringen i måneden. Med et annonceforbrug på THB 100.000 svarer det til et attribueret ROAS på 4,0. Det fremlagte materiale estimerer ikke, hvor meget ekstra salg annonceringen skabte.” Tilbudskampagnen kan undersøges som en mulig medvirkende faktor; den er ikke dermed bevist som forklaringen.

Omskrivningen bevarer et relevant resultat og gør grænsen for konklusionen tydelig. Den, der skal træffe budgetbeslutningen, kan nu se præcis, hvilken viden der mangler.

Sortér dokumentationen, før forklaringen skrives

En stigning fra før til efter en kampagne beskriver en udvikling. Den giver ikke automatisk en gyldig sammenligning med en situation uden annoncer. Et attribueret resultat fordeler derimod værdi efter regler. Ingen af delene er i sig selv et estimat af mersalget.

Et kontrolleret forsøg sammenligner grupper efter et planlagt forsøgsdesign. Googles Conversion Lift har brugerbaserede og geografiske muligheder, men er ikke tilgængeligt for alle Google Ads-konti. Sammenlignelige grupper og korrekt udformning er afgørende, så en egnet måling kræver faglig vurdering. Estimatet skal ledsages af sin usikkerhed og afgrænses til de relevante kampagner, målgrupper, udfald og perioder.

Forsøg er ikke den eneste mulighed. En korrekt specificeret kausal model kan estimere effekter ud fra observationsdata under bestemte antagelser. Det gælder eksempelvis marketingmixmodellering, MMM. Her skal man håndtere faktorer, som påvirker både beslutninger om annonceforbrug og salg. Sæson og tilbud er mulige forhold at undersøge, ikke forklaringer, som kan tages for givet.

Google Meridians dokumentation understreger, at flere modeller kan forudsige godt og alligevel give forskellige kausale afkast. En sprogmodel, der formulerer en kommentar til tal, er ikke det samme som en sådan målemodel. Rapporten må bevare forskellen mellem observation, attribution, forsøg og et modelbaseret årsagsestimat.

Et større budget stiller et nyt spørgsmål

Selv et velunderbygget historisk estimat af mersalget er ikke et løfte om afkastet af flere annoncekroner. Det tidligere gennemsnit gælder den hidtidige indsats. En budgetforhøjelse handler om den ekstra indsats. Som praktisk beslutningsprincip bør rapporten derfor forklare, hvorfor afkastet forventes at holde ved det foreslåede forbrug.

Meridian skelner mellem historisk ROI og marginalt afkast, altså afkastet af en lille stigning i forbruget. En større budgetændring kræver en sammenligning af forbrugsniveauer, som modellens responskurver kan belyse. Når vurderingen bevæger sig uden for de observerede niveauer, vokser risikoen ved at ekstrapolere. Meridians kausale ROI skal ikke sidestilles med platformens attribuerede ROAS.

Mangler der måling, behøver alle beslutninger ikke gå i stå. En ansvarlig kan vælge en afgrænset handling under usikkerhed og aftale opfølgning. Men rapporten skal beskrive den som en forretningsbeslutning med antagelser, ikke som en dokumenteret konsekvens af dashboardets ROAS. Der findes ingen universelt sikker budgetforhøjelse.

Gør den enkelte påstand efterprøvbar

MindVerve foreslår at begynde gennemgangen med ord som ”skabte ekstra”, ”forårsagede” og ”vil øge”. For hver påstand med betydning for beslutningen oprettes én række i et kontrolark. Disse felter kan kopieres direkte ind i bestillingen til rapportleverandøren:

1. Påstand og formål: Den oprindelige sætning og beslutningen, den skal understøtte.
2. Måling og kilde: Oprindeligt nøgletal, definition, kilderapport og dato.
3. Afgrænsning: Kampagne, målgruppe, udfald og måleperiode.
4. Metode og sammenligning: Evidenstype og det forløb uden annoncering, der sammenlignes med.
5. Forbehold: Usikkerhedsintervaller, hvor de findes, antagelser og manglende oplysninger.
6. Ansvar og handling: Kontrollant, beslutningsejer og næste skridt.

AI kan udarbejde et udkast til denne oversigt og markere huller. En faglig kontrollant skal efterse kilden og godkende den væsentlige konklusion. Sproget tilpasses dokumentationen: Beskriv en ændring som en ændring, attribution som attribution og en estimeret effekt med dens forbehold. Bed om manglende materiale eller om et passende måledesign; det behøver ikke være Googles egen måleløsning.

Tre prøver til en rapporteringspilot

Følgende er foreslåede godkendelsesprøver, som skal gennemføres i piloten, ikke resultater af allerede udførte tests:

1. Når input kun indeholder attribution, må output ikke omdøbe værdien til ekstra omsætning.
2. Når en undersøgelse ikke giver et entydigt svar, skal usikkerheden bevares; ”ingen sikker konklusion” må ikke blive til ”ingen effekt”.
3. Når input kommer fra en kausal observationsmodel, skal afgrænsning og antagelser fremgå, og resultatet må ikke beskrives som et forsøg.

Mål antallet af udokumenterede påstande, der kræver rettelse, hvor mange påstande der kan spores til kilder, og den samlede indsats til gennemgang. Medregn kildekontrol og efterarbejde. Hverken en prompt eller en tjekliste garanterer den rigtige konklusion.

MindVerves automatiserings- og rapporteringsydelse kortlægger input, output, ansvar, beregninger, kontroller, tidspunkter for faglig gennemgang og regler ved fejl. AI Workflow Launch gennemfører én aftalt arbejdsgang med repræsentative prøver og undtagelsestilfælde samt dokumentation, oplæring og overdragelse. Konfiguration, adgang, licenser, API-forbrug, ekstra integrationer og vedligeholdelse skal afgrænses særskilt. MMM-implementering og forsøgsopsætning er ikke automatisk inkluderet.