Marketing vstupuje do období, kdy nestačí být vidět

Za poslední týden se v marketingových zprávách opakoval jeden motiv. Nešlo o konkrétní platformu, formát ani kategorii. Šlo o rozdíl mezi tím, co marketing ovlivnil, a tím, co dokážeme prokázat.

AdExchanger upozornil, že reklamy v ChatGPT už vstupují do mediaplánů, atribuce a transparentnost za tímto formátem však zaostávají. Search Engine Journal popsal podobnou situaci u vyhledávání pomocí AI. Vliv na značky roste rychleji než schopnost vysvětlit, odkud přišel.

Do toho přišla akvizice DoubleVerify společností Nielsen za 2,15 miliardy dolarů. Spojení měření publika s ověřováním kvality reklamy může být praktické. Zároveň to ale znamená, že další významná část reklamního měření se dostává pod jednu vlastnickou střechu. Marketing Dive připomněl i starší otázky kolem akreditace Nielsen a nezávislosti měření.

Stejný problém je vidět i v kreativitě. Výzkum Omnicom Media Intelligence uvádí, že 80 % lidí považuje špatnou reklamu za horší než žádnou reklamu. Kampaň přitom může mít perfektní doručení, přesně zacílené publikum a nízkou cenu za kliknutí. Pokud si reklamy nikdo nevšimne nebo si ji nespojí se značkou, dashboard může hlásit úspěch, zatímco obchod hlásí ticho.

Co tyto zprávy spojuje? Marketing získal více automatizace, více dat a více míst, kde může být značka uvedena. Automaticky však nezískal lepší systém pro určování příčiny a následku.

To je rozdíl mezi reportingem a měřením. Reporting říká, co se stalo v konkrétním systému. Měření se snaží zjistit, co by se bez kampaně nestalo.

U kliknutí se to ještě dá poměrně snadno předstírat. U značky, doporučení AI, televize, podcastů, retailových médií nebo vícekanálové kampaně už mnohem méně. A právě tam se bude v nejbližších letech rozhodovat o tom, zda budou firmy marketing řídit, nebo ho pouze komentovat.

Tři čísla, která není třeba zaměňovat

Doručení říká, zda se reklama zobrazila, přehrála nebo byla uživateli dostupná. DoubleVerify ověřuje například viditelnost, skutečné doručení a vhodnost prostředí pro značku.

Reakce říká, zda člověk klikl, navštívil web, vyplnil formulář nebo provedl jinou měřitelnou akci.

Obchodní výsledek říká, zda vznikla zakázka, marže, opakovaný nákup nebo jiná hodnota pro firmu.

Tyto tři vrstvy spolu souvisejí, ale nejsou zaměnitelné. Viditelná reklama není automaticky účinná reklama. Kliknutí není automaticky zákazník. Zákazník, který přišel po kampani, zase nemusí být celý její výsledek.

Co si z toho odnést? U každé kampaně si ještě před spuštěním napište, které číslo je pouze důkazem doručení, které je signálem zájmu a které má rozhodovat o dalším rozpočtu. Pokud je nedokážete oddělit, nemáte plán měření, ale pouze seznam metrik.

Vyhledávání pomocí AI mění atribuci z cesty na vliv

Klasická atribuce předpokládá, že zákazník zanechává stopu. Klikne na reklamu, přijde na web, navštíví produkt, odešle formulář a nakoupí. Tato cesta nikdy nebyla úplně lineární, ale digitální nástroje vytvořily dojem, že ji dokážeme zpětně poskládat.

Odpovědi AI tento dojem oslabují. Uživatel položí otázku, dostane seznam doporučení, přečte si odpověď a následně značku vyhledá přímo, navštíví prodejnu nebo se zeptá někoho dalšího. K prokliku na původní zdroj nemusí vůbec dojít.

Analýza Kevina Indiga, kterou shrnul Search Engine Journal, uvádí, že 91 % citací se objevilo pouze v jednom ze tří sledovaných prostředí: ChatGPT, Perplexity a Google AI Overviews. Překryv mezi platformami je proto malý. Značka, která sleduje pouze jeden nástroj, vidí jen část své přítomnosti.

Podle dalšího zjištění z této analýzy si přibližně 3 ze 4 spotřebitelů vyberou první výsledek v seznamu AI. To zvyšuje význam pořadí a kontextu. Zároveň to neznamená, že každý první výsledek vytvoří nákup. Znamená to, že pozice v odpovědi může ovlivnit rozhodování dříve, než se uživatel dostane na firemní web.

Značka může být známá, ale ne doporučovaná

Výzkum agentury Victorious testoval 175 značek v 5 odvětvích na 8 platformách AI. Když se systémů ptali, aby značku popsaly, odpověděly správně v 96 % případů. U nákupních otázek se však 89 % značek v odpovědi vůbec neobjevilo, uvádí Search Engine Journal.

To je praktický rozdíl mezi známostí a mentální dostupností. Model může vědět, že značka existuje. Když však uživatel hledá řešení, značka se nemusí dostat mezi doporučené možnosti.

Pro marketéra to vytváří nový druh problému. Nestačí sledovat, zda systém AI značku zná. Je třeba sledovat, u jakých otázek ji zmíní, s čím ji porovná, jaký atribut jí připíše a zda odkáže na důvěryhodný zdroj.

Nejde však o náhradu klasického SEO. Je to další vrstva viditelnosti, která potřebuje vlastní výzkumný panel. V praxi může jít o 30 až 100 pravidelně testovaných otázek, které pokrývají kategorii, problémy zákazníků, srovnání a nákupní situace.

Výsledkem nebude přesné číslo tržeb způsobených jednou odpovědí. Výsledkem bude trend. Zjistíte, zda vás systémy AI uvádějí častěji, zda se mění popis značky a zda se mezi doporučeními objevují nesprávné nebo zastaralé informace.

Co si z toho odnést? Viditelnost v AI měřte jako průzkum trhu, ne jako klasickou konverzní kampaň. Zaveďte stálý vzorek promptů, archivujte odpovědi a porovnávejte značku s konkurencí. Nepřipisujte AI každou návštěvu, kterou nedokážete vysvětlit.

Data platforem jsou užitečná, ale nejsou nezávislým rozsudkem

Reklamní platformy dnes dokážou reportovat více než dříve. Problémem není nedostatek údajů. Problém je, že většina údajů vzniká u subjektu, který reklamu prodává.

Platforma dokáže nejlépe změřit vlastní doručení. Ví, komu reklamu zařadila, kolik kliknutí zaznamenala a jaké konverze jí její systém připsal. Méně spolehlivě však dokáže odpovědět na otázku, co by se stalo, kdyby se reklama nezobrazila.

Proto akvizice DoubleVerify společností Nielsen není pouze finanční zprávou. AdExchanger ji popisuje jako snahu spojit data o publiku s ověřením kvality reklamy. Pro inzerenta to může zjednodušit proces.

Pohodlí a nezávislost však nejsou totéž. Pokud jeden dodavatel poskytuje údaje o publiku, ověřuje doručení a zároveň pomáhá vysvětlovat účinnost kampaně, firma by měla znát jeho metodiku a vlastnické vztahy.

DoubleVerify používá ověřovací standardy akreditované Media Rating Council. Nielsen v oznámení tvrdí, že nezávislost DoubleVerify zůstane zachována. To je příslib stran transakce, nikoli výsledek auditu po jejím dokončení.

Zároveň platí, že Nielsen v roce 2021 přišel o akreditaci národního a lokálního televizního měření po problémech s podhodnocením sledovanosti během pandemie. Národní akreditaci získal zpět v roce 2023, historie však ukazuje, proč nestačí přijmout slovo nezávislý bez otázek.

Co má firma kontrolovat

U každého důležitého měření by měly existovat alespoň 3 oddělené vrstvy kontroly:

  1. Report platformy, který ukazuje doručení a optimalizační signály.
  2. Vlastní firemní data, která ukazují návštěvy, leady, zakázky, marži a opakované nákupy.
  3. Kontrolní přístup, například experiment, geo-test, průzkum nebo druhý zdroj měření.

Ne každá malá firma potřebuje drahý audit. Každá firma však potřebuje vědět, co je vlastní evidence a co tvrzení dodavatele.

Ve sporu mezi Teads a Google se tento problém objevuje ještě ostřeji. Teads tvrdí, že Google prostřednictvím propojení Google Ads a AdX znevýhodňoval konkurenční burzy a že šlo přibližně o 6,88 bilióna zobrazení. Adweek však upozorňuje, že žaloba neuvádí metodiku tohoto odhadu.

Číslo proto nelze používat jako prokázanou škodu. Jde o tvrzení jedné strany v právním sporu. Teads je pátou velkou SSP, tedy platformou na straně prodejce reklamního prostoru, která za poslední rok zažalovala Google. Samotný počet žalob je signálem koncentrace trhu, nikoli automatickým důkazem každého obvinění.

Pro zadavatele reklamy z toho vyplývá jednoduché pravidlo. Pokud nevíte, jakou technologií rozpočet prochází, jaké poplatky se odečítají a kdo rozhoduje o aukci, neměříte celý nákup. Měříte pouze poslední report, který vám někdo poskytl.

Co si z toho odnést? Nežádejte po jednom dodavateli, aby byl zároveň prodejcem, rozhodčím i jediným svědkem. U větších rozpočtů si ověřujte doručení a výsledek odděleně. U menších rozpočtů alespoň porovnávejte data platformy s fakturami, CRM a skutečnými objednávkami.

Kreativa je proměnná, kterou dashboard často nevidí

Měření marketingu se historicky přiklání k tomu, co lze snadno spočítat. Proklik má přesné číslo. Zásah má přesné číslo. Cena za lead má přesné číslo. Zapamatování značky, důvěryhodnost nebo důvod, proč si člověk reklamu spojil s konkrétním produktem, se měří obtížněji.

Proto firmy často optimalizují to, co je dostupné v reportu. Ne to, co rozhoduje o zakázce.

Výzkum Omnicomu uvádí, že 84 % respondentů vnímá pozitivněji reklamy blízké jejich osobní zkušenosti. Správné načasování oceňuje 78 % respondentů a 30 % tvrdí, že lepší reklamní zážitek zvyšuje jejich nákupní záměr. Tato čísla neříkají, že každá personalizovaná reklama funguje. Říkají, že zkušenost s reklamou je součástí výsledku.

Šestnáct let v marketingu mě naučilo, že kreativa porazí cílení častěji, než si firmy připouštějí. Špatnou reklamu nezachrání přesněji vybrané publikum. Dobrý nápad zase nepotřebuje dokonalý zásah, aby vytvořil první signál zájmu.

AI tento problém automaticky neřeší. Dnes nejvíce pomáhá s objemem variant. Dokáže připravit 15 titulků, různé úvody videa nebo kombinace vizuálu a nabídky. Sama však nedokáže rozhodnout, jaký problém má značka vlastnit, co je důvěryhodné pro slovenskou a českou cílovou skupinu a za co bude firma ochotná ručit.

Automatizace proto může zlepšit testování, ale také zrychlit výrobu nevýrazných reklam. Pokud každá varianta vychází ze stejného slabého briefu, výsledkem nebude učení. Bude to pouze větší počet průměrných kusů.

Jak měřit kreativu bez předstírání přesnosti

U kampaně si rozdělte měření na 4 otázky:

  • Všiml si člověk reklamy? Pokud je rozpočet dostatečný, použijte brand lift, průzkum nebo test zapamatování.
  • Spojil si ji se značkou? Sledujte spontánní a podpořenou znalost, vyhledávání značky a přímou návštěvnost.
  • Vznikl zájem? Měřte kvalitní návštěvy, konfigurace, registrace, poptávky a další mezikroky.
  • Vznikl obchod? Propojte kampaň s CRM, marží, opakovaným nákupem a skutečnou hodnotou zákazníka.

Malá firma nemusí dělat všechno najednou. Musí však vědět, kterou otázku právě testuje. Reklama určená k budování známosti se nemá hodnotit pouze podle okamžitého prodeje. Reklama určená k získání leadů zase nemá být chválena za pěkný zásah, pokud leady nemají obchodní hodnotu.

Co si z toho odnést? Kreativa potřebuje vlastní hypotézu. Například že konkrétní zákaznický problém, důkaz a vizuální prvek zvýší kvalifikované poptávky o určitý podíl. Bez hypotézy testujete formáty, nikoli marketing.

Jak si postavit systém měření, který přežije další platformu

Běžná středoevropská firma s 20 lidmi nepotřebuje datové oddělení. Potřebuje méně metrik, jasné definice a pravidelný proces. Systém měření lze postavit v 5 krocích.

1. Začněte obchodním výsledkem

Nejprve definujte, co je pro firmu výsledkem. Může to být hrubá marže, počet zakázek, hodnota nových kontraktů, opakovaný nákup nebo návratnost kapitálu. Kliknutí, návštěva a lead jsou pouze mezikroky.

Pokud prodáváte B2B službu, lead nemusí být výsledkem. Důležitá může být hodnota příležitosti v CRM a počet obchodů, které postoupily do další fáze. Pokud prodáváte sortiment e-shopu, důležitější bude marže po odečtení slev, dopravy a nákladů na vrácení.

2. Zaveďte slovník událostí

V analytice si přesně pojmenujte události. „Konverze“ je příliš obecné slovo. Rozlišujte odeslaný formulář, kvalifikovaný lead, uskutečněný hovor, nabídku, zakázku a zaplacenou objednávku.

U každé události určete vlastníka. Marketing může vlastnit měření formuláře. Obchod musí potvrdit, zda je lead kvalifikovaný. Finance nebo vedení musí potvrdit, která hodnota se má používat při rozhodování o rozpočtu.

3. Oddělte report od rozhodnutí

Report platformy si ponechte jako diagnostiku. O rozpočtu rozhodujte na základě kombinace dat platformy, CRM a účetních výsledků.

Pokud Meta nebo Google hlásí růst konverzí, ale CRM neukazuje více kvalifikovaných příležitostí, nepřesouvejte automaticky peníze. Nejprve zkontrolujte definici konverze, atribuční okno, duplicity a kvalitu poptávek.

4. Testujte příčinu, ne pouze souvislost

U většího rozpočtu použijte geo-test, kontrolní skupinu nebo postupné vypnutí kampaně v porovnatelné části trhu. Pro slovenskou a českou firmu to může znamenat srovnání regionů, prodejních týmů nebo časových období. Rozdíly musíte interpretovat opatrně, protože trhy se liší velikostí, konkurencí i sezónností.

Pokud experiment není možný, použijte alespoň více zdrojů. Porovnejte platformu, CRM, analytiku, fakturaci a přímý průzkum. Není to dokonalá kauzalita. Je to lepší než slepá důvěra v jediné číslo.

5. Archivujte změny

U odpovědí AI ukládejte prompt, datum, platformu, odpověď a odkazy. U reklamních kampaní ukládejte verzi kreativy, publikum, rozpočet, období a změnu nastavení. Bez historie nevíte, proč se výsledek změnil.

Jednou měsíčně si položte 5 otázek:

  1. Které číslo se změnilo?
  2. Je změna v platformě, na webu, nebo v obchodě?
  3. Máme důkaz, že ji způsobila kampaň?
  4. Co bychom očekávali, kdyby kampaň neběžela?
  5. Jaké rozhodnutí z toho uděláme?

Poslední otázka je nejdůležitější. Report bez rozhodnutí je jen literatura faktu s barvami.

Co to znamená pro slovenskou a českou firmu

Pro slovenskou a českou firmu s omezeným rozpočtem není hlavní hrozbou to, že nemá přístup k nejnovějšímu reklamnímu formátu. Hlavní hrozbou je, že za nový formát zaplatí dříve, než bude vědět, jak odliší jeho účinek od ostatních vlivů.

Reklamy v ChatGPT mohou mít nízkou vstupní bariéru. AdExchanger uvádí CPC bidding, pixel tracking, conversion APIs a téměř nulový minimální rozpočet. To je vhodné pro experiment. Není to důvod zařadit formát do trvalého mediaplánu bez vlastního měření.

Marketingový manažer by měl před testem definovat 1 obchodní cíl, 2 až 3 mezikroky a pravidlo ukončení. Například kampaň poběží 30 dní, rozpočet se však nezvýší, dokud kvalifikované leady nebudou mít stejnou nebo lepší marži než srovnávaný kanál.

Obchodní tým musí dostat informaci, že zdroj leadu není výsledkem. Musí označit kvalitu, stav příležitosti a výslednou hodnotu. Jinak bude marketing optimalizovat formuláře, které obchod nechce.

Majitel nebo finanční ředitel by měl jednou měsíčně vidět jednoduchý přehled: náklady, počet kvalifikovaných příležitostí, získané tržby, hrubou marži a dobu od prvního kontaktu po obchod. U B2B firmy může horizont trvat 3 až 12 měsíců. U e-shopu spíše dny až týdny. Stejný atribuční model proto nebude fungovat v obou situacích.

U viditelnosti v AI je vhodný měsíční proces. Marketing připraví panel promptů ve slovenštině a češtině, případně v angličtině, pokud firma cílí i na zahraničí. Zaznamená zmínky, pořadí, zdroje a chyby. Obsahový tým pak opravuje primární zdroje, produktové stránky, reference a vysvětlení, ze kterých mohou systémy AI čerpat.

Právní a datová rizika se týkají obou zemí, konkrétní pravidla se však mohou lišit podle použitého nástroje, smlouvy a typu údajů. U osobních údajů je třeba zapojit člověka odpovědného za ochranu údajů. U reklamního měření je třeba zkontrolovat souhlasy, cookies, server-side měření a smluvní podmínky dodavatelů.

Největší příležitost je organizační. Malá firma může být rychlejší než velká společnost, která má více dashboardů, ale nikdo neví, který z nich rozhoduje. Pokud jednou týdně porovná vlastní obchodní data s reportem platformy, dokáže odhalit nesrovnalost dříve, než se z ní stane čtvrtletní omyl.

Co si o tom myslím a co z toho plyne pro firmy

Za poslední týden jsem neviděl důkaz, že marketing potřebuje další dashboard. Viděl jsem důkaz, že potřebuje lepší disciplínu při rozhodování. Reklamy v ChatGPT, doporučení AI, měření Nielsen a DoubleVerify i kreativní testování řeší odlišné části systému, všechny však narážejí na stejnou hranici: platforma dokáže velmi přesně popsat vlastní aktivitu, ne vždy však dokáže prokázat obchodní přírůstek.

Můj postoj je proto praktický. Dokud neznáte vlastní definici výsledku a nedokážete ji propojit s CRM nebo fakturací, nepomůže vám ani přesnější model, ani nový reklamní formát. Firmy se často ptají, který nástroj je nejlepší. Rozdíl mezi nástroji je však při malém objemu dat menší než rozdíl mezi dobrým a špatným procesem měření.

U viditelnosti v AI bych byl ještě opatrnější. Sledování zmínek a citací dává smysl, neměli bychom z něj však vyrábět falešnou atribuci. Pokud AI zmíní značku a o týden později vzroste přímý prodej, jde o zajímavou souvislost. Není to automaticky prokázaná příčina. Marketing si už dost dlouho plete časovou následnost s důkazem.

Důsledek pro běžnou středoevropskou firmu je konkrétní. Během nejbližších 30 dní bych nerozšiřoval počet kanálů. Sjednotil bych definice v analytice a CRM, oddělil čísla platformy od obchodních výsledků a vybral 1 kontrolní experiment. U každého nového formátu by firma měla vědět, kolik může utratit za učení, kdy test končí a kdo rozhoduje o pokračování.

Úspora nevznikne tím, že marketingový tým přestane pracovat s reporty. Vznikne tím, že přestane přesouvat peníze podle metrik, které nemají vazbu na marži. To je práce pro marketing, obchod i finance. Pokud ji vlastní pouze marketing, bude mít sice více dat, ale ne nutně větší kontrolu.

Můj závěr je jednoduchý. V prostředí, kde platformy vlastní stále větší část distribuce i měření, se nezávislá firemní data stávají konkurenční výhodou. Ne proto, že jsou dokonalejší. Proto, že patří firmě a lze je porovnávat napříč kanály.

Jak to bude vypadat za rok

Za rok bude více marketingových rozhodnutí ovlivňováno systémy, které uživateli odpovědí dříve, než navštíví web. Více reklamy se bude nakupovat automaticky. Více kreativ vznikne s pomocí AI. Více reportů bude vypadat přesně.

Přesnost reportu však není přesností poznání. Firma může mít číslo pro každou fázi kampaně a stále nemusí vědět, proč zákazník nakoupil. Proto se bude rozdíl mezi firmami zvětšovat podle toho, kdo si udrží vlastní evidenci rozhodnutí, experimentů a výsledků.

Nejlepší systémy nebudou ty, které měří všechno. Budou měřit tolik, aby se podle nich dalo jednat, a zároveň budou otevřené opravě, když se ukáže, že předpoklad byl chybný.

Výzva k implementaci AI dne

Během 7 dní nasaďte jednoduchý AI panel viditelnosti značky. Vytvořte 30 otázek, které se zákazníci ptají při výběru vašeho produktu. Rozdělte je na kategorii, srovnání, cenu, problém a nákupní situaci. Jednou týdně je spusťte v ChatGPT, Perplexity a Google AI Overviews, výsledky uložte do Google Sheets a pomocí AI označte zmínku značky, pořadí, doporučený důvod a zdroj odpovědi.

Marketingu to zabere přibližně 2 hodiny měsíčně místo ručního hledání. První nastavení zvládnete za 4 až 6 hodin. Nejčastěji to ztroskotá na tom, že firma sleduje pouze počet zmínek a ignoruje nesprávné informace nebo slabé primární zdroje.

Vyberte dnes prvních 30 otázek a na konci týdne porovnejte odpovědi s konkurencí.