Komplett pensumoversikt for marketing analytics ved BI — med forklaringer, sentrale begreper, eksamenstips og vanlige fallgruver. Eksamensoptimalisert basert på tidligere eksamener.
MRK 3561 Marketing Analytics gir deg verktøyene for å analysere markedsdata, segmentere kunder, måle kampanjeeffekter og optimalisere markedsføringsressurser. Kurset kombinerer strategisk markedsføringstenkning med kvantitative analytiske metoder, og forventer at du kan bruke verktøy som SPSS, Excel og Enginius til å gjennomføre analyser og tolke resultater.
Faget bygger på en analytisk verdikjede: samle data → analysere → innsikt → beslutning → måle effekt. Du må kunne bevege deg gjennom hele kjeden, fra rå data til strategisk anbefaling. Eksamen tester ofte nettopp denne evnen til å koble kvantitative funn med markedsstrategisk tenkning.
Denne studieguiden dekker alle pensum-temaer i dybden med forklaringer, formler, eksempler og eksamenstips. Bruk den som supplement til forelesninger og pensumlitteratur.
CLV og kundeøkonomi:
= margin per periode | = retensjonsrate | = diskonteringsrate | CLV = Customer Lifetime Value
CAC = Customer Acquisition Cost | SOW = Share of Wallet | NPS = Net Promoter Score
CPA = Cost per Acquisition | ARPU = Average Revenue per User | LTV = Lifetime Value
Markedsanalyse:
SOM = Share of Market | SOV = Share of Voice | ESOV = Extra Share of Voice
= priselastisitet | HHI = Herfindahl-Hirschman Index | ROMI = Return on Marketing Investment
GRP = Gross Rating Points | CPM = Cost per Mille | CTR = Click-Through Rate | CPC = Cost per Click
Statistikk og testing:
= nullhypotese | = alternativ hypotese | = signifikansnivå | = type II-feil
= forklaringsgrad | = p-verdi | = utvalgsstørrelse | = standardavvik
Datakilder, datatyper, KPIer og digitale metrikker som danner grunnlaget for marketing analytics.
All marketing analytics starter med data. Kvaliteten på dine analyser og beslutninger avhenger direkte av kvaliteten og relevansen til dataene du bruker. I dette kapittelet gjennomgår vi ulike datakilder, viktige metrikker og hvordan du bygger et solid analytisk fundament.
Data samlet direkte fra egne kunder og plattformer. Dette er den mest verdifulle datatypen fordi den er nøyaktig, relevant og unik for din bedrift.
Fordeler: Høy nøyaktighet, gratis å samle, unik innsikt, GDPR-compliant (med samtykke).
Ulemper: Begrenset til egne kunder, kan ha huller, krever god datainfrastruktur.
En annen bedrifts førstepartsdata som du får tilgang til gjennom partnerskap eller datadeling.
Data kjøpt fra eksterne leverandører som Nielsen, GfK, Ipsos eller dataaggregatorer.
Fordeler: Bred dekning, markedsoversikt, benchmarking mot bransjen.
Ulemper: Kostbart, mindre presist, alle konkurrenter har tilgang, GDPR-utfordringer.
En dagligvarekjede som REMA 1000 bruker alle tre datatyper:
Kombinasjonen gir et helhetsbilde: hvem kunden er (1st), hva de gjør ellers (2nd), og hvordan markedet utvikler seg (3rd).
Kvantitative data: Tallbasert, målbart, statistisk analyserbart. Eksempler: salgsvolum, CTR, kundescore.
Kvalitative data: Tekst, meninger, innsikter. Eksempler: kundeintervjuer, fokusgrupper, anmeldelser.
Mixed methods: Kombinerer begge for dypere innsikt. Kvantitativ analyse identifiserer hva som skjer, kvalitativ forklarer hvorfor.
En nettbutikk rapporterer månedlig:
Tolkning: ROAS er under 4-målet, noe som tyder på at annonsebudsjettet bør reallokeres. Høy NPS og moderat churn indikerer god kundetilfredshet, men retensjonstiltak bør prioriteres.
Laster...