Analytikkverktøy og metoder

Marketing analytics krever at du kan velge riktig verktøy for riktig problem, gjennomføre analyser og — viktigst — tolke resultatene i en markedsføringskontekst. Dette kapittelet dekker analytikkhierarkiet, de viktigste verktøyene og hvordan du tolker output.

Analytikkhierarkiet

Fire nivåer av analytikk

Deskriptiv analytikk: Hva skjedde? Dashboards, rapporter, KPIer. Eksempel: «Salget falt 12 % i Q3.»
Diagnostisk analytikk: Hvorfor skjedde det? Drill-down, segmentering, korrelasjon. Eksempel: «Fallet skyldes 25 % lavere trafikk fra organisk søk.»
Prediktiv analytikk: Hva vil sannsynligvis skje? Regresjon, maskinlæring, prognoser. Eksempel: «Med nåværende trend vil salget falle ytterligere 8 % i Q4.»
Preskriptiv analytikk: Hva bør vi gjøre? Optimering, simulering, beslutningsstøtte. Eksempel: «Reallokering av 200k fra display til SEO vil øke trafikken med 15 %.»

De fleste bedrifter opererer på nivå 1-2. Nivå 3-4 gir størst konkurransefortrinn men krever mer avansert kompetanse og data.

Regresjonsanalyse i markedsføring

Lineær regresjon

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + ... + \beta_k X_k + \varepsilon$$

$Y$ = avhengig variabel (det du forklarer, f.eks. salg)
$X_i$ = uavhengige variabler (forklaringsvariabler, f.eks. annonsering, pris)
$\beta_0$ = konstantledd (forventet Y når alle X = 0)
$\beta_i$ = regresjonskoeffisienter (endring i Y per enhets endring i $X_i$, alt annet likt)
$\varepsilon$ = feilledd (uforklart variasjon)

Tolkning av regresjonsoutput (SPSS)

Når du får en SPSS-output på eksamen, fokuser på:

$R^2$ (R Square): Andel av variasjonen i Y som forklares av modellen. $R^2 = 0{,}65$ betyr at modellen forklarer 65 % av salgsvariasjonene.
Adjusted $R^2$: Justert for antall variabler — bruk denne ved multippel regresjon.
F-test (ANOVA-tabellen): Tester om modellen samlet sett er signifikant. $p < 0{,}05$ → modellen forklarer signifikant.
Koeffisienter ($\beta$): Retning og størrelse på sammenhengen. Positiv = økning i X gir økning i Y.
p-verdi per koeffisient: Er denne variabelen signifikant? $p < 0{,}05$ → signifikant bidrag.
Standardisert $\beta$ (Beta): Sammenligner relativ viktighet mellom variabler med ulik skala.

Eksempel: Tolkning av regresjonsoutput

SPSS-output for salgsmodell ($n = 52$ uker):

$R^2 = 0{,}72$, Adjusted $R^2 = 0{,}69$. F-test: $p < 0{,}001$
Konstant: $\beta_0 = 150\,000$ ($p < 0{,}001$)
TV-annonsering: $\beta_1 = 2{,}3$ ($p = 0{,}003$), Std. Beta = 0,45
Google Ads: $\beta_2 = 4{,}1$ ($p = 0{,}001$), Std. Beta = 0,38
Prisnivå: $\beta_3 = -890$ ($p = 0{,}012$), Std. Beta = -0,25
Sesongdummy: $\beta_4 = 45\,000$ ($p = 0{,}008$), Std. Beta = 0,20

Tolkning:

Modellen forklarer 69 % av salgsvariasjonen (Adj. $R^2$) og er samlet signifikant ($p < 0{,}001$).
Basesalg uten annonsering er 150 000 kr/uke.
Hver ekstra krone i TV-annonsering gir 2,30 kr i salg. Hver krone i Google Ads gir 4,10 kr.
TV har størst standardisert effekt (Beta = 0,45) — den viktigste driveren.
1 kr prisøkning reduserer ukentlig salg med 890 kr — pris har negativ effekt som forventet.
Sesongen (f.eks. jul) gir 45 000 kr ekstra ukentlig salg.

Logistisk regresjon

Brukes når avhengig variabel er binær (ja/nei, kjøp/ikke kjøp, churn/ikke churn).

$$\ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 + ... + \beta_k X_k$$

$p$ = sannsynlighet for hendelsen (f.eks. kjøp)
Koeffisientene tolkes som endring i log-odds
$e^{\beta_i}$ = odds ratio — mer intuitivt. OR = 1,5 betyr 50 % høyere odds per enhetsøkning i X.

Bruk i markedsføring: Churn-prediksjon, kjøpssannsynlighet, responsmodellering for kampanjer.

SPSS i praksis

Viktige SPSS-analyser i kurset

Deskriptiv statistikk: Gjennomsnitt, median, standardavvik, frekvenstabeller
Korrelasjonsanalyse: Pearsons r. Verdier: 0-0,3 svak, 0,3-0,7 moderat, 0,7-1,0 sterk
Regresjonsanalyse: Lineær og logistisk. Tolkning av koeffisienter og modellfit.
Klyngeanalyse: K-means og hierarkisk. Husk å standardisere variabler først!
Faktoranalyse: Reduser mange variabler til færre underliggende faktorer. KMO > 0,6 og Bartlett's test signifikant.
t-test / ANOVA: Sammenligner gjennomsnitt mellom grupper (A/B-test-analyse).

Excel-verktøy

Relevante Excel-funksjoner

Pivot-tabeller: Aggreger og analyser store datasett dynamisk. Essensielt for deskriptiv analyse.
XLOOKUP/VLOOKUP: Slå opp verdier mellom tabeller (f.eks. koble kundedata med transaksjonsdata).
Solver: Optimeringsverktøy. Bruk til budsjettallokering med begrensninger.
Data Analysis Toolpak: Regresjon, t-test, korrelasjon, deskriptiv statistikk.
What-If / Goal Seek: Sensitivitetsanalyse (hva skjer med CLV hvis retensjonsraten endrer seg?).

Enginius

Enginius-moduler

Cluster Analysis: K-means segmentering med visuell output. Standardiserer automatisk.
Perceptual Maps: Genererer posisjoneringskart fra kundevurderinger. Viser merkevareposisjoner og idealpunkter.
Conjoint Analysis: Definerer attributter/nivåer, genererer profiler, beregner part-worth utilities og markedsandeler.
Bass Diffusion Model: Prognostiserer adopsjon av nye produkter basert på innovatører og imitatorer.
GE/McKinsey Matrix: Strategisk porteføljeanalyse med markedsattraktivitet og konkurransestyrke.

Eksamenstips: Du trenger ikke kunne betjene Enginius mekanisk, men du må kunne tolke output: hva betyr klyngesentrene? Hva viser perceptual map? Hvordan beregne attributtviktighet fra conjoint?

Vanlige feil ved verktøybruk

Tall uten tolkning: SPSS gir tall — eksamen krever markedsføringsmessig tolkning. «$\beta = 2{,}3$» er ikke et svar. «Hver ekstra krone i TV-annonsering genererer 2,30 kr i mersalg» er det.
$R^2$ som eneste mål: Høy $R^2$ betyr ikke at modellen er god — sjekk individuelle koeffisienter, F-test, og om forutsetningene holder.
Glemme forutsetninger: Lineær regresjon krever linearitet, normalfordelte residualer, homoskedastisitet og uavhengige observasjoner.
Korrelasjon = kausalitet: At is-salg og drukninger korrelerer betyr ikke at is forårsaker drukning. Begge drives av en tredje variabel (sommervarme).
Overfitting: For mange variabler relativt til observasjoner gir god tilpasning til data men dårlig prediksjonsevne.

Studieguide: Analytikkverktøy