Experiment och mätning: så lär du av varje marknadsinsats

Varför experiment och mätning är avgörande för svenska B2B-företag

CRO, konverteringsoptimering, beskrivs som arbetet med att systematiskt få fler besökare att utföra en önskad handling på webbplatsen – till exempel fylla i ett kontaktformulär, boka möte eller ladda ner ett whitepaper. Tanken är att utnyttja den trafik som redan finns bättre, i stället för att bara köpa mer. För svenska B2B-företag är detta praktik, inte teori: varje höjd konverteringsgrad avgör hur långt marknadsbudgeten räcker.

En svensk CRO-guide från Growth Hackers tar upp tre samtidiga utmaningar: stigande annonspriser, där Google Ads och LinkedIn Ads kostar mer per klick varje år; hårdare dataregler, där GDPR och IMY:s riktlinjer begränsar cookies och spårning; och AI-driven konkurrens om synlighet, där AI Overviews och GEO tar allt mer söktrafik innan besökaren når sajten. Enligt guiden halverar en konverteringsgrad som går från 1 % till 2 % i praktiken kostnaden per lead – utan att budgeten ökar.

Guiden visar också pipelineeffekten: om konverteringsgraden ökar från 1,5 % till 3 % vid 10 000 månadsbesökare, går man från 150 till 300 leads per månad. Med ett genomsnittligt dealvärde på 150 000 kr och 20 % close rate motsvarar det skillnaden mellan 4,5 mkr och 9 mkr i pipeline. Därför är experiment och korrekt mätning ingen sidouppgift, utan själva mekanismen för att försvara och förbättra marknadsföringens avkastning.

Effekten av konverteringsförbättringar på pipeline och kostnad per lead

Bygg en mätplan som kopplar varje insats till affärsvärde

En mätplan börjar med att du avgör vilken önskad handling som faktiskt räknas. Inom B2B handlar det ofta om att fylla i ett kontaktformulär, boka ett möte eller ladda ner ett whitepaper – handlingar som kan kopplas till säljprocessen, inte bara till klick. Bestäm vilka av dessa handlingar som är värdefulla nog att följas upp mot leads och pipeline.

När handlingen är definierad översätter du den till en mätbar händelse och bestämmer vilket affärsvärde händelsen ska ha. Räkna om antalet konverteringar till förväntad pipeline utifrån ditt genomsnittliga dealvärde och din historiska close rate. Då går varje insats att jämföra: en variant som ger fler leads men sämre kvalitet syns som ett sämre pipelineutfall – inte som en framgång.

Knyt också mätplanen till kontoinställningarna. Enligt CRO-guiden från Growth Hackers bör data retention ställas in på 14 månader i stället för standardvärdet 2 månader, just för att analyser ska kunna göras år över år. Då kan du jämföra en månad med samma månad föregående år, i stället för att bara se kortsiktiga svängningar.

Mät konverteringar rätt i en händelsebaserad analysmodell

Google Analytics 4 ersatte Universal Analytics i juli 2023, vilket ändrade hur konverteringar definieras. I Universal Analytics skapades konverteringsmål som separata mål kopplade till URL-destinationer, händelser eller sessionsvaraktighet. I GA4 är alla konverteringar händelser: du markerar befintliga händelser som konverteringshändelser i gränssnittet, till exempel generate_lead, form_submit eller book_demo.

Den praktiska skillnaden för optimeringen är att GA4 gör det enkelt att segmentera vilka händelseegenskaper, det vill säga parametrar, som föregår en konvertering. CRO-guiden ger ett exempel: besökare som läser mer än tre sidor konverterar fyra gånger oftare, och ett sådant mönster syns tydligt i Exploration-rapporterna. Sådana insikter ligger till grund för hypoteser – inte magkänslan.

Se därför till att händelsenamnen är konsekventa och att de händelser du vill styra mot är markerade som konverteringar. Om olika formulär och bokningsflöden skickar olika händelsenamn går varianter inte att jämföra på ett rättvisande sätt.

Samma guide rekommenderar att enhanced measurement aktiveras för automatisk spårning av scroll, utgående klick och videoengagemang.

Jämförelse mellan GA4 och Universal Analytics vid konverteringsmätning

Säkra datakvaliteten med samtycke och serverdatalagring

Datakvaliteten avgör om ett experimentresultat är värt något. CRO-guiden beskriver hur GDPR och IMY:s riktlinjer begränsar cookieanvändning och spårning, vilket försvårar mätning och attribuering av konverteringar på gamla sättet. En korrekt uppsättning innehåller nu Consent Mode V2 och serverdatalagring – de två komponenter som guiden lyfter fram som svar på de strängare reglerna.

Gå igenom samtyckesflödet så att taggar beter sig korrekt beroende på om besökaren har samtyckt eller inte. Kontrollera också att serverdatalagringen är uppsatt så att mätningen blir så komplett som regelverket tillåter. Är samtyckeshanteringen inkonsekvent mäts två varianter i ett test olika – och då mäter du skillnader i spårning i stället för skillnader i effekt.

Se även till att inga dubbletter av händelser skickas; dubbelräkning förvränger både konverteringsgrad och testresultat.

Kontrolllista för korrekt datakvalitet i mätning

Formulera hypoteser som går att testa och lära av

En användbar hypotes tar sin början i ett observerat beteende. Analysera händelsedata och leta efter mönster: om vissa beteenden samvarierar med konvertering kan det tyda på vad som spelar roll. Formulera sedan hypotesen som ett påstående om vad som händer om du gör en specifik förändring.

Utgå från en nollhypotes och en alternativhypotes. Nollhypotesen säger att förändringen inte har någon effekt; alternativhypotesen säger att den har det. Genom hypotesprövning och experiment når man, som det uttrycks i kurslitteraturen om marknadsföring, ny kunskap om vad som kan förbättras. Poängen är att du i förväg bestämmer vad som ska jämföras och vad som ska räknas som ett resultat.

Definiera också förväntad effekt före start: vilken händelse du mäter, hur stor förbättring som är värd att agera på och hur länge testet behöver köra för att ge ett användbart svar. Skriv ned det, så att beslutet efteråt inte blir en efterhandskonstruktion.

Designa A/B-test för landningssidor och annonser

Ett A/B-test innebär att visa varianter av en sida eller ett annonsmaterial för ett slumpmässigt urval av besökarna och se vilken variant som bäst driver det valda målet. Googles hjälpdokumentation om målsidetestning beskriver tre saker du kan styra: jämföra hur effektiva olika webbsidor är utifrån ett slumpmässigt urval av besökarna, välja vilken måltyp du vill testa och ange hur stor del av trafiken som ska ingå i experimentet.

Dokumentationen ger ett konkret upplägg: en annons pekar mot en särskild målsida och du skapar flera varianter av sidan – till exempel en med stor text som lyfter erbjudandet, en som beskriver fördelarna och en som visar en ikon bredvid länken till köp. När experimentet är aktiverat visas en av varianterna, originalsidan inräknad, för ett slumpmässigt urval av besökarna. Du väntar tills du ser vilken sida som ger högst andel av det önskade utfallet. När du vet vilken variant som bäst hjälper dig nå verksamhetsmålet kan du visa den för alla besökare.

Observera att Google Optimize och Optimize 360 inte längre finns tillgängliga: slutdatumet var den 30 september 2023, och alla experiment och anpassningar som fortfarande var aktiva då avslutades. Planera därför experimentverksamheten i en plattform som du aktivt använder och äger. Säkerställ att trafiken delas upp slumpmässigt och att mål kopplas till samma konverteringshändelser som i din mätplan.

Steg-för-steg-process för A/B-test av annonser och landningssidor

Mät annonsvarianter och köpintention – inte bara klick

A/B-test av annonser handlar om att förbättra kampanjen genom att systematiskt jämföra varianter, exempelvis med klick till meddelande som mål. I en videolektion från Facebook Business beskrivs vad ett A/B-test är, hur det kan förbättra kampanjen och hur du utformar ett effektivt test. Metodiken låter dig jämföra annonsformat och budskap mot samma mål, i stället för att byta annonser på känsla.

Klick är dock ett svagt mått på köpintention. I ett källmaterial om marknadsföring lyfts rabattkoder via influencers fram som en metod som kan vara bättre lämpad att mäta köpintention, och word-of-mouth diskuteras i samma sammanhang. Poängen är att vissa signaler ligger närmare ett faktiskt köpbeslut än ett klick gör – och att det avgör vilket mål du bör optimera annonsvarianterna mot.

I praktiken bör du i förväg bestämma vilket utfall som representerar intention: en ifylld form, en bokad demo eller inlösen av ett erbjudande i en viss kanal. Testa annonsvarianter mot det utfallet och komplettera gärna med kvalitativa signaler från säljande kollegor, så att du inte optimerar mot klick som aldrig blir pipeline.

Analysera resultatet och omvandla lärande till nästa insats

När testet är klart jämför du utfallet med hypotesen du ställde upp. Börja med nollhypotesen: är skillnaden mellan varianterna så stor att den är värd att agera på, eller ligger den inom ett spann där slumpen kan förklara resultatet? Bedöm effekten mot den förväntade effekt du definierade före teststart – inte mot det resultat du helst ville se.

Är effekten tillräcklig skalar du den vinnande varianten – i exemplet med målsidor innebär det att den mest effektiva sidan visas för alla besökare. Om effekten uteblir är även det ett resultat: du har lärt dig att förändringen inte flyttade nålen och kan undvika att lägga resurser på den igen.

Dokumentera varje experiment med hypotes, upplägg, mätpunkt och utfall, så att lärandet blir en tillgång i stället för något som försvinner när kampanjen är slut. Bygg vidare på observerade beteenden – till exempel att vissa besöksmönster samvarierar med konvertering – och låt dem styra nästa insats.