Strand Properties on suomalaisomisteinen, vuonna 2021 Espanjan Aurinkorannikolla toimintansa aloittanut kiinteistönvälitysyritys, joka välittää uniikkeja asuntoja sekä Espanjassa että Suomessa. Yritys on kasvanut nopeasti yhdeksi merkittävimmistä kiinteistönvälitysalan toimijoista Aurinkorannikolla sekä Mallorcalla.
Yli 100 asiantuntijaa työllistävä Strand Properties kuuluu Euroopan nopeimmin kasvaviin kiinteistönvälitysketjuihin. Vuonna 2025 yhtiön tavoitteena on jatkaa 50-100 % kasvua.
“Olemme aikaisemmin tehneet Anssin kanssa yhteistyötä Bo LKV:n aikoina ja olemme todella otettuja siitä, että tällä kertaa pääsemme viemään suomalaista kiinteistönvälittämisen osaamista maailmankartalle digimarkkinoinnin keinoin.”
Pekka Räsänen, Client Director & Partner, Hopkins
Digimarkkinoinnilla vauhtia kansainväliseen kasvuun
Strand Properties tavoittelee Hopkinsin kanssa voimakasta kasvua Euroopassa digimarkkinoinnin keinoin.
Sitä varten yhteistyössä keskitytään sekä ketjun tunnettuuden lisäämiseen että yksittäisten välittäjien myynnin kasvattamiseen.
Tärkeä osa yhteistyötä on uudenlaisen MyStrand-välittäjäpalvelun kehittäminen. MyStrand antaa välittäjille välineet omien kohteidensa hallintaan ja markkinointiin.
MyStrand tulee mahdollistamaan yksittäisille kiinteistönvälittäjille näiden välittämien kohteiden monikanavaisen mainonnan.
“Yksittäinen välittäjä saa käyttöönsä maailmanluokan markkinointikoneiston, mutta itse valitsemallaan budjetilla”, selittää Strandin toinen perustaja Anssi Kiviranta MyStrandin ideaa.
Kokemus kiinteistönvälityksestä ja innovatiiviset ratkaisut yhdistävät
Strand Propertiesin perustajaosakkaat Sirena ja Anssi Kiviranta tunnetaan myös Bo LKV:n perustajina.
Hopkinsin ja Bo LKV:n aiempi menestyksekäs yhteistyö loi vahvan pohjan myös Strand Propertiesin ja Hopkinsin kumppanuudelle.
“Valitsimme Hopkinsin hoitamaan digimarkkinointiamme, koska heillä on syvällinen ymmärrys kiinteistösektorin tarpeista ja he osaavat yhdistää luovuutta ja tarkkaa analytiikkaa markkinointistrategioissaan. Heidän lähestymistapansa on asiakaskeskeinen ja tulosorientoitunut, mikä on juuri sitä, mitä etsimme yhteistyökumppaniltamme.”
Maksimalisti kerää kaiken mahdollisen tiedon sivuston tai sovelluksen käyttäjistä, jotta voisi hyödyntää dataa tarpeen tullen tulevaisuudessa.
Minimalisti kerää vain niitä tietoja, joille hän näkee etukäteen käyttöä, ja välttää tämän ylittävää seurantaa.
Sekä maksimalismille että minimalismille on perusteluja, mutta GDPR, toimintavarmuus ja kustannukset kallistavat vaa’an yleensä minimalismin suuntaan.
Maksimalisti seuraa varmuuden vuoksi kaikkea
Maksimalismi tarkoittaa digitaalisessa analytiikassa lähestymistapaa, jossa seurataan suurta joukkoa sivuston tai sovelluksen tapahtumia, vaikka kerättävälle tiedolle ei tiedetä vielä käyttöä.
Maksimalismin keskeinen hyöty on varautuminen tulevaisuudessa paljastuviin käyttötarkoituksiin:
Datan avulla voidaan vastata kysymyksiin, joita ei seurantaa rakennettaessa ole osattu vielä ajatella.
Saadaan suuri määrä dataa, jota voi käsitellä myöhemmin tekoälyn tai koneoppimisen avulla.
Maksimalismin haitat liittyvät toimintavarmuuteen, kustannuksiin ja tietosuojaan:
Monimutkaiset analytiikkasetupit voivat huomaamatta hajota ja niiden ylläpito on työlästä.
Isompien liikennemäärien sivustoilla suurista tapahtumamääristä voi kertyä satojen tai tuhansien eurojen ylimääräiset kuukausittaiset kulut.
Tietojen kerääminen ilman selvää perustetta voi olla ristiriidassa GDPR-sääntelyn kanssa, mikä voi johtaa sanktioihin.
Minimalisti kerää vain tarvittavan tiedon
Minimalismi tarkoittaa digianalytiikassa sitä, että seurataan vain sellaisia tietoja, jotka nähdään etukäteen hyödyllisiksi.
Minimalismin etuja ovat toimintavarmuus, fokus, rahansäästö, ja tietosuoja:
Yksinkertaisemmat analytiikkasetupit eivät mene helposti rikki.
Tärkeiden mittareiden tietoinen valinta auttaa keskittymään raportoinnissa ja analyysissa olennaiseen.
Lisenssi-, ylläpito- ja analyysikustannukset ovat alhaisemmat.
Minimalistinen analytiikka on todennäköisemmin yhteensopiva GDPR:n kanssa.
Minimalismin heikkouksia ovat huolellisen suunnittelun vaatimus ja pienempi datamäärä AI-projekteille:
Seurantahistoria käynnistyy nollasta, mikäli jotain ei ole tajuttu seurata alusta pitäen.
Mahdollisia suuria AI-analyysiprojekteja varten kertyy pienempi määrä pureskeltavaa analytiikkadataa.
Henkilötietojen on oltava asianmukaisia ja olennaisia ja rajoitettuja siihen, mikä on tarpeellista suhteessa niihin tarkoituksiin, joita varten niitä käsitellään (”tietojen minimointi”).
Normaali evästepohjainen kävijäseuranta esimerkiksi Google Analyticsilla luokitellaan EU:ssa henkilötietojen keräämiseksi. Siksi minimalistinen lähestymistapa on paremmin sopusoinnussa GDPR:n vaatiman ”tietojen minimoinnin” kanssa.
Maksimalismin ”varmuuden varalta” -periaate taas on ristiriidassa tietojen minimoinnin periaatteen kanssa.
Vaatiiko tekoäly maksimaalista seurantaa?
Suomessa vain pienellä joukolla yrityksiä on resursseja ryhtyä sellaisiin räätälöityihin tekoälyprojekteihin, jotka hyötyisivät suurista seurattavista tapahtumamääristä.
Tällaisia yrityksiä ovat esimerkiksi Kesko ja S-Ryhmä.
Suurten ja keskisuurten yritysten enemmistölle dataa ei kertyisi tarpeeksi maksimaalisesta keräyksestä huolimatta, jotta AI-käsittely onnistuisi.
Minimalistinen analytiikka on halvempi ja toimintavarmempi
Suuri määrä seurantatapahtumia tarkoittaa lisäkustannuksia ja monimutkaisempi asennus kasvattaa seurannan hajoamisriskiä.
Pahimmillaan monimutkainen seurantakokonaisuus (“himmeli”) voi olla hajalla kuukausia ennen ongelman huomaamista.
Suosituissa verkkopalveluissa saatetaan seurata tapahtumia, joita kukaan ei hyödynnä analyysissa tai raportoinnissa, mutta jotka tuovat kuukausittain satojen tai tuhansien eurojen ylimääräiset lisenssi- tai ylläpitokustannukset.
Maksimalismissa resurssit saattavat valua lähestulkoon täysin seurannan rakentamiseen ja ylläpitoon, eikä varsinaiseen analyysiin jää tarpeeksi aikaa. Tällöin analytiikka lakkaa käytännössä olemasta investointi ja siitä tulee lähinnä kulu.
Yhteenveto
Suurimman osan yrityksistä kannattaa valita digianalytiikassa minimalistinen linja:
Yritys on paremmin turvassa GDPR-sanktioilta ja mainehaitalta.
Raportoinnissa ja analyysissa on helpompi keskittyä olennaiseen.
Analytiikka-asennus ei mene niin helposti hajalle.
Rahaa säästyy, kun seurantainfran rakennus, ylläpito ja hyödyntäminen vaatii vähemmän ihmistyötä ja muita kuluja.
Minimalismi vaatii kuitenkin mittauksen huolellista suunnittelua, jotta olennainen tieto saadaan varmasti seurannan piiriin.
Hopkinsin lähestymistapa digianalytiikkaan on minimalistinen. Ole meihin yhteydessä, kun haluat helposti hallittavan ja hyödyllisen analytiikkatoteutuksen.
Voit käyttää yrityksesi keräämää asiakasdataa mainonnan kohdentamiseen alustoilla, kuten Google Ads, Meta (Facebook ja Instagram) ja Sanoma.
Asiakasdataan perustuvat yleisöt mahdollistavat sekä asiakaskokemuksen parantamisen että budjetin tehokkaamman käytön.
Tässä artikkelissa pureudumme siihen, mitä nämä yleisöt ovat ja miten lähdet liikkeelle ja alat hyödyntää omaa dataasi mainonnan kohdentamiseen.
Mitä ovat asiakasdataan perustuvat yleisöt?
Asiakasdataan perustuvat yleisöt ovat yhteystietolistoja, jotka ladataan salatussa muodossa mainosjärjestelmiin.
Mainosalustat eivät tiedä, millä perusteella asiakkaat ovat päätyneet listalle.
Oman datan hyödyntäminen mainonnan kohdentamiseen on tietosuojan näkökulmasta turvallista ja se mahdollistaa erittäin kohdennetun markkinoinnin tekemisen.
Yleisöjä voi rakentaa ns. “first-party” ja “zero-party” datalla.
First-party data
First-party dataa ovat tiedot asiakkaiden käyttäytymisestä, jotka on kerätty suoraan yrityksen omilta alustoilta, kuten verkkokaupasta, sovelluksesta tai sähköpostimarkkinoinnin työkalusta.
First-party dataa ovat esimerkiksi
tilaushistoria
selaushistoria sivustolla
ostoskoriin lisäykset
uutiskirjemetriikat, kuten avaus, klikkaus ja peruutus.
Zero-party data
Zero-party datalla tarkoitetaan asiakkaan itse kertomaa tietoa, joka on voitu kerätä esimerkiksi lomakkeen avulla.
Asuinkaupunki, kiinnostuksen kohteet ja syntymäpäivä ovat usein hyödynnettyä zero-party dataa.
Tämän datatyypin kohdalla asiakas on toiminut tietoisesti antaessaan tietojaan, esimerkiksi kanta-asiakasohjelmaan liittymisen yhteydessä.
Omaa dataa voidaan käyttää kohdeyleisöjen muodostamisessa, mutta toiminnasta tulee yksiselitteisesti ja ymmärrettävästi viestiä asiakkaan suuntaan.
Tämä tehdään useimmiten joko tietosuojaselosteessa tai evästekyselyn yhteydessä, riippuen siitä, millaisen lähestymisen yritys on aiheeseen päätynyt ottamaan.
Ennen kuin säntäät suinpäin lähettämään omia asiakaslistojasi mainosalustaan, tulee sinun päättää, mikä on se periaate, mihin pohjaat toimintasi.
Kieltoperusteinen toimintamalli
Kieltoperusteisella toimintatavalla tarkoitetaan oikeutettuun etuun pohjautuvaa toimintaa. Yrityksellä on tässäkin tapauksessa informointivelvollisuus asiakkaidensa suuntaan.
Oman asiakasrekisterin dataa voidaan tässä mallissa kuitenkin hyödyntää ilman, että asiakkailta kerätään nimenomainen suostumus.
Asiakkaille on vain tarjottava mahdollisuus kieltää heidän datansa käyttö verkkomainonnan kohdentamiseen.
Lupaperusteinen toimintamalli
Lupaperustaisella eli opt in -toimintatavalla tarkoitetaan, että jokaiselta asiakkaalta kysytään erikseen suostumus.
Näin toimimalla koko asiakasrekisteriä harvoin saadaan hyödynnettyä, koska lupien saaminen kaikilta on mahdotonta. Liiketoiminnan kannalta osa potentiaalista jää silloin hyödyntämättä.
Kumpikin malli vaatii lupahallintaprosessin
Sekä kielto- että lupaperusteisessa mallissa yrityksen tulee rakentaa usein uusi lupahallintaprosessi esim. perinteisen sähköpostimarkkinointiluvan rinnalle.
Työmäärältään molemmat mallit ovatkin hyvin samansuuruisia. Suurimpana erona voidaankin pitää asiakasjoukon kokoa, jonka toimintamalli mahdollistaa.
Kieltoperustainen mahdollistaa kaikkien asiakkaiden datan käyttämisen poislukien ne, jotka erikseen toiminnan kieltävät. Lupaperusteisessa taas voit hyödyntää mainonnan kohdentamiseen vain niiden dataa, jotka ovat sen sallineet.
Liiketoimintanäkökulman lisäksi on tärkeää huomioida myös tietosuoja-asetuksen tuomat velvollisuudet. Lupaperusteinen toimintamalli on tietosuojanäkökulmasta selkeämpi ja turvallisempi valinta. Oikeutettuun etuun perustuvan mallin osalta yrityksen tulee arvioida huolellisesti, täyttääkö suunniteltu toiminta lain vaatimukset.
Miten lähteä liikkeelle?
Valitse, millä perusteella alat hyödyntämään asiakasdataasi mainonnan kohdentamiseen.
Valitse hyödynnettävät mainosalustat.
Selvitä, miten kukin alusta tulkitsee oman roolinsa (esim. rekisterinpitäjä tai tietojen käsittelijä).
Laadi tarvittavat dokumentit osoitusvelvollisuuden täyttämiseksi.
Arvioi ja suunnittele, millaista tiedottamista uusi toimintatapasi edellyttää asiakkaiden suuntaan.
Viesti tai tiedota asiakkaille muutoksesta.
Päivitä tietosuojaseloste ja/tai eväste-pop-upin tekstit.
Kun uusi prosessi on implementoitu, muista testata tiedon liikkuminen mainosalustaan ja lupien päivittyminen asiakasrekisterissäsi.
Useat markkinointityökalut mahdollistavat suoran integraation mainosalustoihin, mikä vähentää manuaalista työtä ja tehostaa prosessia.
Muista myös laatia suunnitelma siitä, kuinka hyödynnät omaa dataasi mainonnan kohdentamiseen.
Eri mainosalustojen osalta on järkevää miettiä erilliset taktiikat, koska niiden mahdollisuudet eroavat toisistaan. Pohdi, mikä sopii parhaiten kanavasi tavoitteisiin ja millaisia jatkuvan mainonnan tarpeita sinulla on.
Voisivatko omat yleisöt tuoda tähän uuden ulottuvuuden?
Viime vuosina olen seurannut YouTuben minimalismivaikuttajia, jotka kannustavat meitä intentionaaliseen elämään.
Yksi suosituista menetelmistä on kuukauden tai vuoden mittainen ostolakko, “No-buy-month” tai “no-buy-year”. Sen avulla pääsee eroon haitallisista shoppailutottumuksista. Samalla aikaa ja rahaa riittää paremmin asioille, joilla todella on merkitystä.
Me analytiikan ammattilaiset voisimme ottaa mallia heistä:
Otetaan käyttöön “ei uusia tägejä” tai “ei uusia pikseleitä” -kuukaudet ja -kvartaalit!
Niiden avulla voimme keskittyä olennaiseen, ja saada aikaan paljon enemmän kuin aikaisemmin.
Mitä “ei uusia tägejä” -kuukausi tarkoittaa?
Analytiikkasetupit kasvavat usein hallitsemattomasti.
Sidosryhmiltä tulee uusia seurantapyyntöjä jatkuvalla syötöllä: “Seurataan tätä painiketta, lisätään tuo tapahtuma.”
Mutta kuinka usein pysähdymme miettimään, onko kerättävä lisädata oikeasti hyödyllistä?
“Ei uusia pikseleitä” -jaksot antavat meille aikaa keskittyä datan laatuun määrän sijaan.
Kuukauden tai kvartaalin ajan sitoudut seuraaviin periaatteisiin:
Ei uusia tageja tai pikseleitä.
Ei uusia eventtejä analytiikkaan.
Ei uusia implementointeja.
Tarvitset tietysti myös sidosryhmien (lähinnä markkinointi ja tuotetiimit) tukea. Heidän on ymmärrettävä, että uudet tiketit etenevät vasta kuukauden tai kvartaalin loputtua.
Miksi pikselitön kuukausi kannattaa?
Datan kerääminen on tärkeää (CARE-mallini C-vaihe!). Ilman dataa meillä ei ole mitään analysoitavaa, eikä oivalluksiakaan syntyisi.
Kaikki seurantapyynnöt eivät kuitenkaan tuo lisäarvoa. Suurin osa lisättävistä seurantakoodeista jää joka tapauksessa hyödyntämättä, aivan kuten aikaisemmatkin analytiikkaan lähetetyt eventit. Tietoa haluttiin kerätä, mutta niitä ei muisteta käyttää mihinkään.
Siksi voimme hyvin sanoa uusien pyyntöjen esittäjälle: “Jos tämä on tärkeää, niin katsotaan asiaa ensi kuussa.”
Tavallisesti teemme työtä käskettyä ja lisäämme uusia seurantoja pyyntöjä kyseenalaistamatta.
Tämä johtaa seuraaciin ongelmiin:
Sekava analytiikkasetup – analytiikan tekninen toteutus muuttuu vaikeasti ylläpidettäväksi ja kerätty data vaikeasti hyödynnettäväksi.
Implementoinnin pullonkaulat – käytämme aikaa paisuneen järjestelmän ylläpitoon strategiatyön sijaan. Tekninen velka kumuloituu kuukaudesta toiseen.
Dataähky – on vaikea keskittyä olennaiseen, kun jokainen klikkaus luo uusia eventtejä järjestelmiin. Lisäksi analyytikon aika kuluu implementointiin eikä arvon luomiseen asiakkaalle tai sidosryhmille.
“Ei uusia tägejä” -kuukausi helpottaa näitä kaikkia.
Mitä teet “ei uusia tägejä” -kuukauden aikana?
Se, että et lisää ensimmäistäkään uutta tägiä tai pikseliä sivuston seurantaan, vapauttaa aikaasi paremmin käytettäväksi.
Vihdoinkin sinulla on aikaa tehdä sitä, mistä sinulle maksetaan: hyödyttää liiketoimintaa osaamisellasi!
Seuraavat toimenpiteet ovat kuukauden aikana sallittuja:
Seurannan siivoaminen. Poista käyttämättömät tagit, yhdistä päällekkäiset tapahtumat ja standardoi nimeämiskäytännöt, jotta vältät turhaa monimutkaisuutta. Kevät-, syys- tai joulusiivous kannattaa muutenkin ottaa osaksi vuosisuunnitelmaa.
Analyysi, suositukset ja kokeilut. Hyödynnä jo olemassa olevaa dataa. Mitä oivalluksia voit saada nykyisistä tapahtumaseurannoista? Jos et keksi mitään, tarvitset aikaisempaa parempia kysymyksiä – et lisää dataa.
Datan laadun parantaminen. Auditoi dataasi virheiden ja epäjohdonmukaisuuksien varalta. Seurataanko konversioita oikein? Priorisoi näiden korjaamista uusien seurantapyyntöjen sijaan.
Toistuvat “Ei uusia tägejä” -kuukaudet auttavat yrityksen analyytikkoja keskittymään arvonluontiin.
Kyse ei ole kehityksen pysäyttämisestä vaan yleiskuvan varmistamisesta.
Varmistamme, että analytiikan perusta on kunnossa ja että voimme tuottaa liiketoimintaa hyödyttäviä analyysejä ja oivalluksia.
Yksi kuukausi. Ei uusia tageja. Mutta sitäkin arvokkaampia oivalluksia.
Tiivistelmä
Markkinoinnin päätöksentekoa ei kannata perustaa vain numeroihin: huomioi lisäksi myös laadulliset tekijät.
Nojaamalla pelkkiin lukuihin viet markkinoinnin väärään suuntaan, jos et ymmärrä noihin lukuihin vaikuttavia ilmiöitä.
Numeroiden lisäksi huomioi markkinoinnin kehittämisessä mm. markkinointipsykologia, seurantateknologian rajoitukset, näkemys markkinasta ja ymmärrys kanavien toimintaperiaatteista.
Mikä ihmeen kvantti-idiootti?
Kvantti-idiootti tekee päätelmiä lukujen pohjalta, mutta ei ymmärrä laajempaa kokonaisuutta, joka vaikuttaa näihin lukuihin.
Seuraavaksi kerron 6 tapaa, joilla numerot voivat viedä harhaan, jos niitä ei yhdistetä markkinoinnin laadulliseen ymmärrykseen.
1. Markkinatilanteen huomioimatta jättäminen
Jos seuraa vain omaa myyntiä tai omia brändihakuja, alan kokonaiskehitys voi jäädä liian vähälle huomiolle.
Laskusuhdanteessa omat absoluuttiset luvut näyttävät yleensä aina huonommilta. Suhteuttamalla ne kilpailijoiden lukuihin voi kuitenkin havaita, että itse asiassa meneekin ihan hyvin, jos kykenee haukkaamaan pienemmästä kakusta entistä isomman osuuden.
Vastaavasti markkinan kysyntäpiikkiä lähestyttäessä asiat voivat näyttää hyvältä, vaikka kilpailijat kasvaisivat nopeammin.
Ja piikin jälkeen sitten taas kaikki näyttää menevän pieleen.
Kun uusi normaali lässähti
Moni ala koki poikkeuksellisen kysyntäpiikin joko koronakriisin aikana tai heti sen jälkeen.
Kvantti-idiootti odotti myynnin jatkuvan samanlaisena tai kasvavan entisestään.
Hän ei ymmärtänyt koronasta johtuneen kysyntäpiikin luonnetta vaan teki numeroistaan ”uuden normaalin” ja häkeltyi, kun luvut laskivatkin huipun jälkeen.
2. Vaikuttavuuden missaaminen ja mittausharha
Jos digimarkkinointia optimoi pelkästään saatavilla olevilla luvuilla, siitä tulee monesti supertaktista: jäljelle jäävät pienet, halvat ja rumat mainokset, joille luvut pystyvät näyttämään parhaiten mitattavia tuloksia.
Samalla tarkastelun ulkopuolelle jää sellainen markkinointi, joka saa taktisen mainonnan toimimaan paremmin, mutta jota on vaikeampi mitata: esimerkiksi tunnettuutta ja brändipreferenssiä rakentava mainonta.
Hitaammin mutta isommin vaikuttavia keinoja on hankalampi mitata tavanomaisella digianalytiikalla.
Kvantti-idiootti onkin monesti se, joka haksahtaa mittausharhaan ja johtaa markkinoinnin tiedolla suoraan päin seinää.
3. Haksahtaminen valintaharhaan
Valintaharha (selection bias) tarkoittaa markkinoinnissa sitä, että osa raportoiduista tuloksista olisi tullut joka tapauksessa, ilman sitä minkä tuloksiksi ne raportoidaan.
Mainosjärjestelmät haluavat ”tuottaa” mahdollisimman paljon mitattavia tuloksia niitä tavoittelevalle mainostajalle. Tämän vuoksi niistä on kehittynyt taitavia ”haistelemaan”, kuka käyttäjistä saattaisi konvertoitua mainostajan sivustolla. Niille järjestelmät näyttävät sitten mainoksia.
Harmi vain, että merkittävä osa näistä järjestelmän tutkaan osuneista on jo päättänyt ostaa – tai tekisi niin ilman mainontaakin. Luvut voivat siis näyttää paremmalta kuin mainonnan todellinen vaikuttavuus.
Taatut ”tulokset” hakusanamainonnassa
Kerran todistin, kuinka yritys oli tehnyt tuloksiin sidotun diilin hakusanamainonnasta.
Osaatko arvata, millä sanoilla mainontaa näytettiin yksinomaan?
Aivan.
Brändisanoilla.
4. Kun ”hyvä luku” kertoo virheestä
Tiukan kohderyhmän mainonnassa ”hyvä luku” voi olla varoitusmerkki.
Kvantti-idiootti voi silti innostua, jos hän saa paljon halpoja klikkejä tai mainosnäyttöjä: hänelle näyttää, että investoidulle rahalle saadaan silloin hyvää vastinetta.
Halpa yksikköhinta voi kuitenkin kertoa liian laajasta yleisökohdennuksesta: mainontaa näytetään joukolle ihmiskäyttäjiä ja botteja, joita kukaan muu(kaan) mainostaja ei edes haluaisi tavoittaa.
Pieni osa netin käyttäjistä (ihmisistä ja koneista) tuottaa suuren osan klikkauksista, eivätkä nämä ole välttämättä unelma-asiakkaitasi.
5. Kanavien väärinymmärtäminen
Mainonnan luvut voivat näyttää hyvältä, vaikka vaikutus olisi minimaalista.
Mainos voi saada klikkejä
väärältä yleisöltä
yleisöltä joka pakenee laskeutumissivulta, koska se on epäonnistunut
yleisöltä, joka ehkä tutkii laskeutumissivua, joka on kuitenkin vääränlainen suhteessa siihen mitä tavoitellaan.
Luvut voivat silloin näyttää ”hyviltä”, mutta todellinen vaikutus ihmisiin voi olla jotain aivan muuta.
Usein ongelman ytimessä on vääränlaisen materiaalin käyttö kanavassa.
Natiiviartikkelien ”lukijamyrsky”
Yritys oli ostanut mediatalon sivustolle natiivimainosartikkeleita.
Ne kuitenkin kirjoitettiin samalla sapluunalla kuin omalla sivustolla julkaistut artikkelit. Lopputuloksena ainoa viittaus brändiin oli jokaisen natiivin yläkulmaan kuuluva pieni automaattinen maininta.
Mediatalo hehkutti lukijamääriä, mutta mainostaja oli käytännössä maksanut siitä hyvästä, että mediatalo sai ilmaista sisältöä jonka yhteydessä näyttää muiden mainostajien bannereita.
6. Luovuuden unohtaminen
Lukuihin perustuva päätöksenteko on useimmiten peräpeiliin katsomista. Mitään uutta tai erilaista se ei siis koske.
Kvantti-idiotismia on yrittää saada dataa uusista ideoista kyselemällä ”raadilta” tai käyttämällä fokusryhmiä.
Raati ja fokusryhmät ovat kuitenkin monesti aivan yhtä pihalla siitä, mikä tulee toimimaan ja mikä ei.
Red Bull ja fokusryhmät
Kun alunperin thaimaalaista Red Bull -energiajuomaa oltiin tuomassa länteen, sitä maistateltiin fokusryhmillä.
Tuomio oli tyrmäävä. ”En joisi, vaikka maksettaisiin.” Ja muuta vastaavaa.
Maku kuitenkin jätettiin tietoisesti polarisoivaksi, ja loppu on historiaa.
Red Bull ”toimii”, koska se maistuu lääkkeeltä, ajattelivat ostajat.
Näin vältät kvantti-idiotismin vaarat
Kukaan ei synny markkinoinnin kvantti-idiootiksi.
Menestyksekäs markkinoija etsii sekä numeerista että laadullista ymmärrystä.
Seuraa suhteuttavia mittareita
Seuraa markkinatilannetta, jotta osaat suhteuttaa omat tuloksesi siihen:
saatavilla olevia tilastoja ja tutkimuksia hankinnoista, kysynnästä ja ostajien luottamuksesta talouteen.
Share of Search -lukua, eli kuinka suuren osan saat brändihakujen kakusta, jossa on oman bränditermisi ja valittujen kilpailijoiden bränditermit
geneeristä Google-hakukysyntää, jos se korreloi bisneskysynnän kanssa (aina ei korreloi, jos päätöstä pantataan!).
Opiskele markkinoinnin psykologiaa ja kokeneempien kokemuksia
Lue tai kuuntele teoksia, kuten vaikkapa Influence, Cashvertising ja How Not to Plan.
Ymmärtämällä ostajien psykologiaa osaat paremmin valita oikeat, vaikuttavat materiaalit kuhunkin kanavaan ja kohdennukseen, etkä anna numeroiden valehdella itsellesi.
Käytä maalaisjärkeä
Mieti, miten selität luvut itsellesi:
Kysy itseltäsi, onko päätelmissä järkeä ja miten perustelisit ne maalaisjärjellä – älä luota lukuihin ilman tulkintaa, koska moni edellä käsitelty tekijä voi vääristää niitä (tai saada ne kertomaan vääriä johtopäätöksiä).
Jos joku luku näyttää todella hyvältä tai todella huonolta, asia saattaa olla niinkin, mutta monesti mukana on aikamoista lapinlisää tai väärinymmärrystä.
Käytä laadullisia tiedonlähteitä
Pyri ymmärtämään ostoprosessia ja markkinoinnin vaikutusta laadullisin keinoin:
Lisää tarjouspyyntölomakkeeseen pakollinen, avoin ”Mistä kuulit meistä?” -kysymys.
Tee asiakastutkimusta esimerkiksi haastattelujen avulla. Selvitä myös, miksi sinulta ei ostettu, jotta et sorru selviytymisharhaan.
Seuraa case studyja ja esimerkkejä isosta maailmasta. Voit repiä inspiraatiota myös aivan toisilta toimialoilta.
Tekoäly on tullut jäädäkseen, mutta mitä se tarkoittaa käytännössä? Tuleeko tekoäly mullistamaan kaiken vai jättääkö se ihmisen edelleen keskiöön?
Näitä kysymyksiä pohdittiin Hopkinsin ja Hasan & Partnersin yhdessä järjestämässä AImiaistilaisuudessa marraskuun lopussa kun markkinoinnin ammattilaiset kokoontuivat Helsingin Sture697-auditorioon keskustelemaan tekoälyn vaikutuksista alaan.
Tekoälyn rooliin ja mahdollisuuksiin luovassa työskentelyssä ja markkinointiviestinnän tuotannossa johdattivat Hasan & Partnersin toimitusjohtaja Riku Vassinen ja Creative Director Ossi Honkanen sekä Hopkinsin Head of AI Lari Eteläniemi, jotka esittelivät käytännön esimerkkejä AI-avusteisen markkinointiviestinnän toteutuksista.
Tilaisuuden kruunasi markkinoinnin monialaisista ammattilaisista koottu paneeli, jossa keskustelua laajennettiin yksittäisistä AI-ratkaisuista laajempaan teknologiseen murrokseen ja tulevaisuuden kilpailuetuihin.
Jos et päässyt paikalle, tässä tapahtuman parhaita paloja.
Keskinkertaisuus ei riitä tulevaisuudessa
Keskinkertaisuudesta puhuttiin sekä Riku Vassisen avauspuheenvuorossa että paneelikeskustelussa.
On totta, että tekoäly demokratisoi työkalut ja mahdollistaa kaikille niiden käytön. Kuitenkin aidosti erottuva sisältö vaatii edelleen ihmisten luovuutta.
”Tekoäly lisää keskinkertaisuutta eksponentiaalisesti, mutta laadukkaan sisällön luominen säilyy ihmisten vastuulla.”
Riku Vassinen Hasan & Partner
Tulevaisuudessa keskustelu siitä, onko jotain tehty tekoälyllä, menettää merkityksensä – tärkeämpää onkin, miten työkaluja hyödynnetään osana luovaa prosessia.
Yritysten on siis tärkeää miettiä, missä edelleen tarvitaan ihmistä ja keskittää resurssinsa sinne; rutiininomaiset työt kannattaa jättää tekoälylle.
Ossi Honkanen näytti esimerkein, että Hasan & Partnersilla on pitkä kokemus tekoälyn hyödyntämisessä mainostuotannoissa ja yrityksessä testataan aktiivisesti uusimpia tekoälytyökaluja.
Käytössä ovat esimerkiksi kuvan-, tekstin- ja äänenluontiin liittyvät ratkaisut. Tekoälyä käytetään tukena ideoinnissa, mutta ihmiset ovat keskiössä määrittämässä merkityksiä ja tunnistamassa uusia mahdollisuuksia.
Tekoäly muuttaa kaiken – vai muuttaako?
AImiaisen asiantuntijapaneelissa Mia Luostarinen (Neste Oyj), Timo Uotila (Ebike Center) ja Henri Weijo (Aalto-yliopisto) pohtivat tekoälyn vaikutuksia markkinoinnin tekijöiden näkökulmasta.
Keskustelussa nousi esiin, että tekoäly on muuttanut sitä, miten markkinointia tehdään, mutta ei sitä, mitä tehdään tai kenelle. Kilpailuetu syntyy soveltamisesta – siitä, kuinka strategisesti ja luovasti työkaluja käytetään.
Panelistit pohtivat myös kuluttajakäyttäytymisen ennustamisen vaikeutta nopeiden muutosten keskellä. Tekoäly generoi olemassa olevan sisällön pohjalta, joten uuden luominen jää edelleen ihmisen vastuulle.
Tulevaisuuden markkinoijilta vaaditaankin kykyä sopeutua, strategista ajattelua ja empatiaa – ihmisten välinen ymmärrys säilyy tärkeimpänä taitona.
Tapahtuman opit talteen
Vähennä AI:n avulla manuaalista työtä ja keskitä resurssit luovempaan tekemiseen.
AI:n myötä keskinkertaisen sisällön määrä räjähtää käsiin, ihminen voittaa koneen luovuudessa ja kekseliäisyydessä.
Empatia ja kyky sopeutua jatkuvaan muutokseen ovat taitoja, joita markkinoija tarvitsee nyt ja tulevaisuudessa.
Generatiivinen tekoäly osaksi yrityksesi työkalupakkia?
Puheenvuorojen ja paneelikeskustelun lisäksi Hopkinsin Head of AI Lari Eteläniemi demosi Hopkinsin omaa AI-työkalua, joka on luotu helpottamaan erityisesti markkinoinnin sisällöntuotannon työtä.
AI-työkalun avulla asiakkaamme voivat tulevaisuudessa nopeuttaa brändinmukaisten tekstien tuotantoja eri kohderyhmille ja eri kanaviin. Työkalu soveltuu hyvin esimerkiksi tuotekuvausten, uutiskirjeiden ja somepostausten tuotantoon.
Asiakaspolkuajattelu on ollut keskeinen osa markkinointistrategiaa jo vuosia, tarjoten yrityksille selkeän mallin tarkastella asiakkaan kokemuksia ja tarpeita eri vaiheissa ostoprosessia.
Onko tämä ajattelu edelleen relevanttia digitaalisessa maailmassa, vai onko asiakaspolkuajattelu menettänyt merkityksensä?
Väitämme, että ei. Asiakaspolkua ei tulisi kuitenkaan mieltää yksisuuntaisena ajokaistana, jota kaikki asiakkaat käyttävät matkalla samaan määränpäähän vaan lukuisten kohtaamispisteiden matriisina, joka ruokkii yhtä tavoitetta – erinomaista asiakaskokemusta.
Asiakaspolkuajattelun merkitys
Tiedämme, että asiakkaan ostoprosessiin sisältyy useita eri vaiheita kuten tarpeen tunnistaminen, tiedonhankinta, ostopäätöksen tekeminen ja jälkiasiointi sekä toivottavasti myös uusintaostos.
Yritykset voivat yrittää optimoida jokaisen kosketuspisteen asiakkaan kanssa, tarkoituksenaan varmistaa sujuva ja positiivinen kokemus, mutta käytännössä tämä on kuitenkin lähes mahdotonta.
Koska asiakaspolkuja voi olla yhtä monta kuin asiakkaitakin, on kokonaisuutta mahdoton orkestroida täydellisesti.
Siksi yritykselle tärkeintä on tunnistaa ja tuntea oman palvelunsa pääväylät ja keskittyä niihin.
Käytännön vinkkejä asiakaspolun optimointiin
Analysoi käyttäjädataa: selvitä, mitkä polut johtavat useimmiten ostoon. Tämä auttaa kohdentamaan ponnistelut oikein ja parantamaan konversiota. Myös ostajapersoonia mallintamalla ymmärrät paremmin asiakkaitasi.
Optimoi kosketuspisteet: paranna kriittisiä kohtia, joissa asiakkaat kohtaavat haasteita, ja varmista, että ne ovat sujuvia ja asiakasystävällisiä. Verkkokauppiaan kannalta tärkeimpiä ovat mm. etu-, kategoria- ja tuotesivut, haku, ostoskori sekä kassaprosessi.
Jatkuva parantaminen: kerää ja hyödynnä palautetta. Kehitä asiakaspolkuja jatkuvasti käyttäjälähtöisesti, jotta ne vastaavat muuttuvia asiakastarpeita ja odotuksia.
Digitaalisen muutoksen vaikutus
Asiakkaat odottavat yhä enemmän saumattomia ja personoituja kokemuksia liikkuessaan ketterästi eri kanavien ja kosketuspisteiden välillä, ja heidän odotuksensa ovat korkeammalla kuin koskaan.
Tämä asettaa haasteita perinteiselle asiakaspolkuajattelulle, joka saattaa vaikuttaa jäykältä ja lineaariselta.
Jotta yritykset pysyisivät kilpailukykyisinä, niiden on kyettävä tarjoamaan joustavia ja personoituja kokemuksia kaikissa asiakkaan käyttämissä kanavissa.
Verkkokaupan ostopolku onkin ostosokkelo
Otetaan esimerkkinä verkkokauppa.
Asiakas saattaa
aloittaa tuotteiden etsinnän sosiaalisen median kautta
vertailla tuotevaihtoehtoja yrityksen ja kilpailijoiden verkkosivuilla
lukea arvosteluja kolmannen osapuolen sivustoilla
lopulta tehdä ostopäätöksen mobiilisovelluksen kautta.
Ostoksen jälkeen asiakas voi kaivata tukea yrityksen chatbotilta tai jakaa kokemuksiaan somessa.
Tässä monikanavaisessa ympäristössä on tärkeää, että yritykset seuraavat ja optimoivat asiakaspolkua jatkuvasti, huomioiden eri kanavien ja kosketuspisteiden välisen vuorovaikutuksen.
Vaikka perinteinen asiakaspolkuajattelu on saanut osakseen kritiikkiä, se ei ole täysin menettänyt merkitystään. Pikemminkin se on kehittynyt vastaamaan nykyajan monikanavaista todellisuutta.
Nykyään puhutaan yhä enemmän asiakaskokemuksen hallinnasta (Customer Experience Management, CEM), joka ottaa huomioon asiakkaan koko elinkaaren ja korostaa jatkuvaa vuorovaikutusta asiakkaan ja yrityksen välillä.
Moderni asiakaspolkuajattelu hyödyntää data-analytiikkaa, asiakaspalautetta ja teknologiaa luodakseen henkilökohtaisia ja merkityksellisiä kokemuksia, parantaakseen asiakastyytyväisyyttä ja lisätäkseen asiakasuskollisuutta.
CEM on strateginen lähestymistapa, joka keskittyy asiakkaiden kokonaisvaltaisen kokemuksen optimointiin kaikissa vuorovaikutuspisteissä yrityksen kanssa.
Tämä käsittää asiakkaan tarpeiden, odotusten ja tunteiden ymmärtämisen, ja näihin vastaamisen tarjoamalla saumattomia, henkilökohtaisia ja merkityksellisiä kokemuksia.
Aloita asiakaskokemuksen hallinta näiden neljän vinkin avulla
Data ja analytiikka: Hyödynnä dataa ymmärtääksesi, miten asiakkaat liikkuvat eri kanavien välillä. Analytiikka auttaa tunnistamaan pullonkaulat ja optimoimaan asiakaspolun kriittiset vaiheet.
Personointi: Tarjoa personoituja kokemuksia asiakasdatan avulla. Tämä voi tarkoittaa esimerkiksi räätälöityjä suosituksia, viestejä ja tarjouksia.
Monikanavaisuus: Varmista, että asiakas saa saumattoman kokemuksen riippumatta siitä, mitä kanavaa hän käyttää. Tämä edellyttää eri osastojen ja kanavien välistä tiivistä yhteistyötä. Ja tietysti sitä, että dataa kerätään myös yhteen paikkaan.
Asiakaspalaute: Kerää ja hyödynnä asiakaspalautetta aktiivisesti. Tämä auttaa ymmärtämään asiakkaiden tarpeita ja parantamaan asiakaskokemusta.
Yhteenveto
Asiakaspolkuajattelu ei ole kuollut, mutta sen avulla asiakkaiden käyttäytymisen mallintaminen on muuttunut moniulotteisemmaksi.
Nykyajan asiakkaat liikkuvat vapaasti eri kanavien välillä, ja yritysten on sopeuduttava tähän todellisuuteen. Asiakaskokemuksen hallinta, data-analytiikka ja monikanavaisuus ovat avainasemassa, kun yritykset pyrkivät tarjoamaan sujuvia ja personoituja kokemuksia.
Asiakaspolkuajattelu on edelleen relevantti työkalu, kunhan sitä sovelletaan joustavasti ja nykyaikaisen asiakaskäyttäytymisen mukaisesti.
Digitaalisen analytiikan hyödyntäminen on monelle yritykselle keskeinen keino parantaa liiketoiminnan tuloksia.
Usein analytiikkaa ei saada tuottamaan arvoa, koska kohtaamme erilaisia pullonkauloja datan keräämisessä, analysoinnissa ja toimenpiteisiin ryhtymisessä.
Näitä haasteita voi helpottaa hyödyntämällä CARE-mallia, joka painottaa oikeiden asioiden tekemistä oikeassa järjestyksessä.
C – collect data
A – analyse data
R – recommend actions
E – experiment & execute
C – Kerää olennaista dataa
Pullonkaula 1: Liikaa dataa, mutta ei tarpeeksi ymmärrystä.
Moni yritys kerää suuria määriä dataa, mutta sen hyödyntäminen jää puolitiehen, koska kerätty tieto ei ole liiketoiminnan kannalta oleellista.
Oleellisen tiedon sijaan kerätään mahdollisimman paljon dataa, tietoa käyttäjän ja sivuston vuorovaikutuksesta.
Jokainen klikkaus, skrollaus ja siihen liittyvä metatieto päätyvät analytiikkatyökaluun ja tietovarastoon. Vaikka niitä ei koskaan analysoitaisi.
CARE-mallissa ensimmäinen askel on keskittyä keräämään dataa, joka todella tukee liiketoiminnan tavoitteita.
Tämä tarkoittaa sitä, että datan keräämisvaiheessa kannattaa pohtia, mitkä mittarit oikeasti kuvaavat sivuston ja markkinoinnin tehokkuutta tai asiakaskokemusta.
Kriteeri toimii hyvin myös analytiikan kehitystyön tukena: tarvitaanko tätä tietoa todella päätöksenteon avuksi?
A – Analysoi dataa
Pullonkaula 2: Dataa on, mutta analyysi on pinnallista.
Seuraava askel on analysoida oikein kerättyä, oikeaa dataa tarkoituksenmukaisesti.
Analyysin pullonkaulana on usein resurssien tai osaamisen puute: tuloksia ei osata tulkita, tai analyysistä puuttuu syvällisyys. Analyysi ei kuulu kenenkään työtehtäviin: digimarkkinoijat tekevät sitä muun työnsä ohella.
Analysoimalla dataa syvällisemmin voit tunnistaa liiketoiminnalle kriittiset trendit ja ongelmakohdat.
Mitkä kanavat tuovat sivustolle arvokkaita kävijöitä, mitkä ”renkaanpotkijoita”? Mitkä sisällöt toimivat konversiopolulla, mitkä eivät? Kuinka suuri osa vaihtelusta on normaalia kausivaihtelua, mikä osa on aitoa muutosta? Mitkä käyttäjäryhmät ovat sivuston tuoton kannalta arvokkaimpia?
Hyvän analyysin pohjalta voidaan aikanaan tehdä perusteltuja johtopäätöksiä, jotka tukevat päätöksentekoa. Analyytikon tehtävä on analysoida dataa ja suositella toimenpiteitä.
R – Suosittele toimenpiteitä
Pullonkaula 3: Analyysi ei johda toimenpiteisiin.
Data-analyysin tärkein tehtävä on johtaa toimintaan, mutta usein mitään ei tapahdu.
Analyytikko laatii raportteja ja vastaa sidosryhmien kysymyksiin. Niiden pohjalta ei synny konkreettisia suosituksia, tai suositukset eivät päädy toteutukseen.
CARE-mallissa on tärkeää, että analyysistä johdetaan konkreettisia toimenpidesuosituksia, jotka ovat selkeitä ja toteuttamiskelpoisia.
Tällöin analytiikka alkaa todella palvella liiketoimintaa ja päätöksentekoa.
Kuinka usein olet suositellut toimenpiteitä toteutettavaksi? Onko niitä päätynyt toteutukseen vai ei?
Jos analyytikko ei tuota yritykselle suosituksia, datan määrän kasvattamisesta ei ole apua.
Analyytikon tehtävä on ”myydä” suositukset päätöksentekijälle. Pelkät taulukot prosenttilukuineen eivät ole sen paremmin analyyseja kuin suosituksiakaan.
E – Kokeile ja toteuta
Pullonkaula 4: Toimenpiteitä ei toteuteta, tai niitä ei testata.
Viimeinen askel analytiikan hyödyntämisessä on suositusten kokeilu ja toteuttaminen. Usein yrityksillä on tapana lykätä toimenpiteiden toteutusta, tai niiltä puuttuu selkeä kokeilukulttuuri.
CARE-mallin mukaisesti analytiikasta saatuja suosituksia tulisi aina kokeilla ja arvioida.
Tämä ei ainoastaan auta testaamaan, mikä toimii parhaiten, vaan myös jatkuvasti kehittämään liiketoimintaa ketterällä otteella.
Kokeilut tuottavat myös lisää dataa, ja ne auttavat arvioimaan suositusten laatua ja hyödyllisyyttä.
Datan aktivointi tärkeämpää kuin sen kerääminen
Monet yritykset keskittyvät liikaa uuden datan keräämiseen sen sijaan, että hyödynnettäisiin jo olemassa olevaa dataa tehokkaammin.
CARE-malli painottaa datan aktivoinnin (A-R-E) merkitystä.
Ilman datan analysointia, suositusten tekemistä ja toimenpiteiden kokeilua datan kerääminen jää irralliseksi ja tehottomaksi.
Vaikka yritykselläsi olisi pääsy valtavaan datamassaan, sen arvo jää vähäiseksi ilman CARE-prosessia.
Käytä dataa paremmin sen sijaan että varastoit sitä enemmän
CARE-malli tarjoaa selkeän rakenteen analytiikan hyödyntämiselle liiketoiminnassa.
Se auttaa ohittamaan pullonkaulat ja varmistaa, että analytiikka ei jää vain raporttien tasolle, vaan johtaa todellisiin toimenpiteisiin ja liiketoiminnan kehitykseen.
Tärkeintä ei ole kerätä ja varastoida mahdollisimman paljon dataa, vaan kerätä oikeaa dataa, analysoida sitä oikein, tehdä suosituksia ja toteuttaa niitä ketterästi.
Tämä lähestymistapa auttaa maksimoimaan analytiikan arvon ja viemään yrityksesi verkkoliiketoiminnan uudelle tasolle.
Kiinnostaako analytiikan hyödyntäminen tehokkaammin? Ota yhteyttä meihin niin jutellaan lisää!
Tiivistelmä
Tiedonhakuun ja suosituksiin käytetään yhä useammin AI-palveluita, kuten ChatGPT, Copilot, Gemini ja Claude.
AI-optimointi kasvattaa todennäköisyyttä, että tekoäly mainitsee vastauksissaan brändisi, tuotteesi, palvelusi tai organisaatiosi näkökulman.
AI-palvelut käyttävät oppimisaineistonaan julkisessa netissä julkaistuja tekstejä. Niiden AI-optimoinnin kautta palvelujen antamiin vastauksiin on mahdollista vaikuttaa.
AI-optimoinnissa jäsennät tekstit helposti pureksittaviksi, esität tuotteesi yhtenä ratkaisuvaihtoehtona, tuot esille omaa näkökulmaa ja edistät brändimainintoja ympäri nettiä.
AI-haku korvaa vähitellen Googlen käyttöä
Yhä useampi tiedonhaku tapahtuu tekoäly-chatboteissa, kuten ChatGPT, Gemini, Copilot, Perplexity ja Claude.
AI-palveluista haetaan apua ostopolun kaikissa vaiheissa, ongelmien ja ratkaisujen ymmärtämisestä yksittäisiin suosituksiin tuotteista tai palveluntarjoajista.
AI-optimointi vastaa koko ajan lisääntyvään tiedonhakuun AI-palveluissa. Se tuo brändisi, tuotteesi, palvelusi tai näkökulmasi AI-bottien tuottamiin vastauksiin.
AI ei silti ole nopeasti syrjäyttämässä Google-hakua. Googlella on myös omat AI-virityksensä, Gemini (entinen Bard) ja hakutulosten AI overviews -otteet (jälkimmäiset toistaiseksi EU:n ulkopuolella).
AI-optimoinnin tavoitteet
Tekoälyä varten optimointi edistää myyntiä sekä suoraan että epäsuoralla tavalla, vaikuttamalla ostajien odotuksiin.
AI chatbot, kuten ChatGPT, voi
suositella tuotettasi tai palveluasi käyttäjän ilmaisemaan tarpeeseen
esittää tarjoamasi tuotteen tai palvelun yhtenä vaihtoehdoista ratkaista ongelma
mainita brändisi nimen siihen liittyvässä yhteydessä
tuoda esiin organisaatiosi oman näkökulman, joka poikkeaa kilpailijoiden näkökulmista.
Rakenna tekstit helposti pureskeltaviksi
Panosta sisältöjesi tavanomaiseen hakukoneoptimointiin. Sivustosi sisällöt pärjäävät todennäköisemmin ”AI-haussa”, kun ne pärjäävät tavallisessa Google-haussa ja siinä näkyvissä otteissa ja muissa rikkaissa hakutuloksissa.
Mitä helpompi tekoälyn on pureskella ja hahmottaa tekstiäsi, sitä todennäköisemmin se poimii siitä osia vastauksiinsa.
Erityisen AI-ystävällisiä SEO-keinoja ovat mm.
tiivistelmä alussa
helposti pureksittava, riittävän yksinkertainen kieli
bullet-listojen käyttö
itsenäisesti toimivat ja ymmärrettävät osuudet tekstissä.
Esitä tuotteesi yhtenä vaihtoehtona ongelman ratkaisuun
AI-palvelut pyrkivät antamaan kattavia ja tasapainoisia vastauksia. Siksi on harvinaisempaa, että ne esittävät vain yhden ratkaisun käyttäjän ongelmaan.
Voit käyttää tätä taipumusta hyväksesi, kun julkaiset itse kattavia ja tasapainoisia artikkeleita sivustollasi:
Käsittele artikkelissa, millä eri tavoilla lukijan ongelman voi ratkaista.
Esitä oma tuotteesi tai palvelusi yhtenä artikkelissa mainituista ratkaisutavoista.
Mainitse silloin brändisi ja/tai tuotteesi nimi, esimerkiksi listassa esitettynä.
Rakenna brändimainintoja oikeisiin asiayhteyksiin
Mieti, mihin teemoihin haluat brändisi yhdistettävän.
Sen jälkeen levitä mainintoja brändistäsi näiden teemojen yhteydessä:
Julkaise tiedotteita ja edistä niiden läpimenoa medioissa (eli tee PR:ää).
Osallistu keskusteluihin somessa ja mahdollisesti myös alasi foorumeilla ja subredditeissä.
Osta natiivimainonta-artikkeleita medioiden sivustoille.
Tarjoa haastatteluja ja vieraskirjoituksia, joissa brändisi mainitaan.
Huolehdi, että halutut teemat esiintyvät säännöllisesti myös omissa kanavissasi, kuten nettisaitilla ja somessa.
Mitä laajemmin brändistäsi löytyy mainintoja eri puolella nettiä, sitä todennäköisemmin se päätyy AI-palveluiden tuottamiin vastauksiin.
Levitä omaa näkökulmaa sisällöissä
Oma, muista poikkeava näkökulma tekemiseen on paras tapa erottua saturoituneilla markkinoilla.
Onko organisaatiollasi näkökulmaa tai tapaa toimia, joka poikkeaa muista?
Levitä näkökulmaa sisällöissäsi, sekä omissa että ulkoisissa kanavissa.
Hyvässä lykyssä AI saa ihmiset odottamaan ja suosimaan juuri sinun organisaatiosi näkökulmaa.
Parhaassa tapauksessa AI tuo yrityksesi näkökulman jopa kilpailijoiden sisältöihin, jos ne on generoitu huolimattomasti AI:n avulla.
AI-optimointi vs. hakukoneoptimointi
AI-optimointi on vähintäänkin läheistä sukua hakukoneoptimoinnille (SEO), jollei sen alalaji. AI-palvelut ovat eräänlaisia hakuympäristöjä itsekin.
AI-optimoinnin englanninkielinen nimi ei ole vielä vakiintunut.
Käytetyimpiä englanninkielisiä nimityksiä ovat tällä hetkellä seuraavat, Google-hakujen määrän perusteella:
generative engine optimization eli GEO
LLM optimization (large language model optimization) eli LLMO, tai lyhyemmin LMO (language model optimization)
generative AI optimization eli GAIO.
Lisäksi asiasta puhutaan myös ihan vaan pelkkänä SEO:na, ilman etu- tai takaliitteitä. Osan mielestä puhe erillisestä AI-optimoinnista on hevonkukkua, koska vivahde-erot verrattuna muuhun hakukoneoptimointiin ovat vielä pienet.
Suosin itse lyhyyden vuoksi termiä ”AI-optimointi”. Sitä yksikäsitteisempi olisi muoto “AI-hakuoptimointi”. Suomenkielisempi, mutta pidempi fraasi olisi ”tekoälyoptimointi” tai “tekoälyä varten optimointi”.
Miten alkuun AI-optimoinnissa?
Tee omalle sivustolle koko ajan hakukoneoptimointia, joka huomioi myös AI-ystävälliset keinot. Google- ja AI-näkyvyyden välillä on selvä korrelaatio.
Tuota sivustolle artikkeleita ongelmista, joihin tarjoamasi tuote tai palvelu on yksi – mutta ei ainoa – ratkaisu.
Huolehdi, että yrityksesi saa brändimainintoja myös omien kanavien ulkopuolella.
Huomioi sisällöissä organisaatiosi oma näkökulma tai tapa toimia, jos teillä on sellainen.
