Markedsføringsanalyse forklart: de tre typene analyse, dataoppsettet, måltall per kanal, attribusjon, personvern og hvorfor AI-trafikk ofte blir feilregistrert.

På denne siden
Oppsummer artikkelen med AI
Rask quiz
Hvilken måte å måle markedsføringen din på passer deg?
Sorank passer til svarene dine
Prøv det i 3 dager på ditt eget nettsted, og se hvor du står på Google, ChatGPT og de andre AI-assistentene.
Start en gratis prøveperiode på 3 dager3 dager gratis, deretter kan du stoppe når du vil. Resultatgaranti i 90 dager, ellers pengene tilbake.
I korte trekk: markedsføringsanalyse er å samle inn, koble sammen og analysere data fra alle markedsføringskanaler for å forstå hva som gir resultater og hvor du bør investere videre. Den fungerer på tre nivåer: beskrivende (hva som skjedde), diagnostisk (hvorfor det skjedde) og prediktiv (hva som sannsynligvis vil skje). Et solid oppsett kombinerer et innsamlingslag (analyseverktøy, annonseplattformer, CRM), et lagringslag og et visualiseringslag, bruker tydelige måltall per kanal, aksepterer begrensningene i attribusjon, respekterer personvernreglene og skiller ut trafikk fra AI-assistenter, som standardrapporter ofte feilklassifiserer.
Markedsføringsanalyse svarer på spørsmål som hvert enkelt verktøy ikke kan svare på alene: hvilken kanal som bringer kunder som blir værende, hva en lead koster når alle kontaktpunkter er talt med, og hvilket innhold som bidrar til salg. Formålet er å støtte beslutninger om budsjett og innhold.
| Type | Spørsmål | Eksempel | Typiske verktøy |
|---|---|---|---|
| Beskrivende | Hva skjedde? | Organisk trafikk økte med 20% siste kvartal | Google Analytics, rapporter fra annonseplattformer, dashbord |
| Diagnostisk | Hvorfor skjedde det? | Veksten kom fra fem nye guider som ranker på Google | Explorations, segmenter, Search Console, kohortanalyse |
| Prediktiv | Hva vil sannsynligvis skje? | I dette tempoet dekker organiske leads halvparten av salgspipelinen på ett år | Prognoser, marketing mix-modeller, maskinlæring |
Noen team legger til et fjerde nivå, preskriptiv analyse, som anbefaler handlinger (flytt budsjett fra kanal A til kanal B). Den bygger på at de tre andre nivåene er pålitelige.
Når dataene vokser, samler team dem først i et regneark, og deretter i et datavarehus (BigQuery, Snowflake og lignende), med koblinger som synkroniserer hver kilde daglig. GA4 tilbyr gratis eksport til BigQuery, som fjerner begrensningene i utvalg og kvoter ved analyse.
Dashbord i Data Studio (tidligere Looker Studio), Power BI, Tableau eller et rapporteringsverktøy gjør dataene om til noen få sider som hvert team leser. Vår sammenligning av de beste verktøyene for webanalyse dekker innsamlingen.
| Kanal | Aktivitetsmål | Resultatmål |
|---|---|---|
| SEO | Visninger, gjennomsnittlig posisjon, klikkrate | Organiske besøk, leads, inntekter fra organisk trafikk |
| AI-synlighet (GEO) | Merkevarenevnelser og sitater i AI-svar | Besøk fra AI-assistenter, merkevaresøk |
| Betalt søk og sosiale medier | Visninger, klikk, kostnad per klikk | Kostnad per kjøp, avkastning på annonsekostnad |
| E-post | Leveranse, åpningsrate, klikkrate | Konverteringer og inntekter per e-post |
| Sosiale medier (organisk) | Rekkevidde, engasjement, delinger | Profilbesøk, besøk, leads |
| Innhold | Publiserte sider, lesetid | Assisterte konverteringer, påmeldinger til nyhetsbrev |
Over kanalene finnes to forretningsmål som kobler markedsføring til økonomi: kostnad per kunde (CAC) og kundens levetidsverdi (LTV). Et forhold mellom LTV og CAC godt over 1 betyr at anskaffelsen betaler seg selv, og vår gratis kalkulator for forholdet LTV til CAC gjør regnestykket. Forbedre deretter andelen besøkende som konverterer med konverteringsoptimalisering.
Attribusjon fordeler æren for en konvertering mellom kontaktpunktene som kom før den. De viktigste modellene er:
Attribusjon ser bare sporede klikk. For helhetsbildet bruker team også marketing mix-modellering, for eksempel med Meridian, Googles modell med åpen kildekode, som estimerer effekten av hver kanal fra samlede data over tid, og inkrementalitetstester, som sammenligner en gruppe som er eksponert for en kampanje med en gruppe som ikke er det.
Svaret er førstepartsdata (CRM, nyhetsbrev, innloggede brukere), server-side-tagging, samtykkemodus der det er relevant, og å godta at rapportene viser trender heller enn eksakte totaler.
Når ChatGPT, Gemini, Perplexity eller Copilot anbefaler et merke, kan tre ting skje. Brukeren klikker på en sitert lenke, og besøket vises som henvisningstrafikk fra assistentens domene, blandet med andre henvisninger med mindre du oppretter en egen kanal. Brukeren kopierer merkenavnet og søker på det i Google, og besøket vises som organisk eller merkevarerelatert søk. Eller brukeren skriver inn nettadressen direkte, og besøket havner i direkte trafikk. Denne usynlige delen kalles ofte mørk AI-trafikk.
For å måle den bedre: grupper AI-henvisninger i en egen kanal, følg utviklingen av merkevaresøk i Search Console, legg til et felt «Hvordan hørte du om oss?» i skjemaer, og følg merkevarens nevnelser i AI-svar direkte med et verktøy for AI-synlighet.
Markedsføringsanalyse er nyttig når den kobler hver kanal til inntekter, innrømmer hva sporing ikke kan se, og fører til en beslutning hver måned. For å øke de organiske kanalene og AI-kanalene som analyse ofte undervurderer, publiserer Sorank optimaliserte artikler på autopilot og følger hvor ofte ChatGPT, Claude og Gemini siterer merkevaren din, med en gratis prøveperiode på 3 dager.
Webanalyse måler hva som skjer på et nettsted eller i en app: besøk, sider, hendelser, konverteringer. Markedsføringsanalyse er bredere: den kobler webdata med data fra annonseplattformer, CRM, e-post, sosiale medier og salg for å forstå effekten av markedsføringen som helhet. Webanalyse er en av datakildene.
Start med den datadrevne modellen hvis kontoen din har nok konverteringer, og sammenlign den med siste klikk for å se hvilke kanaler som åpner reiser. Ingen modell er helt sann, så bruk attribusjon til å sammenligne kanaler over tid, og bekreft viktige budsjettbeslutninger med inkrementalitetstester eller marketing mix-modellering.
Ikke i starten. Små team kan klare seg med Google Analytics, Search Console, rapporter fra annonseplattformer og et dashbordverktøy. Et datavarehus blir nyttig når du kombinerer mange kilder, trenger historikk utover det verktøyene lagrer, eller vil koble markedsføringsdata med CRM og inntekter på kundenivå.
DE PRØVDE SORANK FØR DEG
