Ett test med annonser i ChatGPT kan se rimligt ut i en kalkyl där varje antagande ligger nära det önskade utfallet. Problemet kommer när dyrare trafik sammanfaller med färre köp och lägre orderbidrag. Scenarioplanering gör dessa kombinationer synliga innan budgeten förbrukas. Frågan är vad verksamheten klarar om flera saker går sämre samtidigt, och vad den behöver förbereda om utfallet blir starkare.
Arbetssättet här är en intern planeringsmetod för köpta placeringar i ChatGPT. Ett scenario är ett villkorat räkneexempel. Det visar vad som följer om vissa antaganden gäller. Det är varken en statistisk prognos, en sannolikhetsbedömning eller ett påstående om vad annonser i kanalen normalt kostar.
Sätt en ram som alla tre scenarier delar
Börja med beslutet: exempelvis om ett erbjudande ska få ett avgränsat test under fjorton dagar. Ange vilken order som räknas, vilken valuta kalkylen använder och när efterföljande köp ska vara färdigbedömda. Ett tidsfönster för annonseringen och en tidpunkt för slutlig avläsning fyller olika funktioner. Förväxla inte dem.
Bestäm sedan vilka kostnader som ingår. I exemplet nedan mäts bidrag efter annonskostnad men före fasta kostnader, separat testproduktion och skatt. Om just ert test kräver ny produktion ska den läggas till som en egen rad. Då kan ni skilja ett svagt medieutfall från en dyr testuppsättning.
Skilj också beslutad budget från faktisk förbrukning. OpenAI beskriver budgetar som utgiftsgränser. I en intern kalkyl måste ni själva ange hur mycket av ramen ni antar blir spenderat. Ett beviljat belopp är inte ett utfall som redan har inträffat.
Välj drivare som kan förändra beslutet
En enkel köpmodell kan använda faktiskt spenderat belopp, kostnad per klick, andel klick som blir definierade order och bidrag per order före annonsering. Formeln blir antal order = spend / klickkostnad × köpandel. Bidrag efter media blir antal order × orderbidrag minus spend.
Varje indata behöver en motivering. Ett äldre utfall för samma erbjudande kan ge en utgångspunkt, men skillnader i publik, säsong och destination begränsar jämförbarheten. Saknas relevant historik ska cellen märkas som ett planeringsantagande. Ett exakt tal med två decimaler blir inte säkrare för att kalkylarket visar det så.
Välj även vad ni håller konstant. Samma spend i tre scenarier isolerar skillnaden i trafikekonomi och ordermix. Om leveransvolymen också är osäker behövs ett separat leveransscenario. Att ändra alla tänkbara variabler samtidigt gör modellen svår att tolka och svår att agera på.
Räkna tre sammanhängande förlopp
Anta hypotetiskt att 12 000 kronor faktiskt spenderas under fjorton dagar. I det svaga scenariot kostar ett klick 15 kronor, köpandelen är 2 procent och orderbidraget 350 kronor. Det ger 800 klick och 16 order. Bidrag efter media blir 16 × 350 − 12 000 = minus 6 400 kronor.
Basscenariot använder 12 kronor per klick, 3 procent köpandel och 400 kronor per order. Då blir det 1 000 klick och 30 order. Bidraget blir 30 × 400 − 12 000 = noll kronor. Noll här gäller bara kalkylens avgränsning, inte företagets fullständiga resultat.
I det starka scenariot används 10 kronor, 4 procent och 450 kronor. Utfallet blir 1 200 klick och 48 order, med 48 × 450 − 12 000 = 9 600 kronor kvar efter media. Alla belopp är påhittade räknetal. De representerar ingen prislista eller observerad kampanj.
Kombinationerna behöver vara affärsmässigt möjliga. Ett erbjudande med lägre pris kan exempelvis höja köpandelen men samtidigt sänka bidraget. Att låta båda förbättras kräver en förklaring. Annars bygger det starka scenariot på önskningar som motverkar varandra i verkligheten.
Tre villkorade utfall för samma test
- Svagt: minus 6 400 kr
12 000 / 15 × 2 % = 16 order. 16 × 350 − 12 000 = −6 400.
- Bas: 0 kr
12 000 / 12 × 3 % = 30 order. 30 × 400 − 12 000 = 0.
- Starkt: 9 600 kr
12 000 / 10 × 4 % = 48 order. 48 × 450 − 12 000 = 9 600.
Låt scenarierna utlösa olika förberedelser
Det svaga scenariot bör svara på om förlusten ryms inom testets beslutade riskutrymme. Om minus 6 400 kronor är oacceptabelt behöver testet ändras före start. Möjliga ändringar är mindre omfattning, ett annat erbjudande eller bättre underlag för de mest osäkra antagandena.
Basscenariot visar vilken förbättring som krävs för att testet ska ge det önskade bidraget. Välj en drivare att undersöka, exempelvis varför landningssidans erbjudande kanske inte blir förstått. Ett nollresultat ger inte automatiskt skäl att fortsätta med samma upplägg.
Det starka scenariot kräver en kapacitetsfråga. Kan verksamheten hantera 48 order eller de säljsamtal som motsvarande leadmodell skulle skapa? Använd säljkapacitet som gräns för annonsbudgeten om varje förfrågan kräver arbete. Mer efterfrågan kan annars ge längre väntetid och sämre genomförande.
Följ antagandena utan att skriva om historien
Spara den ursprungliga versionen före start. Vid uppföljningen fyller ni i observerad spend, klickkostnad, köpandel och ordermix bredvid antagandena. Skriv varför avvikelserna uppstod när ni har belägg; lämna orsaken öppen när ni saknar det. OpenAI anger att rapportmått uppdateras i olika takt, vilket behöver beaktas innan en ny period jämförs med en färdig.
Ett utfall mellan två scenarier är inte ett bevis för att modellen var rätt. Granska om rätt drivare förklarar skillnaden. En låg klickkostnad kan exempelvis dölja en mycket svagare köpandel, medan totalsumman råkar hamna nära basen.
Vid budgetökning behövs dessutom en separat bedömning av kostnaden för ytterligare resultat. Scenariokalkylens genomsnitt säger inte att nästa budgetdel får samma ekonomi. Dokumentera slutligen vilken information testet ska ge inför nästa beslut. Om samma resurser kunde användas bättre någon annanstans hjälper en bedömning av alternativkostnaden er att pröva om testet fortfarande förtjänar sin plats.
Källor och avgränsning
Avgör om ett avgränsat ChatGPT-annonstest är genomförbart även när flera ekonomiska antaganden utvecklas svagt samtidigt.
Arbetsmetoder och exempel är redaktionella förslag. Kontrollera aktuella plattformsvillkor och funktioner inför genomförandet.