True ROAS
Lär dig vad sann ROAS är, hur den skiljer sig från plattformsrapporterad ROAS och hur du beräknar verklig annonsavkastning med hjälp av avstämda intäktsdata....
5 min läsning
Definition av Return on Ad Spend (ROAS)
Return on Ad Spend, vanligtvis förkortat ROAS, mäter de intäkter en annonskampanj genererar i förhållande till vad det kostar att genomföra den. Det uttrycks vanligtvis som en kvot, till exempel 4:1, vilket innebär fyra dollar i intäkt för varje spenderad dollar på annonser, eller som en procentsats, till exempel 400%. ROAS är ett av de mest använda mätetalen inom e-handelsmarknadsföring eftersom det direkt kopplar annonsutgifter till försäljningsresultat på kampanj-, annonsuppsättnings- eller kanalnivå, vilket gör det till ett praktiskt dagligt mätetal för att avgöra var budget ska allokeras. Det är viktigt att notera att ROAS mäter intäkter, inte vinst; en hög ROAS på en lågmarginalprodukt kan fortfarande lämna ett företag med knappt break-even när kostnaden för varor, frakt och betalningshantering väl har dragits av.
Hur ROAS Beräknas
Grundformeln är enkel:
ROAS = Tillskrivna intäkter / Annonsutgifter
Ett räkneexempel: ett e-handelsföretag kör en betald social medier-kampanj som kostar 5 000 dollar under en vecka. Kampanjen tillskrivs att ha genererat 22 500 dollar i intäkter under den perioden. Att dividera 22 500 dollar med 5 000 dollar ger en ROAS på 4,5, eller 450%. I sig självt säger detta marknadsföraren att kampanjen genererade 4,50 dollar i intäkt för varje spenderad dollar, men om det är ett bra resultat beror helt på produktens bruttomarginal. Om butikens bruttomarginal är 60% representerar de 22 500 dollar i intäkter ungefär 13 500 dollar i bruttovinst, vilket bekvämt täcker annonsutgiften på 5 000 dollar med marginal över. Om bruttomarginalen bara är 20% representerar samma intäkt ungefär 4 500 dollar i bruttovinst, vilket innebär att kampanjen faktiskt förlorade pengar efter avdrag för annonsutgifter, trots en ROAS som ser stark ut på ytan.
Varför ROAS är Viktigt för E-handelsföretag
ROAS ger marknadsförare en snabb signal på kampanjnivå för att omfördela budget utan att behöva en full lönsamhetsmodell för varje beslut. Eftersom det kan mätas per kampanj, per annonsuppsättning, per plattform och ofta per dag, möjliggör det snabb iteration: budget kan flyttas mot det som producerar intäkter effektivt och bort från det som inte gör det, ofta inom samma vecka som en kampanj lanseras. Risken med att enbart förlita sig på ROAS är att det helt ignorerar kostnadsstrukturen, så två kampanjer med identisk ROAS kan ha mycket olika faktisk lönsamhet om de driver försäljning i produktkategorier med olika marginaler. ROAS beror också i hög grad på den attribueringsmodell som används för att beräkna det, och olika annonsplattformar tenderar att övertillskriva sin egen kanal genom generösa klick- och visningsattribueringsfönster, vilket kan få en kampanj att se mer effektiv ut än den faktiskt är när intäkterna väl avstämts mot verklig butikstäckande försäljning.
Jämförelsetabell: ROAS vs. Relaterade Marknadsföringsmått
| Mått | Vad det mäter | Tar hänsyn till marginal? | Bäst för |
|---|---|---|---|
| ROAS | Intäkt per annonskrona | Nej | Snabba budgetbeslut på kampanjnivå |
| True ROAS | Intäkt per annonskrona, avstämd mot faktiska butiksdata | Nej, men attribueringen är mer korrekt | Korrigering av plattformars övertillskrivning |
| CAC | Kostnad att förvärva en ny kund | Nej | Utvärdering av förvärvseffektivitet |
| Täckningsbidrag | Intäkt minus rörliga kostnader inklusive annonsutgifter | Ja | Bedömning av verklig lönsamhet för en kampanj |
| ROI | Total avkastning i förhållande till total investering | Ja | Långsiktig, fullkostnadsutvärdering |
Håll dig uppdaterad om trender inom AI-synlighet
Få de senaste insikterna om AI-omnämnanden, varumärkesövervakning och optimeringsstrategier.
ROAS och AI-driven Handel
I takt med att shopping allt mer sker genom AI-assistenter som ChatGPT Shopping, Perplexity Shopping och Amazon Rufus blir det mer komplicerat att tillskriva intäkter till en specifik annonsutgift, eftersom en kunds väg till köp kan innefatta ett AI-förmedlat researchsteg som traditionell annonsplattformsspårning inte ser. En shoppare kan upptäcka en produkt genom en betald social annons, undersöka den vidare via en AI-assistent dagar senare och slutligen köpa via en helt annan kanal, vilket gör att enpunkts-, plattformsrapporterad ROAS blir en allt mer ofullständig bild av vad som faktiskt drev försäljningen.
Det är precis detta gap som AmICiteds eshop_get_cac_roas-verktyg är byggt för att täppa till: det beräknar ROAS per kampanj, per dag, avstämd mot faktiska tillskrivna intäkter från butikens egna orderdata snarare än att enbart förlita sig på vad en annonsplattform själv rapporterar. Denna avstämning är viktig eftersom annonsplattformar har ett strukturellt incitament att generöst ta åt sig äran för konverteringar, och en marknadsföringsbudget som allokeras enbart baserat på plattformsrapporterad ROAS kan systematiskt övervikta kanaler som helt enkelt attribuerar mer aggressivt snarare än kanaler som faktiskt driver inkrementell försäljning.
Bästa praxis för ROAS
- Sätt mål för ROAS-tröskelvärden baserat på bruttomarginal per kategori, inte ett enda butiksövergripande mål, eftersom break-even-ROAS skiljer sig markant mellan hög- och lågmarginalprodukter
- Avstäm plattformsrapporterad ROAS mot faktiska butiksintäkter regelbundet för att fånga attribueringsinflation innan den snedvrider budgetbeslut
- Spåra ROAS tillsammans med CAC och täckningsbidrag snarare än isolerat, eftersom en stark ROAS som främst drivs av befintliga kunder som beställer igen berättar en helt annan historia än en som drivs av nykundsförvärv
- Bryt ner ROAS per kampanj och dag istället för att bara titta på månads- eller kanalgenomsnitt, eftersom detaljer på dag- och kampanjnivå avslöjar vilken specifik kreativ eller målgrupp som faktiskt presterar
- Ompröva mål-ROAS när produktmix, fraktkostnader eller rabattstrategi förändras, eftersom alla tre påverkar marginalen som en given ROAS faktiskt representerar
Vanliga ROAS-misstag
Ett vanligt misstag är att behandla ROAS som en ersättning för lönsamhet utan att någonsin översätta det via bruttomarginal, vilket leder till budgetbeslut som gynnar hög-ROAS-lågmarginalkampanjer framför lägre-ROAS-högmarginalkampanjer som faktiskt är mer lönsamma. Ett annat vanligt problem är att jämföra ROAS över kanaler med mycket olika attribueringsfönster, till exempel att jämföra en återmarknadsföringsplattforms 30-dagars visningsattribuering mot en kanal som endast använder 1-dagars klickattribuering, vilket ger siffror som faktiskt inte är jämförbara trots att de ser ut som samma mått. Vissa marknadsförare jagar också ett enda blandat ROAS-mål över ett helt konto, och missar att en stark blandad siffra kan dölja en blandning av några få utmärkta kampanjer och flera olönsamma sådana. En ytterligare fallgrop är att underlåta att avstämma plattformsrapporterade intäkter mot faktiska butiksintäkter, och lita på annonsplattformars instrumentpaneler som tenderar att övertillskriva konverteringar till sin egen kanal genom generösa klick- och visningsfönster. Slutligen optimerar vissa varumärken rentav för ROAS utan hänsyn till nykundsförvärv, vilket gör att budgeten glider mot kampanjer som mest når befintliga kunder som troligen skulle ha beställt om ändå, vilket blåser upp ROAS samtidigt som det gör lite för att växa kundbasen.
