Datacompany vs Billy Grace

Billy Grace werkt met een eigen pixel op je site. Dat is een bewuste keuze van ze: de pixel volgt bezoekers first-party en bouwt daarmee klantreizen op. Het betekent wel dev-werk, een consent-vraagstuk erbij, en een meethistorie die begint op de dag van installatie.

Wij zetten niets op je site. We koppelen via API op wat er al ligt: je advertentieplatforms, analytics, CRM en e-mail. Daardoor laden we ook je historie in, vaak twee tot drie jaar terug. Het model heeft dus vanaf dag één seizoenen en campagneflights om op te leren, in plaats van te wachten tot er genoeg nieuwe data is verzameld.

Elk model kan een mooi getal produceren. De vraag is hoe je controleert of dat getal klopt voordat je er budget op verschuift.

Onze controle is een geo-holdout: een regio of land waar een kanaal tijdelijk uit stond, vergeleken met een regio waar het aan bleef. Dat verschil is causaal bewijs, geen correlatie. We scannen je spend-historie automatisch op zulke natuurlijke experimenten en hangen het bewijs onder de aanbeveling. Elke uitspraak komt bovendien met een bandbreedte, want onzeker blijft bij ons zichtbaar onzeker.

Billy Grace beschrijft zijn modellen als machine learning en deep learning, maar publiceert niet hoe ze gevalideerd worden. Incrementaliteitstesten staan bij ze aangekondigd als “coming soon”. Dat kan prima werken. Je kunt het alleen niet zelf nalopen.

Billy Grace optimaliseert naar ROAS: omzet per advertentie-euro. Voor een webshop met één marge is dat prima.

Zodra marges per product of per doel verschillen, gaat ROAS de verkeerde winnaar aanwijzen: het kanaal dat veel omzet met weinig marge aanjaagt. Wij rekenen daarom per doel met marge. Het advies komt terug in euro's winst, niet in een omzetratio. Je CFO rekent zo, dus je marketingmodel kan dat maar beter ook doen.

Billy Grace hanteert zelf een ondergrens van €15k ad-spend en 300 conversies per maand. Hun helpcenter meldt daarnaast dat het gecombineerde UMM-model beschikbaar is voor klanten met voldoende data. Zit je daaronder, dan draai je in de praktijk op de eenvoudigere attributiemodellen.

Wij hebben precies andersom gebouwd. Het model draait op weekniveau en is ontworpen voor dunne data. Een B2B-bedrijf met dertig conversies per maand is voor ons een normale klant, geen randgeval. En als je data ergens écht te dun is voor een harde uitspraak, dan zegt het model dat, met een brede bandbreedte. Dat is minder spectaculair dan een exact getal. Het is wel eerlijker.

Billy Grace voert uit: het systeem verschuift dagelijks budgetten en stuurt op ROAS-targets. Voor een team dat die handjes mist, is dat een feature.

Wij hebben ervoor gekozen dat niet te doen. Je krijgt het advies, dus dit kanaal opschalen en dat snijden, met de verwachte omzet-impact ernaast. Jij of je bureau voert het uit. Twee redenen. Modeluitkomsten hebben onzekerheid, en bij automatisch doorvoeren verdwijnt die onzekerheid uit beeld. En een advies kun je naast je eigen marktkennis leggen voordat er geld beweegt; een automatische verschuiving zie je pas achteraf.