In den letzten Jahren war die Erstellung großer Datensätze aus einer Hand ein großer Segen für die Werbeforschungsbranche. Bei Nielsen Catalina Solutions kombinieren wir Verkaufsdaten von Millionen von Haushalten mit Informationen darüber, ob diese Haushalte mit einer bestimmten Werbekampagne in Berührung gekommen sind oder nicht. Durch die Untersuchung der Umsatzdifferenz zwischen exponierten und nicht exponierten Haushalten sind wir in der Lage, die Umsatzsteigerung, die durch Tausende von Kampagnen erzielt wird, mit großer Genauigkeit zu berechnen.*
Das ANCOVA-Modell (Analyse der Kovarianz), das dieser Test- und Kontrollmethode zugrunde liegt, wurde gründlich getestet und liefert Markenmanagern, die die Wirksamkeit einer Kampagne als Ganzes messen wollen, schnelle und zuverlässige Antworten. Es gibt jedoch Fälle, in denen es nicht ganz den Anforderungen entspricht. Nehmen wir zum Beispiel den Fall einer Kampagne, die ein so großes Publikum erreicht hat, dass es fast unmöglich ist, Haushalte zu finden, die ihr nicht ausgesetzt waren (siehe Abb. 1). Wo würden wir die Kontrollgruppe finden?
Um diese Herausforderung zu meistern, haben wir eine neue Methodik namens "Cognitive Advantics" (CA) entwickelt. Anstatt die Umsatzsteigerung über die gesamte Werbekampagne hinweg zu untersuchen, analysiert sie die Umsatzdaten der Haushalte auf der Ebene der einzelnen Kaufanlässe und berücksichtigt den Zeitpunkt der Werbeeinblendungen bei jedem Schritt - ein viel detaillierterer Blick auf die Daten. Schließlich könnte ein Haushalt eine Anzeige sehen, einen Kauf tätigen, eine weitere Anzeige für dieselbe Marke sehen, und wir würden uns schwer tun zu sagen, dass die zweite Anzeige irgendeinen Einfluss auf diesen bestimmten Kauf hatte. Umgekehrt könnte ein Haushalt eine Anzeige sehen, zwei Monate später einen Kauf tätigen, und bei so viel Zeit dazwischen wäre es schwierig zu schlussfolgern, dass die Werbung der entscheidende Faktor für diesen Kauf war.
Durch die Analyse der Daten auf der Ebene des Kaufanlasses können wir die "Aktualität" der Werbung berücksichtigen - je aktueller die Werbung, desto größer die Wirkung. Während das effektive Zeitfenster von Studie zu Studie variieren kann, schauen wir in der Regel 28 Tage vom Zeitpunkt des Kaufs zurück, um eine oder mehrere Expositionen zu finden, auf die der Kaufanlass zurückgeführt werden kann (siehe Abb. 2). Wir sind auch in der Lage, das Problem der Kontrollgruppe zu lösen, da es zwar nicht viele Haushalte gibt, die nicht zu einem bestimmten Zeitpunkt mit der Kampagne in Berührung gekommen sind, aber es gibt im Allgemeinen genug Kaufanlässe, die nicht durch eine Werbung unmittelbar vor dem Kauf beeinflusst wurden - selbst unter den exponierten Haushalten.
Zur Durchführung der Analyse nimmt die CA-Methode alle relevanten Variablen (Kaufhistorie, Medienkonsum, Demografie, Standort, Kaufkategorien usw.) auf, speist sie in eine Sammlung von Datenmodellierungsalgorithmen ein und ermöglicht es den Daten, die Modelle so auszuwählen und zu kombinieren, dass die Ergebnisse die beste (d. h. statistisch fundierteste) Kreuzvalidierung aufweisen. Dies ist der "kognitive" Teil im Namen der CA. Das Endergebnis ist ein sehr leistungsfähiges Tool, das nur sehr wenig menschliches Eingreifen erfordert und in großem Umfang eingesetzt werden kann.
Da sich der Markt in Richtung Echtzeit-Lösungen auf Knopfdruck bewegt, ist dies die nächste Entwicklung in der Messung der Werbewirksamkeit. Die ersten Ergebnisse sind sehr vielversprechend, und wir freuen uns darauf, in einer der nächsten Ausgaben der Zeitschrift Einzelheiten, Beispiele und Leistungsvergleiche vorzustellen.
*Siehe Details zu dieser Methode in: Verwendung von Single-Source-Daten zur Messung der Werbewirksamkeit in VOL 1, ISSUE 2 des Nielsen Journal of Measurement.
