¿Cómo saber si la publicidad funciona? ¿Hay alguna forma de medir directamente los resultados de ventas de los consumidores expuestos a una campaña publicitaria?
Estudiosos y profesionales del marketing llevan décadas tratando de medir la eficacia de la publicidad. En los años setenta y principios de los ochenta, se centraron en los efectos retardados, las tasas de decaimiento, el adstock, los coeficientes de retardo y las vidas medias. En los años 90, unos trabajos revolucionarios demostraron que el efecto a largo plazo de la publicidad equivale aproximadamente al doble del valor de su efecto a corto plazo. La industria estaba avanzando en su comprensión de la eficacia de la publicidad de muchas maneras diferentes, pero cuando se trataba de comparar realmente los anuncios a los que la gente estaba expuesta con lo que compraba, las fuentes de datos en las que se basaba tenían tan poco en común que era imposible establecer conexiones definitivas entre la publicidad y el comportamiento en el que pretendía influir.
La respuesta más poderosa a esta dificultad ha llegado en forma de datos de "fuente única". Los datos de fuente única permiten hacer un seguimiento de lo que ve un grupo de personas y de lo que compran. Como se sabe que algunas personas estuvieron expuestas a determinada publicidad y otras no, se pueden aislar las ventas impulsadas por esa publicidad, controlando suficientes variables para que la única diferencia real entre los dos grupos sea que uno vio la publicidad y el otro no.
El concepto existe desde mediados de los años sesenta, pero el Proyecto Apollo de 2006 fue el primer proyecto piloto comercial a gran escala que aprovechó metodologías de una sola fuente. Se utilizó la tecnología Homescan® de Nielsen para captar el comportamiento de compra de los consumidores y se combinó con datos de exposición televisiva de Arbitron para varias grandes empresas de bienes de consumo envasados (CPG).
Bingo, más o menos. Se aprendió mucho. Pero recopilar todos los datos de un hogar o una persona -tanto lo que veían como lo que compraban- era caro, así que el precio de la precisión era que los datos eran pequeños. El panel Apollo incluía a unas 11.000 personas en 5.000 hogares, un número insuficiente para obtener conclusiones con el nivel de detalle necesario para las marcas pequeñas.
Hoy en día, sin embargo, podemos crear conjuntos de datos de fuente única fusionando conjuntos de datos de transacciones a la escala necesaria. Los conjuntos de datos son enlazados y anonimizados por un tercero a través de un identificador compartido en cada conjunto de datos para crear un único conjunto de datos que muestre en qué se diferencian las compras de los hogares expuestos a una determinada publicidad de los no expuestos, aislando así el efecto sobre las ventas de la campaña publicitaria.
Estos conjuntos de datos son difíciles de crear. ¿Cómo replicar la precisión de los datos pequeños a la escala de los grandes? Utilizamos datos de compradores frecuentes, datos de descodificadores, datos de cookies... en resumen, todos los macrodatos que podemos reunir. Pero ningún big data está completo. Por ejemplo, con los datos de los descodificadores no siempre se puede saber si el televisor está encendido o quién lo está viendo (para más información, véase "El valor de los paneles en el modelado de big data" en este número). E incluso con 90 millones de personas en nuestra base de datos de compradores frecuentes, no podemos saber qué otras compras hacen sin sus tarjetas de fidelidad.
Una solución es tomar un conjunto de datos realmente completo y utilizarlo para "calibrar" el conjunto de datos de big data. En nuestro caso, tomamos nuestros datos Homescan, que rastrean todas las compras realizadas por 100.000 hogares. Si "comparamos" Homescan con nuestra base de datos de compradores frecuentes, encontraremos solapamientos entre ambos conjuntos de datos. Ahora puede ver, para las personas de ambas bases de datos, qué compras faltan en la base de datos de compradores frecuentes. A continuación, puede modelizar esa diferencia para reflejar todos los patrones de compra de la gran base de datos y proyectar los resultados a la población total.
Esta progresión de los datos "pequeños e inteligentes" a los "grandes datos" es lo que hace posible que los datos de una sola fuente puedan aprovecharse hoy a escala, y con la precisión suficiente para respaldar las decisiones diarias de marketing.
Por supuesto, aún queda una próxima frontera en la precisión. Por ejemplo, surgen muchas preguntas cuando se combinan los conjuntos de datos de compra y venta. Algunos de los datos son a nivel de persona, otros a nivel de hogar. La persona que ve el anuncio de Fruit Loops no es necesariamente la que lo compra. Hoy en día sigue siendo muy difícil desentrañar la importante cuestión de la influencia de compra, es decir, cuándo alguien ve algo y consigue que otra persona compre algo. La visibilidad de los anuncios digitales es otro reto importante, al igual que el fraude, es decir, el tráfico de robots y las muchas otras formas en que se aumenta fraudulentamente la exposición digital. Resolver estos retos hará que nuestra respuesta a la pregunta central -qué efecto tiene ver en comprar- sea mucho más precisa.
En última instancia, es importante reconocer que las fuentes de datos que contribuyen a los conjuntos de datos de fuente única deben ser casi en tiempo real, precisas, completas y exhaustivas, y las metodologías utilizadas para calibrarlas deben ser capaces de proyectar los resultados a la población total.
