Bagaimana Anda tahu jika iklan berhasil? Apakah ada cara untuk mengukur secara langsung hasil penjualan konsumen yang terpapar kampanye iklan?
Para akademisi dan pemasar telah bergulat dengan pengukuran efektivitas iklan selama beberapa dekade. Pada tahun 1970-an dan awal 1980-an, mereka berfokus pada efek jeda, tingkat peluruhan, stok iklan, koefisien jeda, dan waktu paruh. Pada tahun 1990-an, penelitian yang mengubah permainan menunjukkan bahwa efek jangka panjang dari iklan kira-kira sama dengan dua kali lipat nilai efek jangka pendeknya. Industri ini membuat langkah maju dalam pemahamannya tentang efektivitas periklanan dengan berbagai cara, tetapi ketika harus benar-benar membandingkan iklan apa yang terpapar dengan apa yang mereka beli, sumber data yang diandalkannya hanya memiliki sedikit kesamaan, sehingga tidak mungkin untuk menarik hubungan yang pasti antara iklan dan perilaku yang ingin dipengaruhinya.
Tanggapan yang paling ampuh untuk mengatasi kesulitan ini datang dalam bentuk data "sumber tunggal". Data sumber tunggal memungkinkan Anda untuk melacak apa yang ditonton oleh sekelompok orang dan apa yang mereka beli. Karena Anda tahu ada yang terpapar dan ada yang tidak terpapar iklan tertentu, Anda dapat mengisolasi penjualan yang didorong oleh iklan tersebut, dengan mengendalikan variabel yang cukup sehingga satu-satunya perbedaan nyata antara kedua kelompok Anda adalah yang satu melihat dan yang satu tidak melihat iklan tersebut.
Konsep ini sudah ada sejak pertengahan 1960-an, namun Project Apollo pada tahun 2006 merupakan percontohan komersial berskala besar pertama yang memanfaatkan metodologi sumber tunggal. Teknologi Nielsen Homescan® digunakan untuk menangkap perilaku pembelian konsumen dan digabungkan dengan data paparan televisi dari Arbitron untuk beberapa perusahaan barang kemasan konsumen (CPG) besar.
Bingo - semacam itu. Banyak yang dipelajari. Namun, mengumpulkan segala sesuatu dari sebuah rumah tangga atau seseorang-baik apa yang mereka tonton maupun yang mereka beli-memang mahal, sehingga harga dari ketepatannya adalah data yang diperoleh adalah data yang kecil. Panel Apollo mencakup sekitar 11.000 orang di 5.000 rumah tangga - tidak cukup besar untuk melaporkan temuan pada tingkat perincian yang diperlukan untuk merek-merek kecil.
Namun, saat ini, kami dapat membuat dataset sumber tunggal dengan menggabungkan dataset transaksi pada skala yang diperlukan. Dataset ditautkan dan dianonimkan oleh pihak ketiga melalui pengenal bersama di setiap dataset untuk membuat dataset tunggal yang menunjukkan bagaimana pembelian rumah tangga yang terpapar iklan tertentu berbeda dengan yang tidak terpapar, sehingga mengisolasi efek penjualan dari kampanye iklan.
Kumpulan data ini sulit untuk dibuat. Bagaimana Anda meniru ketepatan data kecil pada skala data besar? Kami memanfaatkan data pelanggan yang sering berbelanja, data set-top box, data dari cookie - singkatnya, semua data besar yang bisa kami kumpulkan. Tetapi tidak ada data besar yang lengkap. Misalnya, dengan data dekoder, Anda tidak selalu dapat mengetahui apakah TV menyala atau siapa yang menonton (untuk informasi lebih lanjut tentang hal ini, lihat "Nilai Panel dalam Pemodelan Big Data" dalam edisi ini). Dan bahkan dengan 90 juta orang dalam basis data pelanggan kami, kami tidak dapat mengetahui pembelian lain yang mereka lakukan tanpa kartu loyalitas mereka.
Salah satu solusinya adalah dengan mengambil set data yang benar-benar lengkap, dan menggunakannya untuk "mengkalibrasi" set data big data. Dalam kasus kami, kami mengambil data Homescan, yang melacak setiap pembelian yang dilakukan oleh 100.000 rumah tangga. Jika Anda "membandingkan" Homescan dengan basis data pembelanja yang sering berbelanja, Anda akan menemukan tumpang tindih di antara kedua set data tersebut. Sekarang Anda dapat melihat, untuk orang-orang di kedua database, pembelian apa saja yang tidak ada di database frequent shopper. Anda kemudian dapat memodelkan kesenjangan tersebut untuk mencerminkan pola pembelian lengkap untuk database besar, dan memproyeksikan hasilnya ke total populasi.
Perkembangan dari data "kecil dan cerdas" menjadi data "besar" hingga data "besar dan cerdas" inilah yang memungkinkan data sumber tunggal dimanfaatkan dalam skala besar saat ini, dan dengan ketepatan yang cukup untuk mendukung keputusan pemasaran harian.
Tentu saja, masih ada batas berikutnya dalam hal presisi. Misalnya, banyak pertanyaan yang muncul ketika Anda menggabungkan set data jam tangan dan pembelian. Beberapa data adalah tingkat orang, beberapa tingkat rumah tangga. Orang yang menonton iklan Fruit Loops belum tentu orang yang membeli Fruit Loops. Saat ini masih sangat sulit untuk menguraikan pertanyaan penting tentang pengaruh pembelian - yaitu, ketika seseorang menonton sesuatu dan membuat orang lain membeli sesuatu. Keterlihatan iklan digital adalah tantangan penting lainnya, seperti halnya penipuan - lalu lintas bot dan banyak cara lain di mana eksposur digital ditingkatkan secara curang. Mengatasi tantangan-tantangan ini akan membuat jawaban kita terhadap pertanyaan utama - apa pengaruh menonton terhadap pembelian - menjadi lebih tepat.
Pada akhirnya, penting untuk menyadari bahwa sumber data yang berkontribusi pada kumpulan data sumber tunggal harus mendekati waktu nyata, akurat, lengkap, dan komprehensif, dan metodologi yang digunakan untuk mengkalibrasi harus mampu memproyeksikan hasil ke total populasi.
