Lewati ke konten
Wawasan > Media

Cawan Suci Periklanan: Menghubungkan Eksposur Iklan Ke Penjualan di Dalam Toko

4 menit membaca | Leslie Wood, Chief Research Officer, Nielsen Catalina Solutions | Juli 2016

Bagaimana Anda tahu jika iklan berhasil? Apakah ada cara untuk secara langsung mengukur hasil penjualan konsumen yang terpapar kampanye iklan?

Para sarjana dan pemasar telah bergulat dengan mengukur efektivitas iklan selama beberapa dekade. Pada 1970-an dan awal 1980-an, mereka berfokus pada efek lag, tingkat pembusukan, adstock, koefisien lag, dan waktu paruh. Pada 1990-an, pekerjaan 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 dalam pemahamannya tentang efektivitas iklan dengan berbagai cara, tetapi ketika harus benar-benar membandingkan iklan apa yang orang-orang terpapar dengan apa yang mereka beli, sumber data yang diandalkannya memiliki sedikit kesamaan, tidak mungkin untuk menarik hubungan yang pasti antara iklan dan perilaku yang ingin dipengaruhinya.

Respons paling kuat terhadap kesulitan ini telah datang dalam bentuk data "sumber tunggal". Data sumber tunggal memungkinkan Anda melacak apa yang ditonton sekelompok orang dan apa yang mereka beli. Karena Anda tahu beberapa dan beberapa tidak terkena iklan tertentu, Anda dapat mengisolasi penjualan yang didorong oleh iklan itu, dengan mengontrol variabel yang cukup sehingga satu-satunya perbedaan nyata antara kedua kelompok Anda adalah bahwa satu melakukannya dan satu tidak melihat iklan.

Konsep ini telah ada sejak pertengahan 1960-an, tetapi Project Apollo pada tahun 2006 adalah percontohan komersial skala besar pertama yang memanfaatkan metodologi sumber tunggal. Teknologi Nielsen Homescan® digunakan untuk menangkap perilaku pembelian konsumen dan dikombinasikan dengan data paparan televisi dari Arbitron untuk beberapa perusahaan barang paket konsumen (CPG) besar.

Bingo – semacam. Banyak yang dipelajari. Tetapi mengumpulkan segala sesuatu dari rumah tangga atau orang—baik apa yang mereka tonton maupun apa yang mereka beli—mahal, jadi harga presisinya adalah datanya kecil. Panel Apollo mencakup sekitar 11.000 orang di 5.000 rumah tangga – tidak cukup besar untuk melaporkan temuan pada tingkat granularitas yang diperlukan untuk merek kecil.

Namun, hari ini, kita dapat membuat himpunan data sumber tunggal dengan menggabungkan himpunan data transaksi pada skala yang diperlukan. Himpunan data ditautkan dan dianonimkan oleh pihak ketiga melalui pengidentifikasi bersama di setiap himpunan data untuk membuat satu himpunan data yang menunjukkan bagaimana pembelian rumah tangga dari mereka yang terpapar iklan tertentu berbeda dari mereka yang tidak terpapar, mengisolasi efek penjualan dari kampanye iklan.

Himpunan data ini sulit dibuat. Bagaimana Anda mereplikasi presisi data kecil pada skala big data? Kami sering memanfaatkan data pembeli, data set-top box, data dari cookie – singkatnya, semua data besar yang dapat kami kumpulkan. Tapi tidak ada data besar yang lengkap. Misalnya, dengan data dekoder, Anda tidak selalu dapat mengetahui apakah perangkat TV aktif atau siapa yang menonton (untuk informasi lebih lanjut tentang ini, lihat "Nilai Panel dalam Pemodelan Big Data" dalam masalah ini). Dan bahkan dengan 90 juta orang di database pembeli kami yang sering, kami tidak dapat mengetahui pembelian lain apa yang mereka lakukan tanpa kartu loyalitas mereka.

Salah satu solusinya adalah dengan mengambil himpunan data yang benar-benar lengkap, dan menggunakannya untuk "mengkalibrasi" himpunan data big data. Dalam kasus kami, kami mengambil data Homescan kami, yang melacak setiap pembelian yang dilakukan oleh 100.000 rumah tangga. Jika Anda "membandingkan" Homescan dengan database pembelanja kami yang sering, Anda akan menemukan tumpang tindih antara himpunan data. Sekarang Anda dapat melihat, untuk orang-orang di kedua database, pembelian apa yang hilang dari database pembeli yang sering. Anda kemudian dapat memodelkan kesenjangan itu untuk mencerminkan pola pembelian penuh untuk database besar, dan memproyeksikan hasilnya ke total populasi.

Perkembangan dari data "kecil dan cerdas" ke data "big data" ke data "besar dan cerdas" inilah yang memungkinkan data sumber tunggal dimanfaatkan dalam skala besar saat ini, dan dengan presisi yang cukup untuk mendukung keputusan pemasaran harian.

Tentu saja, tetap ada perbatasan berikutnya dalam presisi. Misalnya, banyak pertanyaan muncul ketika Anda menggabungkan jam tangan dan membeli himpunan data. Beberapa datanya adalah tingkat orang, beberapa adalah tingkat rumah tangga. Orang yang menonton iklan Fruit Loops belum tentu orang yang membeli Fruit Loops. Masih sangat sulit hari ini untuk mengurai pertanyaan penting tentang pengaruh pembelian – yaitu, ketika seseorang menonton sesuatu dan membuat orang lain membeli sesuatu. Visibilitas iklan digital adalah tantangan penting lainnya, seperti halnya penipuan – lalu lintas bot dan banyak cara lain di mana eksposur digital meningkat secara curang. Memecahkan tantangan ini akan membuat jawaban kita terhadap pertanyaan utama—apa dampak menonton terhadap pembelian— yang jauh lebih tepat.

Pada akhirnya, penting untuk menyadari bahwa sumber data yang berkontribusi pada himpunan data sumber tunggal harus mendekati real-time, akurat, lengkap dan komprehensif, dan metodologi yang digunakan untuk mengkalibrasinya harus mampu memproyeksikan hasilnya ke total populasi.