콘텐츠로 건너뛰기
미디어> 통찰력

광고의 성배: 광고 노출을 매장 내 판매에 연결

4 분 읽기 | Leslie Wood, Nielsen Catalina Solutions 최고 연구 책임자 | 칠월 2016

광고가 작동하는지 어떻게 알 수 있습니까? 광고 캠페인에 노출 된 소비자의 판매 결과를 직접 측정 할 수있는 방법이 있습니까?

학자와 마케팅 담당자는 수십 년 동안 광고 효과를 측정하는 데 어려움을 겪어 왔습니다. 1970 년대와 1980 년대 초반에 그들은 지연 효과, 붕괴율, 애드스톡, 지연 계수 및 반감기에 중점을 두었습니다. 1990 년대에 게임을 변화시키는 연구는 광고의 장기적인 효과가 단기 효과의 두 배에 달한다는 것을 보여주었습니다. 업계는 여러 가지 방법으로 광고 효과에 대한 이해에 진전을 이루고 있었지만, 사람들이 노출 된 광고와 그들이 구입 한 광고를 실제로 비교할 때 의존하는 데이터 소스는 공통점이 거의 없었기 때문에 광고와 그것이 영향을 미치려는 행동 사이에 명확한 연관성을 이끌어내는 것은 불가능했습니다.

이러한 어려움에 대한 가장 강력한 대응은 "단일 소스"데이터의 형태로 이루어졌습니다. 단일 소스 데이터를 사용하면 한 그룹의 사람들이 무엇을 보고 무엇을 구매하는지 추적할 수 있습니다. 일부는 특정 광고에 노출되지 않았다는 것을 알고 있기 때문에 충분한 변수를 제어하여 해당 광고에 의해 주도되는 판매를 격리 할 수 있으므로 두 그룹 간의 유일한 차이점은 광고가 한 것과 광고를 못했다는 것입니다.

이 개념은 1960 년대 중반부터 사용되어 왔지만 2006 년 프로젝트 아폴로 (Project Apollo)는 단일 소스 방법론을 활용 한 최초의 대규모 상업 파일럿이었습니다. Nielsen Homescan® 기술은 소비자 구매 행동을 캡처하는 데 사용되었으며 여러 주요 소비자 패키지 상품 (CPG) 회사의 Arbitron의 TV 노출 데이터와 결합되었습니다.

빙고 – 일종의. 많은 것을 배웠습니다. 그러나 가정이나 사람으로부터 모든 것을 수집하는 것, 즉 그들이 본 것과 구입 한 것 모두 비용이 많이 들기 때문에 정밀도의 가격은 데이터가 작은 데이터라는 것이 었습니다. 아폴로 패널에는 5,000 가구에 약 11,000 명이 포함되어있어 소규모 브랜드에 필요한 세분성 수준에서 결과를보고하기에 충분하지 않았습니다.

그러나 오늘날에는 트랜잭션 데이터 세트를 필요한 규모로 병합하여 단일 소스 데이터 세트를 만들 수 있습니다. 데이터 세트는 각 데이터 세트의 공유 식별자를 통해 타사에 의해 연결되고 익명화되어 특정 광고에 노출 된 사람들의 가정용 구매가 노출되지 않은 사람들과 어떻게 다른지 보여주는 단일 데이터 세트를 만들어 광고 캠페인의 판매 효과를 격리합니다.

이러한 데이터 세트는 만들기 어렵습니다. 작은 데이터의 정밀도를 빅 데이터 규모에서 어떻게 복제합니까? 우리는 빈번한 구매자 데이터, 셋톱 박스 데이터, 쿠키의 데이터 - 간단히 말해서 우리가 수집 할 수있는 모든 빅 데이터를 사용합니다. 그러나 빅 데이터는 완전하지 않습니다. 예를 들어, 셋톱 박스 데이터를 사용하면 TV 세트가 켜져 있는지 또는 누가 시청하고 있는지 항상 알 수 없습니다 (이에 대한 자세한 내용은 이 호의 "빅 데이터 모델링에서 패널의 가치"를 참조하십시오). 그리고 우리의 빈번한 구매자 데이터베이스에 9 천만 명의 사람들이 있음에도 불구하고, 우리는 충성도 카드 없이는 다른 구매를하고 있는지 알 수 없습니다.

한 가지 해결책은 진정으로 완전한 데이터 세트를 가져 와서 빅 데이터 데이터 세트를 "보정"하는 데 사용하는 것입니다. 우리의 경우, 우리는 100,000 가구의 모든 구매를 추적하는 Homescan 데이터를 가져옵니다. Homescan을 빈번한 구매자 데이터베이스와 "비교"하면 데이터 세트 사이에 겹치는 부분이 있습니다. 이제 두 데이터베이스의 사람들에게 빈번한 구매자 데이터베이스에서 누락 된 구매를 볼 수 있습니다. 그런 다음 해당 격차를 모델링하여 대규모 데이터베이스의 전체 구매 패턴을 반영하고 결과를 전체 모집단에 투영할 수 있습니다.

"작고 스마트한" 데이터에서 "빅 데이터", "크고 스마트한" 데이터로의 이러한 발전은 오늘날 단일 소스 데이터를 대규모로 활용하고 일상적인 마케팅 결정을 지원할 수 있는 충분한 정밀도로 활용할 수 있게 해줍니다.

물론 정밀도의 다음 국경이 남아 있습니다. 예를 들어, 시계를 결합하고 데이터 세트를 구입할 때 많은 질문이 발생합니다. 일부 데이터는 개인 수준이고 일부는 세대 수준입니다. Fruit Loops 광고를 보는 사람이 반드시 과일 루프를 구입하는 사람은 아닙니다. 구매 영향력에 대한 중요한 질문, 즉 누군가가 무언가를보고 다른 사람이 무언가를 사게하는 중요한 질문을 푸는 것은 오늘날에도 여전히 매우 어렵습니다. 디지털 광고의 가시성은 사기와 마찬가지로 봇 트래픽과 디지털 노출이 사기성으로 증가하는 다른 많은 방법과 마찬가지로 또 다른 중요한 과제입니다. 이러한 도전 과제를 해결하면 핵심 질문에 대한 우리의 대답, 즉 시청이 구매에 어떤 영향을 미치는지에 대한 우리의 대답이 훨씬 더 정확해질 것입니다.

궁극적으로, 단일 소스 데이터 세트에 기여하는 데이터 소스는 거의 실시간, 정확, 완전하고 포괄적이어야하며이를 보정하는 데 사용되는 방법론은 결과를 전체 모집단에 투영 할 수 있어야한다는 것을 인식하는 것이 중요합니다.