Przejdź do treści
Spostrzeżenia > Media

Święty Graal reklamy: Łączenie ekspozycji reklamowej ze sprzedażą w sklepie

4 minuty czytania | Leslie Wood, Chief Research Officer, Nielsen Catalina Solutions | lipiec 2016 r.

Skąd wiadomo, czy reklama działa? Czy istnieje sposób na bezpośrednie zmierzenie wyników sprzedaży konsumentów wystawionych na działanie kampanii reklamowej?

Naukowcy i marketerzy zmagali się z mierzeniem efektywności reklamy przez dziesięciolecia. W latach siedemdziesiątych i wczesnych osiemdziesiątych, skupili się na efektach opóźnienia, wskaźniki rozkładu, adstock, współczynniki opóźnienia, i pół życia. W latach 90-tych, gra-zmiana pracy wykazały, że długoterminowy efekt reklamy jest w przybliżeniu równa dwa razy wartość jego krótkoterminowego efektu. Przemysł robił postępy w jego zrozumieniu skuteczności reklamy na wiele różnych sposobów, ale jeśli chodzi o rzeczywiste porównanie tego, co reklamy ludzie byli narażeni na z tym, co kupili, źródła danych, na których polegał miał tak mało wspólnego, to było niemożliwe, aby wyciągnąć ostateczne połączenia między reklamą i zachowanie starał się wpływać.

Najsilniejsza odpowiedź na tę trudność pojawiła się w postaci danych "jednoźródłowych". Pojedyncze dane źródłowe pozwala śledzić, co grupa ludzi oglądać i co kupić. Ponieważ wiesz, że niektóre były i niektóre nie były narażone na pewne reklamy, można wyizolować sprzedaży napędzane przez to reklamy, kontrolując dla wystarczającej liczby zmiennych, tak że tylko prawdziwa różnica między dwiema grupami są, że jeden zrobił i jeden nie widział reklamy.

Koncepcja ta istnieje od połowy lat 60-tych, ale Projekt Apollo z 2006 r. był pierwszym pilotażowym projektem komercyjnym na dużą skalę, w którym wykorzystano metodologię jednego źródła. Technologia Nielsen Homescan® została wykorzystana do uchwycenia zachowań zakupowych konsumentów i połączona z danymi dotyczącymi ekspozycji telewizyjnej z Arbitron dla kilku głównych firm produkujących dobra konsumpcyjne (CPG).

Bingo - tak jakby. Wiele się dowiedziano. Ale zebranie wszystkiego z gospodarstwa domowego lub osoby - zarówno tego, co oglądają, jak i tego, co kupują - było kosztowne, więc ceną za precyzję było to, że dane były małe. Panel Apollo obejmował około 11 000 osób w 5 000 gospodarstw domowych - nie był wystarczająco duży, aby przedstawić wyniki na poziomie szczegółowości potrzebnym dla małych marek.

Dziś jednak możemy tworzyć jednoźródłowe zbiory danych poprzez łączenie zbiorów danych o transakcjach na wymaganą skalę. Zbiory danych są łączone i anonimizowane przez stronę trzecią za pomocą wspólnego identyfikatora w każdym zbiorze danych, aby stworzyć pojedynczy zbiór danych pokazujący, jak zakupy gospodarstw domowych osób narażonych na daną reklamę różnią się od tych, które nie były narażone, wyodrębniając efekt sprzedaży kampanii reklamowej.

Takie zbiory danych są trudne do stworzenia. Jak odtworzyć precyzję małych danych w skali big data? Czerpiemy z danych o częstych klientach, danych z dekoderów, danych z ciasteczek - krótko mówiąc, ze wszystkich big data, które możemy zebrać. Ale żadne big data nie jest kompletne. Na przykład w przypadku danych z dekoderów nie zawsze można stwierdzić, czy telewizor jest włączony i kto go ogląda (więcej na ten temat w artykule "Wartość paneli w modelowaniu big data" w tym numerze). Nawet w przypadku 90 milionów osób w naszej bazie danych dotyczącej osób często robiących zakupy, nie możemy stwierdzić, jakie inne zakupy robią bez swoich kart lojalnościowych.

Jednym z rozwiązań jest wzięcie prawdziwie kompletnego zbioru danych i wykorzystanie go do "kalibracji" zbioru dużych danych. W naszym przypadku bierzemy dane Homescan, które śledzą każdy zakup dokonany przez 100 000 gospodarstw domowych. Jeśli "porównamy" Homescan z naszą bazą danych osób robiących częste zakupy, okaże się, że zbiory danych pokrywają się. Teraz możesz zobaczyć, dla osób z obu baz danych, jakich zakupów brakuje w bazie częstych klientów. Możesz następnie wymodelować tę lukę tak, aby odzwierciedlała pełne wzorce zakupów dla dużej bazy danych, a wyniki przenieść na całą populację.

Ta progresja od "małych i inteligentnych" danych do "dużych i inteligentnych" danych jest tym, co sprawia, że dane z jednego źródła mogą być dziś wykorzystywane na skalę i z wystarczającą precyzją, aby wspierać codzienne decyzje marketingowe.

Oczywiście, pozostaje jeszcze kolejna granica precyzji. Na przykład, wiele pytań pojawia się, gdy łączymy zestawy danych o zegarkach i zakupach. Niektóre z danych są na poziomie osoby, niektóre na poziomie gospodarstwa domowego. Osoba oglądająca reklamę Fruit Loops niekoniecznie jest osobą kupującą Fruit Loops. To wciąż bardzo trudne dzisiaj, aby rozplątać ważną kwestię wpływu zakupu - to jest, gdy ktoś ogląda coś i dostaje ktoś inny kupić coś. Viewability reklam cyfrowych jest kolejnym ważnym wyzwaniem, podobnie jak oszustwa - ruch botowy i wiele innych sposobów, w których ekspozycja cyfrowa jest nieuczciwie zwiększona. Rozwiązanie tych wyzwań sprawi, że nasza odpowiedź na główne pytanie - jaki wpływ ma oglądanie na zakup - będzie o wiele bardziej precyzyjna.

W ostatecznym rozrachunku ważne jest, aby zdać sobie sprawę, że źródła danych, które przyczyniają się do powstania zestawów danych jednoźródłowych, muszą być niemalże w czasie rzeczywistym, dokładne, kompletne i wyczerpujące, a metodologie stosowane do ich kalibrowania muszą być w stanie przewidzieć wyniki dla całej populacji.