Pular para o conteúdo
Insights > Mídia

O Santo Graal da Publicidade: Conectando as exposições de anúncios às vendas na loja

4 minutos de leitura | Leslie Wood, Diretor de Pesquisa, Nielsen Catalina Solutions | Julho 2016

Como você sabe se a publicidade funciona? Existe uma maneira de medir diretamente os resultados de vendas dos consumidores expostos a uma campanha publicitária?

Estudiosos e marqueteiros têm lutado para medir a eficácia da publicidade durante décadas. Nos anos 70 e início dos anos 80, eles se concentraram nos efeitos de defasagem, taxas de decadência, adstock, coeficientes de defasagem e meia-vida. Nos anos 90, o trabalho de mudança de jogo demonstrou que o efeito a longo prazo da publicidade é aproximadamente o dobro do valor de seu efeito a curto prazo. A indústria estava progredindo em seu entendimento da eficácia da publicidade de muitas maneiras diferentes, mas quando se tratava realmente de comparar quais anúncios as pessoas estavam expostas com o que elas compravam, as fontes de dados em que se baseavam tinham tão pouco em comum, era impossível estabelecer conexões definitivas entre a publicidade e o comportamento que ela procurava influenciar.

A resposta mais poderosa a esta dificuldade veio sob a forma de dados de "fonte única". Dados de fonte única permitem rastrear o que um grupo de pessoas observa e o que elas compram. Como você sabe que algumas foram e outras não foram expostas a determinada publicidade, você pode isolar as vendas impulsionadas por essa publicidade, controlando por variáveis suficientes para que a única diferença real entre seus dois grupos seja que um viu e o outro não viu a publicidade.

O conceito existe desde meados dos anos 60, mas o Projeto Apollo em 2006 foi o primeiro piloto comercial em larga escala que alavancou metodologias de fonte única. A tecnologia Nielsen Homescan® foi utilizada para capturar o comportamento de compra do consumidor e combinada com dados de exposição televisiva da Arbitron para várias grandes empresas de embalagens de bens de consumo (CPG).

Bingo - mais ou menos. Muito foi aprendido. Mas coletar tudo de uma casa ou pessoa - tanto o que eles observavam como o que eles comprem - era caro, então o preço da precisão era que os dados eram dados pequenos. O painel Apollo incluía cerca de 11.000 pessoas em 5.000 lares - não suficientemente grandes para relatar os resultados no nível de granularidade necessário para marcas pequenas.

Hoje, no entanto, podemos criar conjuntos de dados de fonte única através da fusão de conjuntos de dados de transações na escala necessária. Os conjuntos de dados são ligados e anonimizados por um terceiro através de um identificador compartilhado em cada conjunto de dados para criar um único conjunto de dados mostrando como as compras domésticas das pessoas expostas a determinada publicidade diferem daquelas que não foram expostas, isolando o efeito de vendas da campanha publicitária.

Estes conjuntos de dados são difíceis de criar. Como replicar a precisão de pequenos dados na escala dos grandes dados? Nós nos baseamos em dados de compradores frequentes, dados de set-top boxes, dados de cookies - em resumo, todos os grandes dados que podemos reunir. Mas nenhum dado grande é completo. Por exemplo, com dados do set-top box, você nem sempre pode dizer se o aparelho de TV está ligado ou quem está assistindo (para mais informações sobre isto, veja "O valor dos painéis na modelagem de grandes dados" nesta edição). E mesmo com 90 milhões de pessoas em nosso banco de dados de compradores freqüentes, não podemos dizer que outras compras eles estão fazendo sem seus cartões de fidelidade.

Uma solução é pegar um conjunto de dados genuinamente completo e usá-lo para "calibrar" o grande conjunto de dados. Em nosso caso, tomamos nossos dados Homescan, que rastreia cada compra feita por 100.000 residências. Se você "comparar" o Homescan com nosso banco de dados de compradores frequentes, você encontrará sobreposições entre os conjuntos de dados. Agora você pode ver, para as pessoas em ambos os bancos de dados, que compras estão faltando no banco de dados de compradores freqüentes. Você pode então modelar essa lacuna para refletir os padrões completos de compras para o grande banco de dados, e projetar os resultados para a população total.

Esta progressão de dados "pequenos e inteligentes" para dados "grandes" para dados "grandes e inteligentes" é o que torna possível que dados de fonte única sejam alavancados em escala hoje, e com precisão suficiente para apoiar as decisões diárias de marketing.

É claro que ainda há uma próxima fronteira de precisão. Por exemplo, muitas perguntas surgem quando se combinam relógios e conjuntos de dados. Alguns dos dados são de nível pessoal, outros são de nível doméstico. A pessoa que assiste ao comercial dos Fruit Loops não é necessariamente a pessoa que compra os Fruit Loops. Ainda hoje é muito difícil desembaraçar a importante questão da influência da compra - isto é, quando alguém assiste a algo e consegue que outra pessoa compre algo. A visibilidade dos anúncios digitais é outro desafio importante, assim como a fraude - o tráfego de bot e as muitas outras formas em que a exposição digital é fraudulentamente aumentada. A solução destes desafios tornará nossa resposta à pergunta central - que efeito tem a observação na compra - muito mais precisa.

Por fim, é importante reconhecer que as fontes de dados que contribuem para os conjuntos de dados de fonte única precisam ser quase em tempo real, precisas, completas e abrangentes, e as metodologias usadas para calibrá-las devem ser capazes de projetar os resultados para a população total.