跳转到内容
洞察力>媒体

广告的圣杯。将广告曝光与店内销售联系起来

4分钟阅读|Leslie Wood,尼尔森卡特琳娜解决方案首席研究官|2016年7月

你怎么知道广告是否有效?是否有办法直接衡量消费者接触广告活动的销售结果?

学者和营销人员几十年来一直在为衡量广告效果而努力。在20世纪70年代和80年代初,他们专注于滞后效应、衰减率、adstock、滞后系数和半衰期。在20世纪90年代,改变游戏规则的工作表明,广告的长期效果大约等于其短期效果的两倍。该行业在理解广告效果方面取得了许多不同的进展,但当它实际比较人们接触到的广告和他们购买的广告时,它所依赖的数据来源几乎没有共同之处,不可能在广告和它试图影响的行为之间建立明确的联系。

对这一困难最有力的回应是以 "单一来源 "数据的形式出现。单一来源的数据允许你跟踪一群人看什么和买什么。因为你知道有些人接触过某些广告,有些人没有接触过,你可以通过控制足够多的变量来分离出由广告驱动的销售,这样你的两组人之间唯一真正的区别就是一个看到了广告,一个没有看到。

这个概念从1960年代中期就已经存在,但2006年的阿波罗项目是第一个利用单一来源方法的大规模商业试点。尼尔森Homescan®技术被用来捕捉消费者的购买行为,并与Arbitron为几家主要的消费包装商品(CPG)公司提供的电视曝光数据相结合。

中奖了--有点儿。我们学到了很多东西。但是,从一个家庭或个人那里收集所有的东西--包括他们看什么和买什么--是很昂贵的,所以精确的代价是数据是小数据。阿波罗小组包括5000个家庭中的大约11000人--规模不够大,无法在小品牌所需的颗粒度水平上报告调查结果。

然而,今天,我们可以通过合并交易数据集来创建所需规模的单一来源数据集。数据集由第三方通过每个数据集的共享标识符进行链接和匿名化,以创建一个单一的数据集,显示那些暴露在特定广告下的家庭购买与那些没有暴露的家庭购买有什么不同,从而隔离广告活动的销售效果。

这些数据集是很难创建的。你如何在大数据的规模上复制小数据的精度?我们利用频繁购物者的数据、机顶盒数据、来自cookies的数据--总之,我们能收集的所有大数据。但没有一个大数据是完整的。例如,通过机顶盒数据,你不一定能知道电视机是否打开,也不一定能知道谁在看电视(关于这一点,请参见本期的《大数据建模中的面板价值》)。即使我们的常客数据库中有9000万人,如果没有他们的会员卡,我们也无法知道他们在进行哪些其他的消费。

一个解决方案是采取一个真正完整的数据集,并使用它来 "校准 "大数据数据集。在我们的案例中,我们采用了我们的Homescan数据,它追踪了100,000个家庭的每一次购买。如果你将Homescan与我们的经常购物者数据库进行 "比较",你会发现这两个数据集之间有重叠。现在你可以看到,对于两个数据库中的人来说,经常购物者数据库中缺少哪些购买行为。然后,你可以对这一差距进行建模,以反映大数据库的全部购买模式,并将结果投射到总人口。

这种从 "小而精 "的数据到 "大数据 "再到 "大而精 "的数据的发展,使得今天有可能大规模地利用单一来源的数据,并有足够的精度来支持日常的营销决策。

当然,在精确性方面仍有下一个前沿领域。例如,当你把手表和购买的数据集结合起来时,会出现很多问题。有些数据是个人层面的,有些是家庭层面的。观看水果圈广告的人不一定是购买水果圈的人。今天,要解开购买影响力这一重要问题仍然非常困难--也就是说,当某人观看某样东西并让其他人购买某样东西。数字广告的可看性是另一个重要的挑战,欺诈也是如此--机器人流量和许多其他以欺诈方式增加数字曝光的方式。解决这些挑战将使我们对核心问题--观看对购买有什么影响--的回答更加精确。

最终,重要的是要认识到,为单一来源数据集做出贡献的数据源需要接近实时、准确、完整和全面,而且用于校准的方法必须能够将结果投射到总人口。