Dalam beberapa tahun terakhir, pembuatan kumpulan data sumber tunggal yang besar telah menjadi keuntungan besar bagi industri riset periklanan. Di Nielsen Catalina Solutions, kami menggabungkan data penjualan di dalam toko dari jutaan rumah tangga dengan informasi mengenai apakah rumah tangga tersebut terpapar atau tidak dengan kampanye iklan tertentu. Dengan memeriksa perbedaan penjualan antara rumah tangga yang terpapar dan tidak terpapar, kami dapat menghitung peningkatan penjualan yang dihasilkan oleh ribuan kampanye dengan sangat akurat.*
Model ANCOVA (analisis kovarians) yang menjadi dasar dari metodologi uji-dan-kontrol ini telah diuji secara menyeluruh, dan model ini memberikan jawaban yang cepat dan dapat diandalkan bagi manajer merek yang tertarik untuk mengukur efektivitas kampanye secara keseluruhan. Namun, ada kalanya model ini tidak sesuai dengan kebutuhan. Pertimbangkan, misalnya, kasus kampanye yang menjangkau audiens yang begitu besar sehingga hampir tidak mungkin untuk menemukan rumah tangga yang tidak terpapar kampanye tersebut (lihat Gbr. 1). Di mana kita akan menemukan kelompok kontrol?
Untuk mengatasi tantangan ini, kami telah mengembangkan metodologi baru yang disebut 'Cognitive Advantics' (CA). Alih-alih memeriksa peningkatan penjualan secara agregat selama keseluruhan kampanye iklan, metodologi ini menganalisis data penjualan rumah tangga pada tingkat setiap kesempatan pembelian dan memperhitungkan waktu pemaparan iklan di setiap langkahnya - sebuah pandangan yang jauh lebih terperinci pada data. Bagaimanapun, sebuah rumah tangga mungkin melihat sebuah iklan, melakukan pembelian, melihat iklan lagi untuk merek yang sama, dan kita akan sulit untuk mengatakan bahwa iklan kedua memiliki pengaruh terhadap pembelian tersebut. Sebaliknya, sebuah rumah tangga mungkin melihat sebuah iklan, melakukan pembelian dua bulan kemudian, dan dengan begitu banyak waktu di antaranya, akan sulit untuk menyimpulkan bahwa paparan iklan adalah faktor penentu di balik pembelian tersebut.
Dengan menganalisis data pada tingkat kesempatan pembelian, kami dapat mempertimbangkan 'kemutakhiran' eksposur - semakin baru iklan, semakin besar dampaknya. Meskipun rentang waktu efektif dapat bervariasi dari satu studi ke studi lainnya, kami biasanya melihat kembali 28 hari sejak waktu pembelian untuk menemukan satu atau lebih eksposur yang dapat dikaitkan dengan kesempatan pembelian (lihat Gbr. 2). Kami juga dapat memecahkan masalah kelompok kontrol karena meskipun mungkin tidak banyak rumah tangga yang tidak terpapar kampanye pada satu titik tertentu, pada umumnya ada cukup banyak kesempatan pembelian yang tidak dipengaruhi oleh iklan tepat sebelum pembelian-bahkan di antara rumah tangga yang terpapar.
Untuk melakukan analisis, metodologi CA mengambil semua variabel yang relevan (riwayat pembelian, konsumsi media, demografi, lokasi, kategori pembelian, dll.), memasukkannya ke dalam kumpulan algoritme pemodelan data dan memungkinkan data untuk memilih dan menggabungkan model-model tersebut sehingga hasilnya memiliki validasi silang yang terbaik (yaitu, yang paling baik secara statistik). Ini adalah bagian 'kognitif' dalam nama CA. Hasil akhirnya adalah alat yang sangat kuat yang hanya sedikit bergantung pada campur tangan manusia dan dapat digunakan dalam skala besar.
Seiring dengan pergerakan pasar menuju solusi real-time, solusi tombol-tekan, ini adalah evolusi berikutnya dalam pengukuran efektivitas iklan. Hasil awal sangat menjanjikan, dan kami menantikan untuk berbagi rincian, contoh dan tolok ukur kinerja dalam edisi jurnal yang akan datang.
*Lihat detail tentang metode ini di: Menggunakan data sumber tunggal untuk mengukur efektivitas iklan dalam VOL 1, ISSUE 2 dari Jurnal Pengukuran Nielsen.
