Lewati ke konten
02_Elemen/Ikon/PanahKiri Kembali ke Wawasan
Wawasan >

Mengukur Dampak Iklan Satu Pembelian dalam Satu Waktu

3 menit membaca | Leslie Wood, Chief Research Officer, Nielsen Catalina Solutions | Pebruari 2017

Dalam beberapa tahun terakhir, pembuatan kumpulan data sumber tunggal yang besar telah menjadi keuntungan besar bagi industri penelitian periklanan. Di Nielsen Catalina Solutions, kami menggabungkan data penjualan di dalam toko dari jutaan rumah tangga dengan informasi tentang apakah rumah tangga tersebut terpapar atau tidaknya kampanye iklan tertentu. Dengan memeriksa perbedaan penjualan antara rumah tangga yang terpapar dan yang tidak terpapar, kami dapat menghitung peningkatan penjualan yang dihasilkan oleh ribuan kampanye dengan akurasi tinggi.*

Model ANCOVA (analisis kovarians) yang membentuk dasar metodologi pengujian dan kontrol ini telah diuji secara menyeluruh, dan memberikan jawaban yang cepat dan andal kepada manajer merek yang tertarik untuk mengukur efektivitas kampanye secara keseluruhan. Tetapi ada kalanya itu tidak sesuai dengan tagihan. Pertimbangkan, misalnya, kasus kampanye yang menjangkau khalayak yang begitu besar sehingga hampir tidak mungkin menemukan rumah tangga yang tidak terpapar padanya (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 seluruh kampanye iklan, ini menganalisis data penjualan rumah tangga pada tingkat setiap kesempatan pembelian dan memperhitungkan waktu paparan iklan di setiap langkah—pandangan yang jauh lebih terperinci tentang data tersebut. Lagi pula, rumah tangga mungkin melihat iklan, melakukan pembelian, melihat iklan lagi untuk merek yang sama, dan kami akan kesulitan untuk mengatakan bahwa iklan kedua memiliki pengaruh apa pun pada pembelian tersebut. Sebaliknya, rumah tangga mungkin melihat iklan, melakukan pembelian dua bulan kemudian, dan dengan begitu banyak waktu di antaranya, akan sulit untuk menyimpulkan bahwa eksposur iklan adalah faktor penentu di balik pembelian itu.

Dengan menganalisis data di tingkat kesempatan pembelian, kami dapat mempertimbangkan 'kebaruan' eksposur—semakin baru iklan, semakin besar dampaknya. Sementara jendela waktu efektif dapat bervariasi dari studi ke studi, kita umumnya melihat ke belakang 28 hari dari waktu pembelian untuk menemukan satu atau lebih eksposur yang dapat dikaitkan dengan kesempatan pembelian (lihat Gbr. 2). Kami juga dapat menyelesaikan masalah kelompok kontrol karena meskipun mungkin tidak banyak rumah tangga yang belum terpapar kampanye pada satu titik atau lainnya, 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, pembelian kategori, dll.), Memasukkannya ke dalam kumpulan algoritma pemodelan data dan memungkinkan data untuk memilih dan menggabungkan model sehingga hasilnya memiliki validasi silang terbaik (yaitu, paling sehat secara statistik). Ini adalah bagian 'kognitif' dalam nama CA. Hasil akhirnya adalah alat yang sangat kuat yang sangat sedikit bergantung pada intervensi manusia dan dapat digunakan dalam skala besar.

Saat pasar bergerak menuju solusi tombol tekan waktu nyata, ini adalah evolusi berikutnya dalam pengukuran efektivitas iklan. Hasil awal sangat menjanjikan, dan kami berharap dapat berbagi detail, 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 di VOL 1, EDISI 2 dari Nielsen Journal of Measurement.

Lanjutkan menelusuri wawasan serupa