Negli ultimi anni, la creazione di grandi insiemi di dati da un'unica fonte ha rappresentato un grande vantaggio per il settore della ricerca pubblicitaria. Noi di Nielsen Catalina Solutions combiniamo i dati sulle vendite in negozio di milioni di famiglie con le informazioni relative all'esposizione o meno di tali famiglie a una determinata campagna pubblicitaria. Esaminando il differenziale di vendite tra le famiglie esposte e quelle non esposte, siamo in grado di calcolare con grande precisione l'incremento delle vendite generato da migliaia di campagne pubblicitarie*.
Il modello ANCOVA (analisi della covarianza) che costituisce la base di questa metodologia di test e controllo è stato accuratamente testato e fornisce risposte rapide e affidabili ai brand manager interessati a misurare l'efficacia di una campagna nel suo complesso. Ma ci sono occasioni in cui non è del tutto adatto. Consideriamo, ad esempio, il caso di una campagna che ha raggiunto un pubblico così vasto che è quasi impossibile trovare famiglie che non siano state esposte alla campagna (vedi Fig. 1). Dove trovare il gruppo di controllo?
Per affrontare questa sfida, abbiamo sviluppato una nuova metodologia chiamata "Cognitive Advantics" (CA). Invece di esaminare l'aumento delle vendite in forma aggregata nel corso dell'intera campagna pubblicitaria, questa metodologia analizza i dati di vendita delle famiglie a livello di ogni occasione di acquisto e tiene conto della tempistica dell'esposizione agli annunci in ogni fase del percorso: un'analisi molto più granulare dei dati. Dopo tutto, una famiglia potrebbe vedere un annuncio, fare un acquisto, vedere di nuovo un annuncio per lo stesso marchio, e difficilmente potremmo dire che il secondo annuncio ha avuto una qualche influenza su quel particolare acquisto. Al contrario, una famiglia potrebbe vedere un annuncio, fare un acquisto due mesi dopo e, con tutto questo tempo in mezzo, sarebbe difficile concludere che l'esposizione all'annuncio sia stato il fattore determinante per quell'acquisto.
Analizzando i dati a livello di occasione d'acquisto, siamo in grado di prendere in considerazione la "recency" dell'esposizione: più recente è l'annuncio, maggiore è l'impatto. Anche se la finestra temporale effettiva può variare da uno studio all'altro, in genere guardiamo indietro di 28 giorni dal momento dell'acquisto per trovare una o più esposizioni a cui possa essere attribuita l'occasione di acquisto (vedi Fig. 2). Siamo anche in grado di risolvere il problema del gruppo di controllo perché, se è vero che non ci sono molte famiglie che non sono state esposte alla campagna in un momento o nell'altro, in genere ci sono abbastanza occasioni di acquisto che non sono state influenzate da un annuncio subito prima dell'acquisto, anche tra le famiglie esposte.
Per eseguire l'analisi, la metodologia CA prende tutte le variabili rilevanti (cronologia degli acquisti, consumo di media, dati demografici, ubicazione, categoria di acquisti, ecc.), le inserisce in una serie di algoritmi di modellazione dei dati e permette ai dati di scegliere e combinare i modelli in modo che i risultati abbiano la migliore convalida incrociata (cioè la più solida statisticamente). Questa è la parte "cognitiva" del nome CA. Il risultato finale è uno strumento molto potente che si basa pochissimo sull'intervento umano e che può essere distribuito su scala.
Poiché il mercato si sta muovendo verso soluzioni in tempo reale e a pulsante, questa è la prossima evoluzione nella misurazione dell'efficacia pubblicitaria. I primi risultati sono molto promettenti e non vediamo l'ora di condividere dettagli, esempi e benchmark di performance in una prossima edizione della rivista.
*Per maggiori dettagli su questo metodo si veda: Using single-source data to measure advertising effectiveness in VOL 1, ISSUE 2 of the Nielsen Journal of Measurement.