최근 몇 년 동안 대규모 단일 소스 데이터 세트를 만드는 것은 광고 연구 업계에 큰 이익이되었습니다. Nielsen Catalina Solutions에서는 수백만 가구의 매장 내 판매 데이터와 해당 가구가 특정 광고 캠페인에 노출되는지 여부에 대한 정보를 결합하고 있습니다. 노출된 가구와 노출되지 않은 가구 간의 판매 차이를 조사함으로써 수천 개의 캠페인에서 발생한 판매 증가를 매우 정확하게 계산할 수 있습니다.*

이 테스트 및 제어 방법론의 기초를 형성하는 ANCOVA (공분산 분석) 모델은 철저히 테스트되었으며 캠페인 전체의 효과를 측정하는 데 관심이있는 브랜드 관리자에게 빠르고 신뢰할 수있는 답변을 제공합니다. 그러나 법안에 맞지 않는 경우가 있습니다. 예를 들어, 너무 많은 청중에게 도달 한 캠페인의 경우를 고려하면 노출되지 않은 가정을 찾는 것이 거의 불가능합니다 (그림 1 참조). 제어 그룹은 어디에서 찾을 수 있습니까?

이러한 과제를 해결하기 위해 우리는 '인지 보조'(CA)라는 새로운 방법론을 개발했습니다. 전체 광고 캠페인 과정에서 매출 상승을 종합적으로 검토하는 대신 각 구매 시기의 수준에서 가계 판매 데이터를 분석하고 모든 단계에서 광고 노출 타이밍을 고려하여 데이터를 훨씬 더 세부적으로 살펴봅니다. 결국, 가정은 광고를보고, 구매를하고, 동일한 브랜드에 대한 광고를 다시 볼 수 있으며, 두 번째 광고가 특정 구매에 영향을 미쳤다고 말하기가 어려울 것입니다. 반대로, 가정은 광고를 보거나 두 달 후에 구매할 수 있으며, 그 사이에 너무 많은 시간이 걸리면 광고 노출이 그 구매의 결정적인 요소라고 결론 내리기가 어려울 것입니다.

구매 기회 수준에서 데이터를 분석함으로써 노출 '최신성'을 고려할 수 있습니다 - 광고가 최신일수록 영향력이 커집니다. 유효 기간은 연구마다 다를 수 있지만, 일반적으로 구매 시점으로부터 28 일을 되돌아보고 구매 사례가 기인 할 수있는 하나 이상의 노출을 찾습니다 (그림 2 참조). 또한 통제 그룹 문제를 해결할 수 있는 이유는 한 시점 또는 다른 시점에서 캠페인에 노출되지 않은 가구가 많지 않을 수도 있지만, 일반적으로 노출 된 가구 중에서도 구매 직전에 광고의 영향을받지 않은 구매 사례가 충분하기 때문입니다.

분석을 수행하기 위해 CA 방법론은 모든 관련 변수 (구매 내역, 미디어 소비, 인구 통계, 위치, 카테고리 구매 등)를 취하여 데이터 모델링 알고리즘 모음에 공급하고 데이터가 모델을 선택하고 결합하여 결과가 최상의 (즉, 통계적으로 가장 건전한) 교차 검증을 갖도록 허용합니다. 이것은 CA 이름에서 '인지적' 부분입니다. 최종 결과는 인간의 개입에 거의 의존하지 않고 대규모로 배치 할 수있는 매우 강력한 도구입니다.

시장이 실시간 푸시 버튼 솔루션으로 이동함에 따라 이는 광고 효과 측정의 다음 진화입니다. 초기 결과는 매우 유망하며, 향후 저널에서 세부 사항, 예제 및 성능 벤치 마크를 공유하기를 고대하고 있습니다.

*이 방법에 대한 자세한 내용은 단일 소스 데이터를 사용하여 Nielsen Journal of Measurement의 VOL 1, ISSUE 2에서 광고 효과를 측정하십시오.