최근 몇 년 동안 대규모 단일 소스 데이터 세트의 생성은 광고 리서치 업계에 큰 도움이 되었습니다. Nielsen Catalina Solutions는 수백만 가구의 매장 내 판매 데이터와 해당 가구가 특정 광고 캠페인에 노출되는지 여부에 대한 정보를 결합하고 있습니다. 노출된 가구와 노출되지 않은 가구 간의 매출 차이를 조사하여 수천 개의 캠페인에서 생성된 매출 증대를 매우 정확하게 계산할 수 있습니다.*

이 테스트 및 통제 방법론의 기초를 형성하는 ANCOVA(공분산 분석) 모델은 철저한 테스트를 거쳤으며, 캠페인 전체의 효과를 측정하는 데 관심이 있는 브랜드 관리자에게 빠르고 신뢰할 수 있는 답변을 제공합니다. 그러나 법안에 맞지 않는 경우가 있습니다. 예를 들어, 너무 많은 청중에게 도달하여 노출되지 않은 가구를 찾는 것이 거의 불가능한 캠페인의 경우를 생각해 보십시오(그림 1 참조). 대조군은 어디에서 찾을 수 있을까요?

이 문제를 해결하기 위해 우리는 '인지 어드밴틱스'(CA)라는 새로운 방법론을 개발했습니다. 전체 광고 캠페인 과정에서 매출 증대를 종합적으로 조사하는 대신, 각 구매 기회 수준에서 가계 판매 데이터를 분석하고 모든 단계에서 광고 노출 시기를 고려하여 데이터를 훨씬 더 세부적으로 살펴봅니다. 어쨌든 한 가정이 광고를 보고, 구매하고, 같은 브랜드의 광고를 다시 볼 수 있고, 두 번째 광고가 특정 구매에 영향을 미쳤다고 말하기는 어려울 것입니다. 반대로, 한 가정이 광고를 보고 두 달 후에 구매할 수 있으며, 그 사이에 너무 많은 시간이 있기 때문에 광고 노출이 구매의 결정적인 요소라고 결론을 내리기는 어려울 수 있습니다.

구매 시점 수준에서 데이터를 분석하면 노출 '최신성'을 고려할 수 있으며, 광고가 최신일수록 영향력이 커집니다. 유효 기간은 연구마다 다를 수 있지만, 일반적으로 구매 시점으로부터 28일 후를 거슬러 올라가 구매 기회에 기인할 수 있는 하나 이상의 노출을 찾습니다(그림 2 참조). 또한 대조군 문제도 해결할 수 있는데, 한 번쯤은 캠페인에 노출되지 않은 가구가 많지 않을 수 있지만, 일반적으로 노출된 가구 중에서도 구매 직전에 광고의 영향을 받지 않은 구매 사례가 충분하기 때문입니다.

분석을 수행하기 위해 CA 방법론은 모든 관련 변수(구매 내역, 미디어 소비, 인구 통계, 위치, 카테고리 구매 등)를 가져와서 데이터 모델링 알고리즘 모음에 공급하고 데이터가 모델을 선택하고 결합하여 결과가 최상의 (즉, 통계적으로 가장 건전한) 교차 검증을 갖도록 합니다. CA 이름의 '인식' 부분입니다. 최종 결과는 사람의 개입에 거의 의존하지 않고 대규모로 배포할 수 있는 매우 강력한 도구입니다.

시장이 실시간 푸시 버튼 솔루션으로 이동함에 따라 이는 광고 효과 측정의 다음 진화입니다. 초기 결과는 매우 유망하며, 저널의 향후 판에서 세부 사항, 예제 및 성능 벤치마크를 공유할 수 있기를 기대하고 있습니다.

*이 방법에 대한 자세한 내용은 Nielsen Journal of Measurement의 VOL 1, ISSUE 2에서 단일 소스 데이터를 사용하여 광고 효과 측정 을 참조하십시오.