W ostatnich latach, tworzenie dużych, jednoźródłowych zbiorów danych stało się wielkim dobrodziejstwem dla branży badań reklamowych. W Nielsen Catalina Solutions, łączymy dane dotyczące sprzedaży w sklepie z milionów gospodarstw domowych z informacjami na temat tego, czy te gospodarstwa domowe są narażone na daną kampanię reklamową. Poprzez badanie różnicy w sprzedaży pomiędzy gospodarstwami domowymi, które były i nie były eksponowane, jesteśmy w stanie obliczyć wzrost sprzedaży generowany przez tysiące kampanii z dużą dokładnością.*
Model ANCOVA (analiza kowariancji), który stanowi podstawę tej metodologii testowo-kontrolnej, został dokładnie przetestowany i dostarcza szybkich i wiarygodnych odpowiedzi brand managerom zainteresowanym mierzeniem efektywności kampanii jako całości. Są jednak sytuacje, w których nie do końca się on sprawdza. Rozważmy na przykład przypadek kampanii, która dotarła do tak dużej grupy odbiorców, że niemal niemożliwe jest znalezienie gospodarstw domowych, które nie miały z nią styczności (patrz rys. 1). Gdzie znaleźlibyśmy grupę kontrolną?
Aby sprostać temu wyzwaniu, opracowaliśmy nową metodologię zwaną "Cognitive Advantics" (CA). Zamiast analizować wzrost sprzedaży w ujęciu zbiorczym w trakcie całej kampanii reklamowej, analizuje ona dane dotyczące sprzedaży w gospodarstwach domowych na poziomie każdej okazji zakupowej i uwzględnia czas ekspozycji reklamy na każdym kroku - jest to znacznie bardziej szczegółowe spojrzenie na dane. Po tym wszystkim, gospodarstwo domowe może zobaczyć reklamę, dokonać zakupu, zobaczyć reklamę ponownie dla tej samej marki, a my trudno powiedzieć, że druga reklama miała jakikolwiek wpływ na ten konkretny zakup. I odwrotnie, gospodarstwo domowe może zobaczyć reklamę, dokonać zakupu dwa miesiące później, a z tak dużą ilością czasu pomiędzy, trudno byłoby stwierdzić, że ekspozycja reklamy była czynnikiem decydującym o tym zakupie.
Analizując dane na poziomie okazji zakupowej, jesteśmy w stanie wziąć pod uwagę "recency" ekspozycji - im bardziej aktualna reklama, tym większy wpływ. Chociaż efektywne okno czasowe może się różnić w zależności od badania, zazwyczaj patrzymy 28 dni wstecz od czasu zakupu, aby znaleźć jedną lub więcej ekspozycji, do których można przypisać okazję zakupu (patrz rys. 2). Jesteśmy również w stanie rozwiązać problem grupy kontrolnej, ponieważ chociaż może nie być wielu gospodarstw domowych, które nie były narażone na kampanię w tym czy innym momencie, to zazwyczaj istnieje wystarczająco dużo okazji do zakupu, na które nie miała wpływu reklama tuż przed zakupem - nawet wśród narażonych gospodarstw domowych.
Aby przeprowadzić analizę, metodologia CA bierze wszystkie istotne zmienne (historię zakupów, konsumpcję mediów, dane demograficzne, lokalizację, zakupy kategorii itp.), wprowadza je do zbioru algorytmów modelowania danych i pozwala na wybieranie i łączenie modeli tak, aby wyniki miały najlepszą (tj. najbardziej statystycznie uzasadnioną) walidację krzyżową. To jest ta "poznawcza" część w nazwie CA. Efektem końcowym jest bardzo potężne narzędzie, które w bardzo niewielkim stopniu opiera się na interwencji człowieka i może być wdrażane na skalę.
Ponieważ rynek zmierza w kierunku rozwiązań działających w czasie rzeczywistym, jest to kolejna ewolucja w pomiarze efektywności reklamy. Wczesne wyniki są bardzo obiecujące i nie możemy się doczekać, aby podzielić się szczegółami, przykładami i benchmarkami wydajności w przyszłym wydaniu czasopisma.
![](https://www.nielsen.com/wp-content/uploads/sites/2/2019/04/snapshot120-20fig1.png)
![](https://www.nielsen.com/wp-content/uploads/sites/2/2019/04/snapshot120-20fig2.png)
*Szczegóły dotyczące tej metody w: Using single-source data to measure advertising effectiveness w VOL 1, ISSUE 2 of the Nielsen Journal of Measurement.