Nos últimos anos, a criação de grandes conjuntos de dados de fonte única tem sido uma grande vantagem para a indústria de pesquisa publicitária. Na Nielsen Catalina Solutions, estamos combinando dados de vendas em lojas de milhões de residências com informações sobre se essas residências estão ou não expostas a uma determinada campanha publicitária. Examinando o diferencial de vendas entre residências expostas e não expostas, somos capazes de calcular com grande precisão o aumento de vendas gerado por milhares de campanhas.*
O modelo ANCOVA (análise de covariância) que forma a base desta metodologia de teste e controle foi exaustivamente testado, e fornece respostas rápidas e confiáveis aos gerentes de marca interessados em medir a eficácia de uma campanha como um todo. Mas há ocasiões em que não se encaixa bem na conta. Considere, por exemplo, o caso de uma campanha que atingiu um público tão grande que é quase impossível encontrar lares que não foram expostos a ela (veja a Fig. 1). Onde encontraríamos o grupo de controle?
Para enfrentar este desafio, desenvolvemos uma nova metodologia chamada 'Cognitive Advantics' (CA). Em vez de examinar o aumento das vendas em agregado durante toda a campanha publicitária, ela analisa os dados das vendas domésticas no nível de cada ocasião de compra e leva em conta o tempo de exposição dos anúncios em cada etapa do caminho - uma visão muito mais granular dos dados. Afinal, uma família pode ver um anúncio, fazer uma compra, ver novamente um anúncio da mesma marca, e seria difícil dizer que o segundo anúncio teve alguma influência sobre essa compra em particular. Por outro lado, uma família poderia ver um anúncio, fazer uma compra dois meses depois, e com tanto tempo intermediário, seria difícil concluir que a exposição do anúncio foi o fator determinante por trás dessa compra.
Analisando os dados no nível de compra-ocausão, podemos levar em consideração a "recência" da exposição - quanto mais recente o anúncio, maior o impacto. Embora a janela de tempo efetiva possa variar de estudo para estudo, geralmente olhamos para trás 28 dias a partir do momento da compra para encontrar uma ou mais exposições às quais a ocasião da compra pode ser atribuída (ver Fig. 2). Também somos capazes de resolver o problema do grupo de controle porque embora não haja muitos lares que não tenham sido expostos à campanha em um ponto ou outro, geralmente há ocasiões suficientes de compra que não foram influenciadas por um anúncio logo antes da compra - mesmo entre os lares expostos.
Para realizar a análise, a metodologia CA toma todas as variáveis relevantes (histórico de compras, consumo de mídia, demografia, localização, compras de categoria, etc.), alimenta-as em uma coleção de algoritmos de modelagem de dados e permite que os dados selecionem e combinem os modelos para que os resultados tenham a melhor (ou seja, a mais estatisticamente sólida) validação cruzada. Esta é a parte 'cognitiva' do nome CA. O resultado final é uma ferramenta muito poderosa que depende muito pouco da intervenção humana e pode ser implantada em escala.
À medida que o mercado avança em direção a soluções em tempo real, esta é a próxima evolução na medição da eficácia da publicidade. Os primeiros resultados são muito promissores, e estamos ansiosos para compartilhar detalhes, exemplos e benchmarks de desempenho em uma futura edição da revista.
*Veja detalhes sobre este método em: Usando dados de fonte única para medir a eficácia da publicidade no VOL 1, ISSUE 2 do Nielsen Journal of Measurement.