Kaip įrodyti reklamos poveikį pardavimams
Didžiausia klaida rinkodaros analitikoje – koreliacijos supainiojimas su priežastingumu. Jeigu įmonė pastebi, kad paleidus retargetingo reklamos kampaniją išaugo pardavimai, ji skubotai daro išvadą, kad tai reklamos nuopelnas. Tačiau statistikoje tai yra tik koreliacija. Norint gauti papildomų investicijų iš finansų direktoriaus, privalote tiksliai suprasti, kaip įrodyti reklamos poveikį pardavimams naudojant priežastinio ryšio nustatymo metodologiją.
Koreliacija ≠ Priežastingumas rinkodaroje
Klasikinis pavyzdys: ledų pardavimai ir skendimų skaičius vasarą stipriai koreliuoja. Tačiau tai nereiškia, kad ledų valgymas sukelia skendimus – abu kintamuosius įtakoja trečiasis bendras veiksnys (karštas oras). Rinkodaroje šis trečiasis veiksnys (angl. confounding variable) gali būti algų mokėjimo dienos, kalėdinis sezonas, konkurentų kainų pokyčiai ar tiesiog natūraliai didelis vartotojo ketinimas pirkti. Pavyzdžiui, retargetingo auditorija jau nori pirkti jūsų prekę, tad jie konvertuotųsi ir be reklamos.
Mokslinė strategija: kaip įrodyti reklamos poveikį pardavimams
Siekiant sukurti neginčijamus priežastingumo įrodymus, naudojama Nobelio premijos laureato Judea Pearl priežastinio ryšio teorija ir potencialių baigčių (angl. Potential Outcomes) modelis:
- Kontrafaktinis modeliavimas (Counterfactual Analysis): Mes privalome atsakyti į klausimą: „Kas būtų nutikę, jei tiriamam regionui reklama nebūtų rodoma?“. Kadangi vienu metu abiejų scenarijų stebėti negalime, mes statistiškai atkuriame šį trūkstamą scenarijų.
- Atsitiktinis grupių padalinimas (Randomization): Vykdomas geo lift eksperimentas, kur regionai padalinami į testo ir kontrolės grupes. Kadangi regionai skiriasi savo pradine rinka, matematika sukuria svorinį kontrolinių miestų derinį (sintetinę kontrolę), kuris idealiai atkartoja testo grupės elgseną istoriniame etape.
- Statistinis reikšmingumas (Hypothesis Testing): Tikriname nulinę hipotezę ($H_0$): reklama neturi jokio poveikio pardavimams. Jeigu eksperimento p-reikšmė yra mažesnė nei 0.05 (p < 0.05), nulinę hipotezę atmetame ir moksliškai įrodome priežastinį ryšį.
Praktinis TestLift sprendimas
Statistinis modeliavimas yra vienintelis objektyvus atsakymas, kaip įrodyti reklamos poveikį pardavimams, nepaliekant vietos spėlionėms ar platformų šališkumui. TestLift pritaiko šias pažangias akademines metodikas, pateikdamas finansų skyriui suprantamą ataskaitą su tiksliais inkrementalaus pelno ir ROI skaičiavimais.
Moksliniai Tyrimai / Scholar References
- Tyrimas 1: Judea Pearl (2009). "Causality: Models, Reasoning, and Inference". Cambridge University Press. Pagrindinis priežastinio ryšio teorijos darbas, aprašantis struktūrinius priežastinius modelius (SCM).
- Tyrimas 2: Rubin, D. B. (1974). "Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies". Journal of Educational Psychology. Rubino priežastingumo modelis (RCM) ir potencialių baigčių teorija.
- Tyrimas 3: Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). "Identification of Causal Effects Using Instrumental Variables". Journal of the American Statistical Association. Tyrimas apie eksperimentinį kintamųjų izoliavimą.