Kampanijos testavimas skirtinguose miestuose
Geografinis kampanijos testavimas skirtinguose miestuose yra viena patikimiausių metodologijų reklamos inkrementalumui nustatyti. Kadangi skirtinguose miestuose skiriasi gyventojų skaičius, ekonominis aktyvumas ir vartotojų elgsena, sėkmingam tyrimui reikalingas griežtas matematinis regionų suderinimas.
Miestų parinkimo strategija Lietuvoje
Lietuvos rinkos struktūra pasižymi dideliais demografiniais ir ekonominiais netolygumais. Vilnius ir Kaunas kartu sugeneruoja didžiąją dalį šalies vartojimo, todėl juos privaloma laikyti atskirai – tai stipriausia lyginamoji pora Lietuvoje. Planuojant kampanijos testavimą skirtinguose miestuose, dažniausiai naudojama ši struktūra:
- Vilnius (Testo grupė): Miestas, kuriame aktyviai transliuojama jūsų reklamos kampanija (su griežtu geografiniu taikinimu).
- Kaunas, Klaipėda ir kiti regionai (Kontrolinė grupė): Teritorijos, kuriose reklamos transliacija yra visiškai išjungiama eksperimento laikotarpiui.
Sintetinės kontrolės metodas (Synthetic Control)
Kadangi Kaunas ar kiti miestai nėra tobulas Vilniaus atitikmuo, TestLift naudoja MIT profesoriaus Alberto Abadie sukurtą sintetinės kontrolės metodą. Vietoj to, kad tiesiog lygintume Vilniaus pardavimus su Kauno pardavimais, mes sukuriame matematinį Vilniaus kloną iš visų kontrolinių regionų istorinių pardavimų. Šis klonas yra svorinis regionų derinys:
Šis klonas istoriniame pre-test laikotarpyje idealiai atkartoja Vilniaus pardavimų kreivę. Paleidus reklamą Vilniuje, bet koks faktinių pardavimų nuokrypis nuo šio klono prognozės atskleidžia grynajį reklamos poveikį.
Išorinių triukšmo faktorių eliminavimas
Kai vykdomas mokslinis kampanijos testavimas skirtinguose miestuose, matematika automatiškai atsižvelgia į makroekonominius veiksnius, konkurentų aktyvumą ar sezoniškumą abiejose grupėse. Tai užtikrina, kad gauti rezultatai yra objektyvus įrodymai jūsų įmonės vadovybei. TestLift padeda jūsų verslui suprojektuoti šį miestų paskirstymą remiantis jūsų istoriniais pardavimų dėsningumais.
Moksliniai Tyrimai / Scholar References
- Tyrimas 1: Abadie, A., Diamond, A., & Hainmueller, J. (2010). "Synthetic Control Methods for Comparative Case Studies". Journal of the American Statistical Association. Esminis darbas, aprašantis sintetinės kontrolės modelį.
- Tyrimas 2: Brodersen, K. H., et al. (2015). "Inferring Causal Impact Using Bayesian Structural Time-Series Models". Annals of Applied Statistics. Google sukurta CausalImpact metodika, skirta efekto matavimui.
- Tyrimas 3: Abadie, A., & Gardeazabal, O. (2003). "The Economic Costs of Conflict: A Synthetic Control Approach". American Economic Review. Pirmasis sintetinės kontrolės metodo praktinis pritaikymas ekonomikoje.