آنچه تبلیغات دیجیتال اشتباه انجام می‌دهد

علی کاشفی باهر:

درباره اثربخشی تبلیغات دیجیتال بسیار مبالغه می‌شود. یک مطالعه گسترده در مورد تبلیغات در eBay نشان داد که اثربخشی تبلیغات جستجوی برند تا 4100٪ بیش از حد تخمین زده شده است. تجزیه و تحلیل مشابه از تبلیغات فیس بوک عدد 4000 درصد را نشان می‌دهد. با وجود تمام داده هایی که داریم ، به نظر می رسد شرکت ها هنوز پاسخی برای سوالی که اولین بار توسط خرده فروش معروف قرن نوزدهم جان وانامایکر مطرح شده ، ندارند: کدام نیمه از بودجه تبلیغاتی شرکت من هدر می رود؟

هرچند باید بتوان به این سوال پاسخ داد ولی چیزی که مانع این است کمبود اطلاعات نیست بلکه یک سردرگمی اساسی بین علیت و همبستگی است.

مغالطه تبدیل(conversion)

وقتی نمایندگان بازاریابی فضای تبلیغاتی را به مشتری می فروشند ، ادعا می کنند که تبلیغات باعث ایجاد یا تغییر رفتار می شوند – پدیده ای که معمولاً lift نامیده می شود. آنها با اشاره به تعداد افرادی که پس از دیدن تبلیغ کالایی را خریداری می کنند – که معمولاً نرخ تبدیل نامیده می شود ، از این ادعا پشتیبانی می کنند.

برای توضیح تفاوت بین این دو به دانشجویانم، آنها را وادار می‌کنم که تصور کنند در روز اول کلاس جلوی در کلاس ایستاده‌ام و به هرکسی که وارد می‌شود جزوه‌ای که تبلیغ کلاس را می‌کند می‌دهم. سپس از آنها میپرسم نرخ تبدیل تبلیغات من چقدر بوده است و همه آنها بدرستی میگویند 100% چون تمام کسانی که این تبلیغات را می‌بینند در کلاس من شرکت می‌کنند. سپس از آنها می‌پرسم تبلیغات من چقدر رفتار شما را تغییر داده است؟ از آنجا که همه آنها مدت‌ها قبل از دیدن تبلیغ در کلاس ثبت نام کرده بودند پاسخ می‌دهند: “هیچی” . پس هرچند که نرخ تبدیل تبلیغات من 100% هست میزان lift یا میزان تغییر رفتاری که تبلیغات من ایجاد می‌کند صفر هست.

گرچه مثال من ساده انگارانه هست ولی کاملا نشان می‌دهد که سردرگمی بین نرخ تبدیل و lift می‌تواند باعث ایجاد مشکلاتی برای محاسبه ROI برای مارکتینگ شود. برندهای بزرگ پول‌های زیادی را به مشاوران می‌دهند تا تبلیغاتشان را به مردمی نشان دهند که بیشترین احتمال خرید را دارند. اما در صورتی که این هدفگیری به سمت کسانی باشد که از قبل برای خرید آماده نشده‌اند. تبدیل از کلیک به پول نقد درآمد جدیدی ایجاد نمی‌کند. نکته مهم در اینکه تبلیغات سودده باشد این است که مردمی را مجاب به خرید کنیم که در غیر اینصورت اینکار را نمی‌کردند.

اندازه‌گیری lift

بیاید بگیم که شما می‌خواهید اندازه‌گیری کنید که آیا (a) پیوستن شدن به ارتش (b) باعث می‌شود که حقوق مادام‌العمر فرد کمتر می‌شود. ما نمی‌توانیم به راحتی حقوق افرادی که وارد ارتش می‌شوند با حقوق افرادی که وارد ارتش نمی‌شوند مقایسه کنیم، زیرا فاکتورهای زیادی هستند که (c) باعث اختلافاتی می‌شوند که ممکن است در اعداد خام مشاهده کنیم.

بطور مثال افرادی که به شغل‌های با درآمد بهتر دسترسی دارند ممکن است به ارتش ملحق نشوند(این b هست که منجر به a می‌شود). یا افرادی با تحصیلات یا حرفه بالاتر ممکن است انتخاب کنند وارد ارتش نشوند(این c هست که منجر به a و b می‌شود)

بنابراین چیزی که در ابتدا بنظر می‌آمد رابطه علیت بین خدمت در ارتش و متوسط دستمزد پایین‌تر باشد، ممکن است به سادگی همبستگی ناشی از این عوامل باشد. بنابراین چالشی که داریم اینست که ضمن کنترل عوامل دیگر در عین حال جدا کردن عواملیست که می‌خواهیم آزمایش کنیم هست.

ما می توانیم این کار را با ایجاد یک گروه کنترل انجام دهیم. اگر به طور تصادفی برخی از افراد را برای عضویت در ارتش تعیین کنیم ، گروهی که عضو آن می شوند (گروه درمانی) به طور متوسط ​​همان آموزش و مهارت (و سن ، جنس ، خلق و خو ، نگرش و غیره) را با گروهی که عضو نمی‌شوند دارند (گروه کنترل). با داشتن یک نمونه به اندازه کافی بزرگ ، توزیع کلیه خصوصیات قابل مشاهده و غیرقابل مشاهده در افراد اختصاص داده شده به گروه های درمانی و کنترل یکسان است ، و این باعث می‌شود که خود گروه درمان تنها توضیح باقی مانده برای تفاوت نتایج در دو گروه باشد. با برابری فاکتورهای دیگر ، می توان اطمینان داشت که هیچ چیز دیگری غیر از خدمت سربازی نمی تواند اختلاف در دستمزد آنها را ایجاد کند.

مشکل اینست که ما همیشه نمی توانیم این کار را انجام دهیم. برای توجیه مطالعه ای که به طور تصادفی مردم را مجبور به ارتش می کند ، یک دانشمند تحت فشار قرار می گیرد. در این موارد ، ما به دنبال مواردی هستیم که به عنوان “آزمایش های طبیعی” شناخته می شوند – منابع طبیعی تنوع تصادفی که یک آزمایش تصادفی را تقلید می کنند.

هنگامی که شما در داده ها جستجو می کنید و آزمایشات را شروع می کنید ، به سرعت می فهمید که تأثیرات تبلیغات آنلاین آن چیزی نیست که انتظار دارید. در یاهو! به عنوان مثال محققان دریافتند که تبلیغات نمایش آنلاین واقعاً سودآوری خریدها را 5٪ افزایش می دهد. اما تقریباً هیچ یک از این افزایش ها از سوی مشتریان وفادار نیامده: 78٪ مربوط به افرادی بوده است که قبلاً هرگز روی آگهی کلیک نکرده‌اند و 93٪ از فروش واقعی بعداً در فروشگاه های خرده فروشی انجام شده است ، نه از طریق فروش مستقیم آنلاین. به عبارت دیگر ، مدل استاندارد علیت تبلیغات آنلاین – که مشاهده به کلیک تبدیل می شود ، و سپس منجر به خرید می شود – به طور دقیق نحوه تأثیر تبلیغات بر کارهای مصرف کنندگان را توصیف نمی کند.

مزایای بازاریابی علی

یافته هایی از این دست ممکن است توضیح دهد که چرا Procter & Gamble و Unilever ، پدربزرگهای بازاریابی برند ، حتی با کاهش بودجه تبلیغات دیجیتال خود ، توانستند عملکرد بازاریابی دیجیتال خود را بهبود بخشند. در سال 2017 ، مارک پریچارد ، مدیر ارشد برند P&G ، بودجه تبلیغات دیجیتال این شرکت را 200 میلیون دلار یا 6 درصد کاهش داد. در سال 2018 ، یونیلور از این هم فراتر رفت و تبلیغات دیجیتالی خود را تقریباً 30٪ کاهش داد. نتیجه؟ 7.5٪ افزایش در رشد فروش ارگانیک P&G در سال 2019 و 3.8٪ سود برای Unilever.

این پیشرفت ها امکان پذیر شده است زیرا هر دو شرکت همچنین هزینه رسانه خود را از تمرکز محدود قبلی بر روی فرکانس – که با کلیک یا بازدید اندازه گیری می شود – به reach ، تعداد مشتریانی که لمس کرده اند ، تغییر داده اند. داده ها نشان داده بود که آنها قبلاً ماهانه ده تا بیست بار برخی از مشتریان خود را با تبلیغات شبکه های اجتماعی مورد حمله قرار می دادند. این سطح بمباران منجر به کاهش بازدهی می شود و حتی ممکن است برخی از مشتریان وفادار را نیز آزار دهد. بنابراین آنها فرکانس خود را 10٪ کاهش دادند و آن دلار تبلیغاتی را به سمت مشتریان جدید و نادر که تبلیغات را نمی دیدند منتقل کردند.

آنها همچنین با مطالعه دقیق مشتریانی که برای اولین خرید کرده بودند برای درک انگیزه های توانستند گروه‌هایی از مشتریات که هموز تحت تاثیر نبودند پیدا کنند. به عنوان مثال ، آنها در سه ماهه چهارم سال 2019 خود توضیح دادند از “اهداف عمومی جمعیتی مانند” زنان 18-49 ساله “به” مخاطبان هوشمند “مانند مادران اولین بار و صاحبان ماشین لباسشویی برای اولین بار در حال حرکت هستند.

دیتایی که در سطح فردی شخصی توسط تبلیغات آنلاین بدست آمده پاسخ سوالی را که جان وانامایکر مطرح کرده به ما داده است. این می تواند به طور بالقوه به بازاریابان اجازه دهد اثرات رسانه ای را دقیقاً اندازه بگیرند و بدانند کدام پیام ها موثر هستند کدام‌ها نیستند. فقط مطمئن باشید که همانند P&G و Unilever همبستگی را از علیت متمایز می کنید و افرادی را که از قبل وفادارترین مشتری شما هستند هدف قرار نمی دهید.

منبع: Harvard Business review