Come si fa a sapere se la pubblicità funziona? Esiste un modo per misurare direttamente i risultati di vendita dei consumatori esposti a una campagna pubblicitaria?
Gli studiosi e gli esperti di marketing si sono confrontati per decenni con la misurazione dell'efficacia della pubblicità. Negli anni '70 e nei primi anni '80 si sono concentrati su effetti di ritardo, tassi di decadimento, adstock, coefficienti di ritardo ed emivita. Negli anni '90, un lavoro rivoluzionario ha dimostrato che l'effetto a lungo termine della pubblicità è all'incirca pari al doppio del suo effetto a breve termine. Il settore stava facendo passi da gigante nella comprensione dell'efficacia della pubblicità in molti modi diversi, ma quando si trattava di confrontare effettivamente gli annunci a cui le persone erano esposte con gli acquisti, le fonti di dati su cui si basava avevano così poco in comune che era impossibile tracciare connessioni certe tra la pubblicità e il comportamento che cercava di influenzare.
La risposta più potente a questa difficoltà è arrivata sotto forma di dati "a fonte unica". I dati a fonte unica consentono di tracciare ciò che un gruppo di persone guarda e ciò che acquista. Poiché si sa che alcune persone sono state esposte a una certa pubblicità e altre no, è possibile isolare le vendite determinate da quella pubblicità, controllando per un numero sufficiente di variabili in modo che l'unica differenza reale tra i due gruppi sia che uno ha visto la pubblicità e l'altro no.
Il concetto esiste dalla metà degli anni Sessanta, ma il Progetto Apollo del 2006 è stato il primo pilota commerciale su larga scala che ha sfruttato metodologie a fonte unica. La tecnologia Nielsen Homescan® è stata utilizzata per rilevare il comportamento d'acquisto dei consumatori e combinata con i dati di esposizione televisiva di Arbitron per diverse importanti aziende di beni di consumo (CPG).
Bingo - più o meno. Si è imparato molto. Ma raccogliere tutto da una famiglia o da una persona - sia ciò che guardava sia ciò che comprava - era costoso, quindi il prezzo della precisione era che i dati erano piccoli. Il panel Apollo comprendeva circa 11.000 persone in 5.000 famiglie, un numero non sufficiente per riportare i risultati al livello di granularità necessario per i piccoli marchi.
Oggi, tuttavia, possiamo creare set di dati a fonte unica unendo i set di dati delle transazioni alla scala richiesta. I set di dati vengono collegati e resi anonimi da una terza parte attraverso un identificatore condiviso in ogni set di dati per creare un unico set di dati che mostra come gli acquisti delle famiglie di coloro che sono stati esposti a una particolare pubblicità differiscono da quelli di coloro che non sono stati esposti, isolando l'effetto di vendita della campagna pubblicitaria.
Questi set di dati sono difficili da creare. Come si fa a replicare la precisione dei piccoli dati sulla scala dei big data? Noi attingiamo ai dati dei frequent shopper, ai dati dei set-top box, ai dati dei cookie: in breve, a tutti i big data che possiamo raccogliere. Ma nessun big data è completo. Per esempio, con i dati del set-top box non è sempre possibile sapere se il televisore è acceso o chi lo sta guardando (per ulteriori informazioni, vedere "Il valore dei pannelli nella modellazione dei Big Data" in questo numero). E anche con 90 milioni di persone nel nostro database dei frequent shopper, non possiamo sapere quali altri acquisti stiano facendo senza le loro carte fedeltà.
Una soluzione consiste nel prendere un set di dati veramente completo e utilizzarlo per "calibrare" il set di dati big data. Nel nostro caso, prendiamo i dati di Homescan, che tengono traccia di ogni acquisto effettuato da 100.000 famiglie. Se si "confronta" Homescan con il nostro database dei frequent shopper, si trovano sovrapposizioni tra i due set di dati. Ora è possibile vedere, per le persone presenti in entrambi i database, quali acquisti mancano nel database dei frequent shopper. È quindi possibile modellare questo divario per riflettere i modelli di acquisto completi del grande database e proiettare i risultati sulla popolazione totale.
Questa progressione da dati "piccoli e intelligenti" a "big data" fino a dati "grandi e intelligenti" è ciò che rende possibile oggi lo sfruttamento dei dati da un'unica fonte su scala, con una precisione sufficiente a supportare le decisioni quotidiane di marketing.
Naturalmente, la prossima frontiera della precisione è ancora lontana. Ad esempio, quando si combinano i dati sugli orologi e sugli acquisti sorgono molte domande. Alcuni dati sono a livello di persona, altri a livello di famiglia. La persona che guarda la pubblicità dei Fruit Loops non è necessariamente la persona che compra i Fruit Loops. Oggi è ancora molto difficile districarsi nell'importante questione dell'influenza sull'acquisto, ovvero quando qualcuno guarda qualcosa e induce qualcun altro a comprare qualcosa. La viewability degli annunci digitali è un'altra sfida importante, così come le frodi - il traffico bot e i molti altri modi in cui l'esposizione digitale viene aumentata in modo fraudolento. Risolvere queste sfide renderà la nostra risposta alla domanda centrale - quale effetto ha la visione sull'acquisto - molto più precisa.
In definitiva, è importante riconoscere che le fonti di dati che contribuiscono alle serie di dati monofonte devono essere quasi in tempo reale, accurate, complete ed esaurienti, e le metodologie utilizzate per calibrarle devono essere in grado di proiettare i risultati sulla popolazione totale.
