如何知道广告是否有效？有没有办法直接衡量消费者接触广告活动后的销售结果？

几十年来，学者和营销人员一直在努力衡量广告效果。20 世纪 70 年代和 80 年代初，他们主要研究滞后效应、衰减率、广告库存、滞后系数和半衰期。20 世纪 90 年代，一项改变游戏规则的研究表明，广告的长期效果大致相当于其短期效果的两倍。广告业通过多种方式在广告效果的理解上取得了长足进步，但在实际比较人们接触的广告和购买的广告时，广告业所依赖的数据来源几乎没有共同之处，因此无法在广告和广告试图影响的行为之间建立明确的联系。

"单一来源 "数据是应对这一困难的最有力手段。通过单一来源数据，您可以跟踪一群人观看了哪些节目，购买了哪些商品。因为你知道有些人看了某些广告，有些人没有看，所以你可以通过控制足够多的变量，使两组人之间唯一真正的区别就是一个人看了广告，一个人没有看广告，从而分离出广告所带来的销售额。

这一概念早在 20 世纪 60 年代中期就已出现，但 2006 年的阿波罗项目是首次利用单一来源方法进行的大规模商业试点。尼尔森家庭扫描 (Nielsen Homescan®) 技术被用于捕捉消费者的购买行为，并与 Arbitron 公司为几家主要的消费包装品 (CPG) 公司提供的电视曝光数据相结合。

宾果 - 算是吧。我们学到了很多东西。但是，从一个家庭或个人那里收集所有信息--包括他们看了什么和买了什么--是很昂贵的，所以精确的代价就是数据很小。阿波罗小组包括 5,000 个家庭中的约 11,000 人--规模不够大，无法按小型品牌所需的粒度报告调查结果。

但如今，我们可以通过合并交易数据集来创建所需的单一来源数据集。第三方通过每个数据集中的共享标识符对数据集进行链接和匿名化处理，从而创建一个单一数据集，显示受特定广告影响的家庭与未受广告影响的家庭在购物方面的差异，从而分离出广告活动的销售效果。

这些数据集很难创建。如何在大数据的规模上复制小数据的精确性？我们借鉴了常客数据、机顶盒数据、cookie 数据--总之，我们能收集到的所有大数据。但任何大数据都不是完整的。例如，通过机顶盒数据，你并不能总是知道电视机是否打开或谁在看电视（更多详情，请参阅本期 "面板在大数据建模中的价值"）。即使我们的常客数据库中有 9000 万人，如果没有他们的会员卡，我们也无法知道他们还进行了哪些消费。

一种解决方案是采用一个真正完整的数据集，并用它来 "校准 "大数据数据集。在我们的案例中，我们使用了我们的 Homescan 数据，该数据可追踪 10 万个家庭的每次购物。如果将 Homescan 与我们的常客数据库进行 "比较"，就会发现数据集之间存在重叠。现在您可以看到，对于两个数据库中的人来说，经常购物者数据库中缺少了哪些购买行为。然后，您就可以建立模型来反映大数据库中的全部购买模式，并将结果投射到总人口中。

从 "小而智能 "的数据到 "大数据 "再到 "大而智能 "的数据，正是这种进步使得单一来源的数据如今能够得到大规模的利用，并以足够的精度支持日常营销决策。

当然，在精确度方面仍有新的进展。例如，当您将观看和购买数据集结合起来时，就会出现很多问题。有些数据是个人层面的，有些是家庭层面的。观看水果圈广告的人不一定就是购买水果圈的人。如今，要解决购买影响力这一重要问题仍然非常困难，也就是说，当某人观看某广告后，会让其他人购买某广告。数字广告的可视性是另一个重要挑战，欺诈--僵尸流量和许多其他欺诈性增加数字曝光的方式--也是一个重要挑战。解决了这些难题，我们就能更准确地回答 "观看对购买有什么影响 "这一核心问题。

归根结底，我们必须认识到，为单一来源数据集做出贡献的数据源必须接近实时、准确、完整和全面，用于校准这些数据源的方法必须能够将结果预测到总人口中。