[ad_1]

به نظر می رسد تبلیغات دیجیتالی بسیار م thanثرتر از آن هستند زیرا پس از کلیک بر روی تعداد افرادی که خرید می کنند ، به آنها فروخته می شود. بیشتر این افراد احتمالاً به هر حال و بدون درخواست تبلیغات خرید خواهند کرد. اگر افرادی را هدف بگیرید که هنوز مشتری شما نیستند ، می توانید مبلغی را که برای تبلیغات هزینه می کنید کاهش دهید و فروش بیشتری نسبت به آنچه که می کنید بدست آورید.

اثربخشی تبلیغات دیجیتال بسیار فروخته می شود. یک مطالعه گسترده در مورد تبلیغات eBay نشان داد که اثربخشی تبلیغات در جستجوی نام تجاری تا 4 100٪ بیش از حد تخمین زده شده است. چنین تحلیلی از تبلیغات فیس بوک منجر به 4000٪ شده است. با وجود تمام داده هایی که داریم ، به نظر می رسد که شرکت ها هنوز پاسخی برای س firstالی که اولین بار توسط خرده فروش مشهور قرن نوزدهم جان وانامایکر مطرح شد ، ندارند: کدام نیمی از بودجه تبلیغاتی شرکت من از بین رفته است؟

باید بتوان به این س possibleال پاسخ داد. زیرا آنچه مانع آن می شود ، کمبود اطلاعات نیست – مشکلی که Vanamaker با آن روبروست – بلکه بیشتر یک سردرگمی اساسی بین همبستگی و پیوند علی است.

وهم تحول

وقتی بازاریابان فضای تبلیغاتی را به مشتری می فروشند ، آنها ادعا می كنند كه این تبلیغات باعث ایجاد یا تغییر رفتار می شود – پدیده ای كه معمولاً به آن اشاره می شود من برمیدارم. آنها با نشان دادن تعداد افرادی که کالایی را پس از دیدن آگهی – معمولاً با آنها تماس می گیرند – از این درخواست پشتیبانی می کنند تبدیل نرخ.

برای توضیح تفاوت بین دو دانش آموزم ، می خواهم آنها تصور كنند كه در روز اول كلاس ، من درب منزل ایستاده ام و به هر دانش آموزی كه وارد می شود ، جزوه هایی را برای تبلیغ كلاس درمی آورم. نرخ تبدیل در تبلیغات من؟ آنها همیشه “100٪” را به درستی پاسخ می دهند زیرا 100٪ افرادی که آگهی را “خریداری شده” یا در کلاس ثبت نام کرده اند ، می بینند. سپس من می پرسم “این تبلیغات چقدر رفتار شما را تغییر می دهد؟” مدتها قبل از دیدن این کلاس ، در کلاس ثبت نام کردند آگهی ، همه پاسخ دادند ، “به هیچ وجه”. بنابراین در حالی که نرخ تبدیل آگهی من 100٪ است ، افزایش از آگهی – میزان تغییر رفتاری که ایجاد می کند – صفر است.

اگرچه مثال من کمی ساده است ، اما نشان می دهد که چرا رفع سردرگمی و تبدیل می تواند مشکلاتی را برای اندازه گیری بازده بازاریابی ایجاد کند. مارک های بزرگ مبالغ هنگفتی را به مشاوران می پردازند تا تبلیغات خود را به افرادی که به احتمال زیاد محصولاتشان را خریداری می کنند “هدف قرار دهند”. اما مگر اینکه هدف گذاری مشتریانی باشد که هنوز آماده خرید محصولات نیستند ، تبدیل از کلیک به پول نقد درآمد جدیدی ایجاد نمی کند. کلید پرداخت هزینه تبلیغات این است که مردم کالاهای شما را بخرند (یا کمک های مالی خود را در یک کمپین سیاسی انجام دهند یا واکسینه شوند) که در غیر این صورت این کار را نمی کردند.

لیفت اندازه گیری

بیایید بگوییم که ما می خواهیم بدانیم که (A) ، پیوستن به ارتش (B) ، منجر به پایین آمدن درآمد فرد در طول زندگی می شود. ما نمی توانیم به راحتی حقوق افرادی که به ارتش می آیند را با کسانی که عضو نیستند مقایسه کنیم ، زیرا عوامل زیادی نیز وجود دارد که می توانند اختلافاتی را ایجاد کنند که می توان آنها را در تعداد مشاهده کرد.

به عنوان مثال ، افرادی که به مشاغل با درآمد بهتر دسترسی دارند در وهله اول کمتر به ارتش می پیوندند (این B ​​است ، باعث A). و افرادی که تحصیلات یا مهارت های بیشتری دارند ترجیح می دهند به ارتش نپیوندند (C ، باعث A و B می شود). بنابراین آنچه در ابتدا به نظر می رسد یک رابطه علalی بین خدمت سربازی و متوسط ​​دستمزد پایین تر است ، به سادگی می تواند یک همبستگی ناشی از این عوامل باشد. پس از این چالش کنترل این عوامل دیگر است در حالی که رابطه ای را که می خواهیم کشف کنیم جدا می شود.

ما می توانیم این کار را با ایجاد یک گروه کنترل انجام دهیم. اگر ما به طور تصادفی برخی از افراد را برای عضویت در ارتش منصوب کنیم ، گروهی که عضو آن می شوند (گروه درمان) به طور متوسط ​​همان آموزش و مهارت (و سن ، جنس ، خلق و خو ، نگرش و غیره) همان گروهی را دارند که عضو نمی شوند. (گروه کنترل). با داشتن یک نمونه کاملاً بزرگ ، توزیع کلیه خصوصیات قابل مشاهده و غیرقابل مشاهده در افراد منصوب به گروههای تحت درمان و کنترل یکسان است ، که این خود درمان را تنها توضیح باقی مانده برای تفاوت نتایج در دو گروه می کند. از لحاظ مساوی بودن همه موارد دیگر ، می توان اطمینان داشت که هیچ چیزی جز خدمت سربازی آنها نمی تواند منجر به اختلاف در حقوق آنها شود.

مشکل این است که ما همیشه نمی توانیم چنین کاری انجام دهیم. دانشمند به سختی می تواند مطالعه ای را که خودسرانه مردم را مجبور به پیوستن به ارتش می کند توجیه کند. در این موارد ، ما به دنبال چیزی هستیم که به عنوان “آزمایش های طبیعی” شناخته می شود – منابع طبیعی تغییرات تصادفی که یک آزمایش تصادفی را تقلید می کنند.

یک آزمایش طبیعی خوب که جوش انگریست برای سنجش تأثیر خدمت سربازی بر دستمزد به کار برد ، قرعه کشی ای است که در طول جنگ ویتنام به شهروندان آمریکایی تحمیل شده است. به هر شهروند مرد تعداد قرعه کشی پروژه اختصاص داده شد و این اعداد به طور تصادفی انتخاب شدند تا مشخص شود چه کسی ترسیم شده است. پروژه قرعه کشی یک آزمایش طبیعی بود که تغییرات تصادفی در احتمال پیوستن افراد به ارتش را ایجاد کرد. انگریست از این تنوع برای ارزیابی تأثیر علیت خدمت سربازی بر دستمزد استفاده می کند.

به همین ترتیب ، من و کریستوس نیکولاییدس از زمان به عنوان یک آزمایش طبیعی برای درک تأثیر پیام های شبکه های اجتماعی بر رفتار ورزشی استفاده کردیم. اگرچه افرادی که بیشتر می دوند تمایل به داشتن دوستانی دارند که بیشتر می دوند ، اما تغییر در زمان به ما کمک کرده است میزان دریافت پیام های اجتماعی از دوستان خود را ارزیابی کنیم. علت بیشتر دویدن.

وقتی داده ها را کاوش می کنید و شروع به آزمایش می کنید ، به سرعت می فهمید که تأثیرات تبلیغات آنلاین آن چیزی نیست که انتظار دارید. در یاهو! به عنوان مثال ، در یک مطالعه محققان دریافتند که تبلیغات نمایش آنلاین 5٪ خرید را افزایش می دهد. اما تقریباً هیچ یک از این افزایش ها از طریق مشتریان وفادار ، تکرار نشده است: 78٪ مربوط به افرادی است که قبلاً هرگز روی آگهی کلیک نکرده اند و 93٪ از فروش واقعی بعداً در فروشگاه های خشت و ملات خرده فروشی انجام می شود. و نه از طریق مستقیم پاسخ آنلاین. به عبارت دیگر ، مدل استاندارد علیت آنلاین – این بازبینی به یک کلیک تبدیل می شود که منجر به خرید می شود – دقیقاً نحوه تأثیر تبلیغات بر آنچه مصرف کنندگان انجام می دهند را توصیف نمی کند.

مزایای بازاریابی علی

چنین یافته هایی ممکن است توضیح دهد که چرا Procter & Gamble و Unilever ، مادربزرگهای بازاریابی مارک دار ، حتی اگر بودجه تبلیغات دیجیتالی خود را کاهش داده باشند ، توانسته اند نتایج بازاریابی دیجیتال خود را بهبود بخشند. در سال 2017 ، مارک پریچارد ، مدیر عامل 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 درصد کاهش داد. نتیجه؟ 7.5٪ افزایش رشد فروش ارگانیک برای P&G در سال 2019 و 3.8٪ سود برای Unilever.

این پیشرفت ممکن است زیرا هر دو شرکت هزینه رسانه خود را از تمرکز قبلی بر روی فرکانس تغییر داده اند – اندازه گیری شده با کلیک یا نمایش – به یک کاربر متمرکز بر دسترسی ، تعداد کاربرانی که لمس کرده اند. داده ها نشان می دهد که آنها قبلاً ماهانه ده تا بیست بار با تبلیغات در شبکه های اجتماعی به برخی از مشتریان خود ضربه زده اند. این سطح بمب گذاری بازدهی را کاهش داده و احتمالاً حتی برخی از مشتریان وفادار را نیز عصبانی کرده است. بنابراین آنها 10٪ فرکانس خود را کاهش دادند و آن دلارهای تبلیغاتی را به سمت مشتریان جدید و کمیابی که تبلیغات را مشاهده نمی کردند جابجا کردند.

آنها همچنین برای درک انگیزه های خرید ، برای اولین بار با دقت به خریداران نگاه کردند ، به آنها این امکان را می دهد تا گروههای دقیق و امیدوار کننده از مشتریان دست نخورده را شناسایی کنند. به عنوان مثال ، آنها در فراخوان خود برای درآمد سه ماهه چهارم سال 2019 توضیح دادند که آنها از “اهداف جمعیتی مشترک مانند” 18-49 زن “به” مخاطبان هوشمند “به عنوان مادران اولین بار و صاحبان لباس های شسته شده برای اولین بار در حال انتقال هستند.

موج جزر و مدی ، سطح فردی ، داده های شخصی ایجاد شده توسط تبلیغات آنلاین ، به ما پاسخی برای س askedال پرسیده شده توسط جان وانامکر داد. این می تواند به طور بالقوه به بازاریاب ها اجازه دهد اثرات رسانه ای را دقیق اندازه بگیرند و بدانند کدام پیام ها کار می کنند و کدامها موثر نیستند. اطمینان حاصل کنید که همبستگی را از رابطه علی و معلولی مانند P&G و Unilever متمایز کرده اید و افرادی را که از قبل وفادارترین مشتری شما هستند هدف قرار ندهید.

[ad_2]

منبع: bighat-news.ir