Hoe krijg je net zoveel inzicht in offline campagnes als online?

Het berekenen van campagne-effecten wordt steeds complexer. De reden hiervoor is de toename en diversiteit aan mediakanalen (outdoor, internet, radio, tv, etc.) en effecten op bereik, zoals second screen (mobiel en tablet). Het gebruik van klassieke methodes zoals OTS (Opportunity To See) is voor online en offline reclame-effectonderzoek niet meer van deze tijd.

Wat maakt OTS onbetrouwbaar?

OTS-onderzoek meet met behulp van (online) vragenlijsten de kans dat een respondent contact heeft gemaakt met de reclame-uiting. Via deze vragenlijsten worden vragen gesteld zoals: wanneer heb je tv gekeken, welke zenders en op welk tijdstip? Enige jaren geleden heeft de branchevereniging van marktonderzoekers, de MOA, in het jaarboek (pdf) van 2005 de OTS-methode al eens bekritiseerd vanwege de volgende twee hoofdproblemen.

Geheugenprobleem

Mensen denken dingen gezien te hebben die er niet zijn en andersom zien ze dingen niet, die er wel zijn. In feite wordt bij OTS-onderzoek het geheugen van de respondent getest en niet de effecten van de campagne. Alfred Levi (2005, pdf) heeft een onderzoek gedaan naar het kijkgedrag van consumenten naar televisiereclames. Volgens het onderzoek kijkt slechts 19% van de mensen aandachtig naar een commercial, 18% loopt weg tijdens het reclameblok, 43% zit voor de tv maar kijkt niet en 20% zapt. 81% van de mensen heeft de tv-spot dus niet (goed) gezien.

Motivatieprobleem

Daarnaast vindt er een motivatieprobleem plaats: mensen hebben de neiging zich beter voor te stellen dan ze zijn en dat hebben ze vaak zelf niet door. We denken dat we de Volkskrant aandachtiger lezen dan de Privé, als we intellect belangrijk vinden (dit wordt in de psychologie ook wel de self-serving bias genoemd). Dit geheugen- en motivatieprobleem van de respondent maakt de uitkomsten van dit type onderzoek een onderwerp voor discussie.

Directe effecten van de campagne onvoldoende inzichtelijk

Bovendien leert de praktijk ons dat de ene week de merkbekendheid 5% kan stijgen en zonder duidelijke reden de week erna weer 6% kan dalen. In het OTS-model zijn deze directe effecten van de campagne onvoldoende inzichtelijk. Maar hoe kan het effect van online en offline campagnes dan wel objectief boven water worden gehaald?

Een nieuwe manier van onderzoek

Door de komst van het internet is er met online analytics veel data over webbezoeken beschikbaar gekomen. Deze objectieve consumentendata is voor bijna iedere adverteerder belangrijk. Veel adverteerders zetten offline campagnes in met als doel online webbezoekers aan te trekken. Zelfs voor adverteerders, voor wie online verkoop geen hoofddoel is, is webbezoek een uitermate belangrijke graadmeter voor campagne-effectiviteit.

Zo wordt in de automotive branche minder dan 2 procent van de nieuwe auto’s online verkocht, maar is online wel degelijk een onmisbare schakel in het verkoopproces. Een stijging aan webbezoek staat voor veel automobiel fabrikanten gelijk aan een toename in verkopen. Om offline campagne effecten te meten met online analytics is Attribution Modeling ontstaan.

Attribution Modeling: hoe werkt het?

Attribution Modeling meet, in tegenstelling tot de klassieke methoden, de groep consumenten die al door de campagne is bereikt. Door middel van econometrische modellen en algoritmes wordt het directe effect van de campagne gemeten in de volgende stappen (zie ook de onderstaande afbeelding).

Norm bepalen

Om Attribution Modeling toe te kunnen passen, moeten eerst de invloeden op het webbezoek worden verklaard. De norm wordt bepaald: dit is het aantal webbezoeken dat niet wordt veroorzaakt door het voeren van een campagne. Dit wordt gemeten door de externe invloeden op het webbezoek te bepalen zoals het weer, de seizoenen en vakanties.

De invloed van de campagne

Door van een langere periode de mediaschema’s, de externe invloeden en het webbezoek mee te nemen, wordt statistisch bepaald wat de invloed is van de campagne op het webbezoek per dag. De nauwkeurigheid van het model wordt bewezen door het bij elkaar optellen van de berekende invloeden op webbezoek (temperatuur, vakanties, seizoenen en campagne) en deze te vergelijken met het werkelijke webbezoek.

Effectiviteit van de kanalen bepalen

Nu het aantal bezoeken naar aanleiding van de campagne inzichtelijk is, wordt Attribution Modeling toegepast om de effectiviteit van de verschillende kanalen te bepalen. Bij het gebruik van dit model geldt: hoe meer data er beschikbaar is, hoe beter de effecten van de campagne zichtbaar worden. Het effect wordt gemeten door het ingezette budget af te zetten tegen het effectieve bereik. Door het effect voor elk kanaal in dezelfde eenheid te meten, zijn de kanalen goed met elkaar te vergelijken. Vervolgens is het mogelijk om per kanaal verder in te zoomen en te achterhalen wat het effect op zender- en uurniveau is.

Attribution Modeling maakt offline media net zo inzichtelijk als online media

Een adverteerder ziet met deze methode direct dat hij het meest kosteneffectief een tv-commercial kan inzetten op zender A tussen 11 en 14 uur. De tv-commercial zet juist dan, tegen de laagste kosten per bezoeker, de meeste mensen aan tot actie (naar winkel gaan, website bezoeken, product kopen). Voor online marketeers komt dit bekend voor en dat klopt: in de wereld van online marketing wordt dit de Cost per Click (CPC) genoemd. Dit zijn de gemiddelde kosten om één bezoeker naar de website te krijgen.

Attribution Modeling maakt offline media dus net zo inzichtelijk als online media, iets wat met klassieke onderzoeksmethoden zoals OTS onmogelijk is. Waar OTS vast loopt door de onbetrouwbaarheid van het respondentengedrag, weet Attribution Modeling met een hoge nauwkeurigheid wel de effecten van de ingezette campagnekanalen in kaart te brengen.