宾馆网站模板,多用户商城网站方案,马化腾称视频号是全公司希望,iis 创建网站今天我们以腾讯广告RACE曝光归因模型为例#xff08;以下简称RACE模型#xff09;#xff0c;来聊聊行业在衡量广告效果上的努力与成效。
第一类#xff1a;衡量转化以及转化过程的归因
如同前面所讲#xff0c;如果只是衡量ROI#xff0c;对广告投放的效果衡量就只有一…今天我们以腾讯广告RACE曝光归因模型为例以下简称RACE模型来聊聊行业在衡量广告效果上的努力与成效。
第一类衡量转化以及转化过程的归因
如同前面所讲如果只是衡量ROI对广告投放的效果衡量就只有一个标准好和坏。
效果不好的广告投放我们通常能做的事情是停止投放。
效果不好的广告投放或许仍然隐藏着很大的机会——或许只是在归因上这个广告很可能为别的广告或者流量渠道做了助攻或是在人群的匹配上出现了一些问题但并不能就立即认为这个广告存在严重问题。
举一个案例某食品品牌旗下有两个主推小食分别是牛肉和鸡肉做了一波投放用同样的资源触达目标受众牛肉小食的产品线转化远低于鸡肉线。怎么办
传统的单一转化衡量方式下尽管是以转化为导向但肯定相当粗暴容易产出一刀切的优化方式。终端ROI高希望起量ROI不达标如果做一些优化还不行的话会停掉或者更换到效果好的鸡肉线广告进行投放。
但显然我们需要用有效的广告衡量来判断既然牛肉线的效果不好那么到底问题出在哪里过去这样的判断很难实现但现在的工具如下图所示来自RACE模型的衡量方式则可以很好地帮助广告主洞察到相关情况。 利用RACE模型结合后链路的人群数据我们可以有“打开黑箱”般的发现两个产品的人群重合度很低只有2%。投放的这波广告并没有对牛肉和鸡肉产品的人群进行区分而是统一覆盖了同一组人群。问题来了刚好覆盖的这组人群对鸡肉产品更感兴趣因此简单得出牛肉产品的广告不够好这个结论是非常武断的。按照这样的错误思维我们或许很快就能得出下一个同样不正确的结论假如这个广告下一波投放刚好覆盖的人群对牛肉产品更感兴趣那就是鸡肉产品的广告不够好。
但是有了RACE模型就不会出现这样武断地推导。更高效的机器建模学习也会让广告效果的优化不再复杂。如果牛肉线的人群不匹配那么找到匹配的人群就有机会大幅度提升投放的效果。找到匹配人群的方法当然也可以利用后链路数据作为正样本用之前高频触达牛肉广告但仍未转化的人群作为负样本以机器学习的方式不断优化人群的匹配。
在这个案例中优化后牛肉线的广告下单转化对比历史同类投放增加了43%高消费人群的转化更比历史同类投放增加52%。
第二类衡量广告对品牌资产的影响如同前面所讲的目前衡量广告对人群的影响非常困难品牌很难摸清楚自己在消费者端到底拥有多少实打实的品牌资产。但对品牌广告主而言能够量化品牌资产是最能证明广告起到效果的方法。
难在于人们的心迹无法直接敞开变成数据进而被获取、被统计、被归因。
但行业还是能给出相对不错的解决方法。
如果一个消费者原本对某个品牌完全没有认知通过广告投放他发现了这个品牌并且对这个品牌感兴趣那么他很可能会产生一些探索这个品牌的行为。
这些行为广告主基本上无法探知但是媒体在海量的人群基础上还是能够发现投放广告前后人群行为变化的差异的。
作为媒体端提供的工具RACE模型是能够做到这一点的典型工具。消费者对于品牌的认知情况可以用一系列行为去定义。例如人群与品牌广告的互动可能意味着对这个产品有不错的兴趣而进入这个品牌的小程序则可能意味着更深的兴趣和偏好。
那些目标人群中从未搜索过这个品牌的人群在广告投放之后有30%的人发生了搜索行为这行为本身如同一个标志物表明人群心智发生了“破冰性”的改变成为品牌资产中的一环。
例如在某3C笔记本品牌的一系列广告投放中基于RACE模型能够展示出品牌资产的流转情况。广告主选择了兼顾“品效”的营销目标拟定了要达成更多R3、R4人群资产的投放策略并在实际投放中通过针对深层触动且具有转化潜力的R3人群以及产生转化的R4人群作为正样本浅层与深层双目标联合优化建模。
通过下图右侧的实际投放效果可以看到对比模型优化前后R1到R3的转化率提高了460%、R1到R4的转化率提高了63%两项提升最为巨大的指标都与广告主诉求吻合。印证了RACE模型能根据品牌的营销目标进而针对性进行建模为投放提效帮助广告主实现“指哪打哪”的能力。 我们也可以利用这个模型中人群的迁移情况来衡量广告投放campaign的效果。
同样的预算我的广告投放后从R1到R4的人群迁移比例是5%而你的广告迁移比例是10%那或许说明你的广告投放比我的更成功。
这些数值都反映了一个企业的品牌资产的跃升变迁情况。
第三类衡量品牌在消费者心智中的整体提升
广告主也期待自己投放广告之后能够在一定程度上“压倒”同类品牌。一个广告投放出去之后若没有同类品牌的消费者“转投自己门下”无论如何都不够成功。
广告主希望看到的人群迁移不仅仅只是从曝光触达到浅层互动到深层触动这样的迁移从行业层面看广告主也希望看到其它同类品牌的人群迁移到自己的阵营中来。这体现出品牌在消费者心智中的重要性的不断提升。
这些数据目前只能靠调研或者大型媒体平台提供。过去的衡量方式主要是问卷调研或者舆情调研但往往会受到样本量级或主观偏差影响且比较难追踪当下复杂且加速动态演变的消费者心智。大型媒体平台提供的工具比如RACE模型可以提供相关数据其背后的原理仍然是基于人群的行为。
某个品牌手机发布旗舰高端机广告效果的衡量很适合用品牌产品在行业中品牌力的提升来衡量。
例如基于复盘上波投放发现“闪屏合约”及“信息流合约”的心智扭转效果更优故在下波投放中基于转化难转化人群的营销目标针对性优化资源组合进行投放。而在下波投放后利用RACE模型分析购机人群中有20%来自于另一个原本使用某高端品牌手机的人群而其中又有接近一半人持有该高端品牌手机的2代机型。广告深度触动的消费者中有三分之一原本是另一个同类品牌的偏好群体。 这些数据给我们提供了衡量广告效果的参考维度。
坦白说品牌一定是希望能用更真实、更直接的维度来衡量广告效果比如具有识别性的消费者独占互动行为——实际对本品和其它同类品牌的广告点击、内容浏览搜索等。当广告投放结束之后如果品牌主可以清晰地看到这些数据的变化那么广告投放效果的衡量就更具有说服力。 第四类对品牌和效果的综合提升
这一类效果的衡量对利用多种广告形式组合投放的广告主很重要。
如果同时追求品牌和效果那么往往会同时投放合约广告主要对品牌的帮助和竞价广告主要对效果的帮助。同样更多时候还会有多种类型的合约广告的相互结合。问题是投放什么样的组合portfolio会能够实现最好的效果呢。
所谓投放组合是在既定预算或既定曝光次数下品牌合约广告与竞价广告的预算或曝光比例以及投放的曝光频次及投放的节奏pacing你是一次性花完所有钱还是细水长流该定成何种策略。
广告主不可能穷尽所有投放组合的可能性此时需要工具“提前”基于该品牌投放的历史和行业投放的情况告知广告主在什么样的情况下能够达到最好的效果。
好的效果如何实现RACE模型从频次、资源两步入手进行增益价值优化。从下图中的案例中可以看到第一步针对不同的偏好人群找到他们的最优触达频次基于该品牌历史投放数据的衡量分析结果得出结论从宏观上看本品偏好人群7.1次曝光后基本上转化率达到拐点而同类品牌人群在16.7次曝光后才能达到拐点。因此明确针对不同偏好人群的的触达频次第二步基于不同人群的定制频次及本轮投放目标曝光触达/转化/心智扭转/ROI匹配具有不同价值侧重的资源组合从而实现效果最大化。 04 衡量广告效果还有哪些方式 除了RACE模型能够实现的四类科学归因方式衡量广告效果尤其是品牌广告的效果还有一些方式。这些方式包括
捕捉并研究消费者在数字世界中的舆论投放触达人群的demodemographics即社会属性与DMP中目标人群的demo之间的差异利用后链路的流量行为数据engagement判断流量的价值将后链路的流量行为数据及其ROI进行维度交叉构建Engagement-ROI模型进行分析
如果说前面四大类效果的分析需要RACE模型这类的工具实现那么上面这四类分析方法也分别需要各类工具实现例如捕捉舆情需要舆情工具与标准人群的demo做对照需要有DMP后链路Engagement以及Engagement-ROI模型分析则需要用户行为分析工具或者CDP转化归因和归因模型也需要专门的归因工具或具有相关功能的CDP。
如同我们前面所说的对于广告投放效果的衡量并没有一个放之四海而皆准的通用指标所应用的工具也各不相同。一个趋势是媒体端提供的中立工具例如RACE模型这类广告主可以自助操作的工具为广告效果的衡量和分析提供了另一个角度的方法再加上广告主如能合理利用上述的所有工具那么对于投放效果的衡量基本上能够做到客观与全面。
不过一个建议是应用RACE模型这样的工具要比其他自己采购或自建的工具使用难度低对数据专业的要求也相应低一些。如果企业无预算或能力做上面所列举的这四类其他的衡量方式那么直接用媒体平台提供的工具或许是一个更好的选择即在没有额外代价的基础上仍然能够衡量和比较广告投放的效果并至少能够获得相当全面的广告投放优化方面的洞察和建议。
