Reichweite und Häufigkeit sind ein entscheidender Faktor für effektive Werbekampagnen. Sie werden jedoch in aktuellen Marketing-Mix-Modellen (MMMs) nicht oft berücksichtigt, da für einige traditionelle Media-Channels keine genauen Messwerte für Reichweite und Häufigkeit verfügbar sind. Bei MMMs werden in der Regel Impressionen als Eingabe verwendet, ohne zu berücksichtigen, dass Nutzer Anzeigen eventuell mehrmals sehen und die Auswirkungen je nach Häufigkeit der Auslieferung variieren können. Um diese Einschränkung zu überwinden, bietet Meridian die Möglichkeit, die Wirkung eines beliebigen Media-Channels anhand von Daten zu Reichweite und Häufigkeit zu modellieren, anstatt anhand eines einzelnen Messwerts für die Ausführung. Dieser Ansatz könnte zu genaueren Schätzungen der Marketingwirkung auf die Geschäftsergebnisse führen und die Kampagnenausführung durch Empfehlungen zur Häufigkeit optimieren.
Für Modellierungszwecke müssen die Daten zu Reichweite und Häufigkeit denselben geografischen und zeitlichen Detaillierungsgrad wie die Daten zu Umsatz und Kontrollvariablen haben.
Außerdem ist Folgendes zu beachten:
Die Daten zur Reichweite sollten die Anzahl der einzelnen Nutzer darstellen, die die Anzeigen der Channels im jeweiligen Zeitraum gesehen haben, und nicht die kumulative Anzahl der Nutzer über aufeinanderfolgende Zeiträume hinweg.
Die Daten zur Häufigkeit sollten die Gesamtzahl der Impressionen geteilt durch die Reichweite für jeden Zeitraum darstellen.
Der Media-Effekt ist der zusätzliche Beitrag zu den erwarteten Umsätzen. Bei Channels mit Daten zu Reichweite und Häufigkeit wird der Media-Effekt des \(i^{th}\) Channels in der geografischen Einheit \(g\) und im Zeitraum \(t\) so modelliert:
Dabei gilt:
- \(f_{g,t,i}^{[RF]}\) ist die durchschnittliche Häufigkeit.
- \(r_{g,t,i}^{[RF]}=L_{g,i}^{[RF]}(\overset {\cdot \cdot} r_{g,t,i})^{[RF]}\) ist die transformierte Reichweite. Dieser Wert wird anhand der Anzahl der Nutzer und des Mittelwerts für den Channel skaliert. Weitere Informationen finden Sie unter Eingabedaten.
Dieser Effekt wird berechnet, indem zuerst die Hill-Funktion auf die durchschnittliche Häufigkeit \(f_{g,t,i}^{[RF]}\) angewendet wird, um Sättigungseffekte zu berücksichtigen. Die entsprechend transformierte Häufigkeit für die jeweilige geografische Einheit und Woche wird mit der transformierten Reichweite multipliziert. Diese Werte werden dann mit der Adstock-Funktion gewichtet, um verzögerte Effekte der Media-Wirkung im Zeitverlauf zu erfassen.
Die Hill-Funktion ermöglicht es, den Media-Effekt als S-Kurve in Abhängigkeit von der Häufigkeit darzustellen. Das bedeutet, dass die optimale durchschnittliche Reichweite für die Kosteneffizienz über 1 liegen kann. Die S-förmige Kurve spiegelt die intuitive Annahme wider, dass es eine optimale Häufigkeit für das inkrementelle Ergebnis pro Impression geben könnte. Eine bestimmte Mindesthäufigkeit kann erforderlich sein, um die Markenerinnerung zu stärken. Eine zu hohe Häufigkeit kann jedoch zu Anzeigenmüdigkeit und abnehmendem ROI führen.
Es wird angenommen, dass die Reichweite in einer linearen Beziehung zur Verkaufsreaktion steht, wobei die Häufigkeit konstant bleibt. Die Reichweite hängt von der Definition der Zielgruppe ab. Diese kann eine Kombination verschiedener Gruppen sein, die jeweils unterschiedlich auf Werbung reagieren. Wenn Sie von einem linearen Effekt der Reichweite ausgehen, können Sie implizit annehmen, dass sich die Reichweite in verschiedenen Zielgruppen proportional ändert. Es kann jedoch sein, dass es mit zunehmender Gesamtreichweite schwieriger wird, weitere Mitglieder der Zielgruppe zu erreichen. In diesem Fall kann der Effekt der Reichweite weniger zusätzliche Ergebnisse bringen. Bei Meridian ist der Effekt der Reichweite linear, um eine Überparametrisierung des Modells, eine Nichtidentifizierbarkeit der Parameter und Probleme mit der Konvergenz der Markow-Chain-Monte-Carlo-Methode (MCMC) zu vermeiden. Extrapolieren Sie diesen linearen Effekt nicht weit außerhalb des Bereichs der in den Daten beobachteten Reichweitenwerte.
Weitere Informationen zu Reichweite und Häufigkeit finden Sie unter Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data.
Unterschiede zwischen der angenommenen Häufigkeit für ROI und Optimierung
Es gibt Unterschiede zwischen der angenommenen Häufigkeit für ROI und Optimierung. Sie können die geschätzte Häufigkeit bei Bedarf für die Optimierung anpassen.
Wie unter ROI, Grenz-ROI und Reaktionskurven erläutert, misst der ROI die Rendite von Investitionen in einen Channel, wie sie im Zeitraum erzielt wurde, für den Daten für das MMM verfügbar sind. Wie ein Channel umgesetzt wurde, umfasst auch die Zuordnung von Impressionen nach geografischen Einheiten und Zeiträumen sowie die bisherige Häufigkeit dieses Channels.
Bei der Optimierung wird davon ausgegangen, dass Anzeigen zukünftiger Kampagnen mit der optimalen Häufigkeit ausgeliefert werden, da diese Einstellung häufig vom Werbetreibenden verwaltet wird, insbesondere bei digitalen Channels. Wenn sich die optimale Häufigkeit von der bisherigen Häufigkeit unterscheidet, entspricht die Leistung eines Channels bei der optimierten Budgetzuweisung möglicherweise nicht der bisherigen Leistung des Channels in Bezug auf den ROI. Dies kann noch verstärkt werden, wenn die aktuelle Häufigkeit weit von der optimalen Häufigkeit entfernt ist.
Wenn Anzeigen zukünftiger Kampagnen nicht mit der optimalen Häufigkeit ausgeliefert werden, können Sie die Optimierungsoption nutzen, um die geschätzte Häufigkeit zu ändern. Das kann hilfreich sein für Channels, die nicht mit einer bestimmten durchschnittlichen Häufigkeit umgesetzt werden können.