El uso del alcance y la frecuencia es un factor fundamental de las campañas publicitarias eficaces. Sin embargo, los modelos de combinación de marketing (MMM) actuales no suelen considerarlo debido a la falta de métricas de alcance y frecuencia para algunos canales de medios tradicionales. Por lo general, los MMM se basan en datos de impresiones, sin tener en cuenta que las personas pueden verse expuestas a los anuncios varias veces y que el impacto puede cambiar con la frecuencia de exposición. Para superar esta limitación, Meridian permite modelar el efecto de cualquier canal de medios en función de los datos de alcance y frecuencia, en lugar de basarse en una sola métrica de ejecución. Este enfoque permite generar estimaciones más precisas del impacto de las iniciativas de marketing en los resultados comerciales y ayuda a optimizar la ejecución de las campañas a través de recomendaciones de frecuencia.
A los fines del modelado, los datos de alcance y frecuencia deben tener el mismo nivel de detalle geográfico y temporal que los datos de ventas y variables de control.
Además, ten en cuenta lo siguiente:
Los datos de alcance deben indicar la cantidad de personas únicas expuestas al anuncio del canal en cada período, no la cantidad acumulada de personas a las que se llegó en períodos consecutivos.
Los datos de frecuencia deben indicar la cantidad total de impresiones dividida por el alcance de cada período.
El efecto de los medios es la contribución aditiva a las ventas esperadas. En el caso de los canales con datos de alcance y frecuencia, el efecto de los medios del canal \(i^{th}\) en la ubicación geográfica \(g\) y el período \(t\) se modela de la siguiente manera:
Aquí ocurre lo siguiente:
- \(f_{g,t,i}^{[RF]}\) es la frecuencia promedio.
- \(r_{g,t,i}^{[RF]}=L_{g,i}^{[RF]}(\overset {\cdot \cdot} r_{g,t,i})^{[RF]}\) es el alcance transformado, que se ajusta según la población y la mediana del canal. Para obtener más información, consulta Datos de entrada.
Para calcular este efecto, primero se aplica la función de Hill a la frecuencia promedio \(f_{g,t,i}^{[RF]}\) para ajustar los efectos de saturación. La frecuencia transformada mediante la función de Hill para cada ubicación geográfica y semana se multiplica por el alcance transformado. Luego, se ponderan estos valores con la función de Adstock para captar los efectos rezagados de la exposición a los medios a lo largo del tiempo.
Con la función de Hill, el efecto de los medios podría representarse como una curva en forma de S en relación con la frecuencia, lo que indica que el alcance promedio óptimo en términos de rentabilidad puede ser superior a uno. La curva en forma de S refleja la intuición de que podría haber una frecuencia óptima para el valor del resultado incremental por impresión. Es posible que se requiera cierta frecuencia mínima para reforzar el recuerdo de la marca. Por el contrario, una frecuencia excesiva podría reducir la eficacia de los anuncios y los retornos.
Se supone que el alcance tiene una relación lineal con la respuesta de ventas cuando la frecuencia es constante. El alcance depende de la definición del público objetivo, ya que este puede combinar diferentes grupos que responden de distinta manera a la publicidad. Al suponer que el efecto del alcance es lineal, implícitamente se sugiere que el alcance en los diferentes públicos cambia de manera proporcional. Sin embargo, es posible que, cuanto más aumente el alcance total, más difícil sea llegar a miembros adicionales del público objetivo. En este caso, el efecto del alcance puede tener retornos marginales más bajos. Meridian restringe el efecto del alcance a una forma lineal para evitar el uso excesivo de parámetros en el modelo, la presencia de parámetros no identificables y los problemas de convergencia del método de Monte Carlo basado en cadenas de Markov (MCMC). Ten cuidado de no extrapolar este efecto lineal más allá del rango de los valores de alcance observados en los datos.
Para obtener más información sobre el alcance y la frecuencia, consulta Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data (Modelo jerárquico bayesiano de combinación de medios que incorpora datos de alcance y frecuencia).
Diferencias entre la frecuencia supuesta para el ROI y para la optimización
Existen diferencias entre la frecuencia supuesta para el ROI y para la optimización. Si es necesario, puedes ajustar esta última.
Como se explica en ROI, ROI marginal y curvas de respuesta, el ROI mide el retorno de la inversión de un canal tal como se ejecutó durante el período para el que el MMM tiene datos. La forma en que se ejecutó un canal incluye cómo se asignan las impresiones en las diferentes ubicaciones geográficas y períodos, y la frecuencia histórica de ese canal.
La optimización supone que las campañas futuras se ejecutarán con la frecuencia óptima, ya que la frecuencia suele estar bajo el control del anunciante, en especial en canales digitales. Si la frecuencia óptima difiere de la histórica, el rendimiento de un canal que utiliza la asignación optimizada del presupuesto podría no coincidir con el rendimiento histórico de ese canal en función del ROI. Esto puede intensificarse si la frecuencia actual difiere en gran medida de la frecuencia óptima.
Si las campañas futuras no se ejecutarán con la frecuencia óptima, puedes usar la opción de optimización para cambiar la frecuencia supuesta. Esto puede ser útil para los canales que no pueden ejecutarse con una frecuencia promedio específica.