Penggunaan jangkauan dan frekuensi adalah faktor penting dalam kampanye iklan yang efektif, tetapi tidak sering dipertimbangkan dalam model campuran pemasaran (MMM) saat ini karena kurangnya metrik jangkauan dan frekuensi yang akurat untuk beberapa saluran media tradisional. Biasanya, MMM mengandalkan tayangan iklan sebagai input, mengabaikan fakta bahwa individu dapat melihat iklan beberapa kali, dan dampaknya dapat bervariasi dengan frekuensi eksposur. Untuk mengatasi batasan ini, Meridian menawarkan opsi untuk membuat model efek saluran media apa pun berdasarkan data jangkauan dan frekuensi, bukan satu metrik eksekusi. Pendekatan ini berpotensi menghasilkan estimasi dampak pemasaran yang lebih tepat terhadap hasil bisnis dan membantu mengoptimalkan eksekusi kampanye melalui rekomendasi frekuensi.
Untuk tujuan pemodelan, data jangkauan dan frekuensi harus berada pada tingkat granularitas geografis dan waktu yang sama dengan data penjualan dan kontrol.
Selain itu:
Data jangkauan harus berupa jumlah individu unik yang terekspos iklan saluran dalam setiap jangka waktu, bukan jumlah kumulatif individu yang dijangkau selama jangka waktu berturut-turut.
Data frekuensi harus berupa jumlah total tayangan iklan yang dibagi dengan jangkauan untuk setiap jangka waktu.
Efek media adalah kontribusi tambahan terhadap perkiraan penjualan. Untuk saluran dengan data jangkauan dan frekuensi, efek media \(i^{th}\) saluran dalam geo \(g\) dan jangka waktu \(t\) dimodelkan sebagai berikut:
Dengan keterangan:
- \(f_{g,t,n}^{[RF]}\) adalah frekuensi rata-rata
- \(r_{g,t,n}^{[RF]}=L_{g,i}^{[RF]}(\overset {\cdot \cdot} r_{g,t,i})^{[RF]}\) adalah jangkauan yang ditransformasi. Nilai ini diskalakan menurut populasi dan nilai median untuk channel. Untuk mengetahui informasi selengkapnya, lihat Data input.
Efek ini dihitung dengan menerapkan fungsi Hill terlebih dahulu ke frekuensi rata-rata \(f_{g,t,n}^{[RF]}\) untuk menyesuaikan efek saturasi. Frekuensi yang ditransformasi Hill untuk setiap wilayah geografis dan minggu dikalikan dengan jangkauan yang ditransformasi. Nilai ini kemudian diberi bobot oleh fungsi Adstock untuk menangkap efek tertunda dari eksposur media dari waktu ke waktu.
Fungsi Hill memungkinkan efek media berbentuk S sebagai fungsi frekuensi, yang berarti bahwa jangkauan rata-rata yang optimal untuk efektivitas biaya mungkin lebih besar dari satu. Kurva berbentuk S mencerminkan intuisi bahwa mungkin ada frekuensi optimal untuk nilai hasil inkremental per tayangan iklan. Frekuensi minimum tertentu mungkin diperlukan untuk memperkuat daya ingat merek, sementara frekuensi yang berlebihan dapat menyebabkan kejenuhan iklan dan penurunan hasil.
Jangkauan diasumsikan memiliki hubungan linear dengan respons penjualan yang mempertahankan frekuensi tetap. Jangkauan bergantung pada definisi target audiens, yang dapat berupa kombinasi dari berbagai grup, masing-masing dengan responsivitasnya sendiri terhadap iklan. Dengan mengasumsikan efek jangkauan linear, Anda dapat secara implisit mengasumsikan bahwa jangkauan di berbagai audiens berubah secara proporsional. Namun, mungkin saja seiring dengan bertambahnya total jangkauan, akan lebih sulit untuk menjangkau anggota audiens target lainnya. Dalam hal ini, efek jangkauan dapat memiliki hasil marginal yang menurun. Meridian membatasi efek jangkauan agar bersifat linear untuk menghindari masalah overparameterisasi model, non-identifiabilitas parameter, dan konvergensi Markov Chain Monte Carlo (MCMC). Berhati-hatilah agar tidak mengekstrapolasi efek linear ini jauh di luar rentang nilai jangkauan yang diamati dalam data.
Untuk informasi selengkapnya tentang jangkauan dan frekuensi, lihat Model Media Campuran Hierarkis Bayesian yang Menggabungkan Data Jangkauan dan Frekuensi.
Perbedaan antara frekuensi yang diasumsikan untuk ROI dan untuk pengoptimalan
Ada perbedaan antara frekuensi yang diasumsikan untuk ROI dan untuk pengoptimalan. Anda dapat menyesuaikan frekuensi yang diasumsikan untuk pengoptimalan jika diperlukan.
Seperti yang telah dibahas dalam ROI, mROI, dan kurva respons, ROI mengukur laba atas investasi saluran saat dijalankan selama jangka waktu yang datanya dimiliki MMM. Cara channel dieksekusi mencakup cara tayangan dialokasikan di seluruh wilayah geografis dan waktu, serta mencakup frekuensi historis channel tersebut.
Pengoptimalan mengasumsikan bahwa kampanye mendatang akan dijalankan pada frekuensi optimal, karena frekuensi sering kali berada dalam kontrol pengiklan, terutama untuk saluran digital. Jika frekuensi optimal berbeda dengan frekuensi historis, performa saluran dalam alokasi anggaran yang dioptimalkan mungkin tidak cocok dengan performa historis saluran menurut ROI. Hal ini dapat diperburuk jika frekuensi saat ini jauh dari frekuensi optimal.
Jika kampanye mendatang tidak akan dijalankan pada frekuensi yang optimal, Anda dapat menggunakan opsi pengoptimalan untuk mengubah frekuensi yang diasumsikan. Hal ini dapat membantu saluran yang tidak dapat dijalankan pada frekuensi rata-rata tertentu.