L'utilizzo della copertura e della frequenza è un fattore cruciale per campagne pubblicitarie efficaci, ma spesso non viene preso in considerazione nei modelli di marketing misto (MMM) attuali a causa della mancanza di metriche accurate sulla copertura e sulla frequenza per alcuni canali di media tradizionali. In genere, gli MMM si basano sulle impressioni come input, trascurando il fatto che gli individui possono essere esposti agli annunci più volte e che l'impatto può variare con la frequenza di esposizione. Per superare questa limitazione, Meridian offre la possibilità di modellare l'effetto di qualsiasi canale multimediale in base ai dati su copertura e frequenza, anziché su una singola metrica di esecuzione. Questo approccio può potenzialmente fornire stime più precise dell'impatto del marketing sui risultati aziendali e contribuire a ottimizzare l'esecuzione delle campagne tramite consigli sulla frequenza.
Ai fini della definizione del modello, i dati su copertura e frequenza devono avere lo stesso livello di granularità geografica e temporale dei dati sulle vendite e sui controlli.
Inoltre:
I dati sulla copertura devono indicare il numero di utenti unici esposti all'annuncio dei canali in ogni periodo di tempo anziché il numero cumulativo di individui raggiunti in periodi di tempo consecutivi.
I dati sulla frequenza devono essere il numero totale di impressioni diviso per la copertura per ogni periodo di tempo.
L'effetto media è il contributo additivo alle vendite previste. Per i canali con dati su copertura e frequenza, l'effetto mediatico del \(i^{th}\) canale \(g\) all'interno dell'area geografica \(g\) e del periodo di tempo \(t\) è modellato come segue:
Dove:
- \(f_{g,t,n}^{[RF]}\) è la frequenza media
- \(r_{g,t,n}^{[RF]}=L_{g,i}^{[RF]}(\overset {\cdot \cdot} r_{g,t,i})^{[RF]}\) è la copertura trasformata. Il valore viene scalato in base alla popolazione e al valore mediano del canale. Per ulteriori informazioni, consulta la sezione Invio di dati.
Questo effetto viene calcolato applicando prima la funzione di Hill alla frequenza media \(f_{g,t,n}^{[RF]}\) per compensare gli effetti di saturazione. La frequenza trasformata di Hill per ogni area geografica e settimana viene moltiplicata per la copertura trasformata. Questi valori vengono poi ponderati in base alla funzione Adstock per acquisire gli effetti ritardati dell'esposizione ai media nel tempo.
La funzione Hill consente all'effetto media di avere una forma a S in funzione della frequenza, il che significa che la copertura media ottimale per l'efficacia in termini di costi può essere superiore a 1. La curva a forma di S riflette l'intuizione che potrebbe esserci una frequenza ottimale per il valore incrementale del risultato per impressione. Per rafforzare il ricordo del brand potrebbe essere necessaria una frequenza minima, mentre una frequenza eccessiva può causare fatica pubblicitaria e rendimenti decrescenti.
Si presume che la copertura abbia una relazione lineare con la risposta alle vendite mantenendo costante la frequenza. La copertura dipende dalla definizione del pubblico di destinazione, che può essere una combinazione di gruppi diversi, ciascuno con la propria reattività alla pubblicità. Se si assume un effetto lineare della copertura, si può implicitamente assumere che la copertura nei diversi segmenti di pubblico varia proporzionalmente. Tuttavia, è possibile che, con l'aumento della copertura totale, sia più difficile raggiungere altri membri del pubblico di destinazione. In questo caso, l'effetto della copertura può avere un ritorno marginale decrescente. Meridian limita l'effetto della copertura a essere lineare per evitare la sovraparametrizzazione del modello, la non identificabilità dei parametri e i problemi di convergenza del metodo Monte Carlo a catena di Markov (MCMC). Fai attenzione a non estrapolare questo effetto lineare molto al di fuori dell'intervallo di valori di copertura osservati nei dati.
Per ulteriori informazioni su copertura e frequenza, consulta Modello di media mix gerarchico bayesiano che include i dati di copertura e frequenza.
Differenze tra la frequenza assunta per il ROI e per l'ottimizzazione
Esistono differenze tra la frequenza assunta per il ROI e per l'ottimizzazione. Se necessario, puoi modificare la frequenza presunta per l'ottimizzazione.
Come discusso in ROI, mROI e curve di risposta, il ROI misura il ritorno sull'investimento di un canale così come è stato eseguito durante la finestra temporale per la quale il MMM dispone di dati. La modalità di esecuzione di un canale include la modalità di allocazione delle impressioni in base a aree geografiche e tempo, nonché la frequenza storica del canale.
L'ottimizzazione presuppone che le campagne future verranno eseguite con la frequenza ottimale, poiché la frequenza è spesso sotto il controllo dell'inserzionista, soprattutto per i canali digitali. Se la frequenza ottimale è diversa da quella storica, il rendimento di un canale nell'allocazione ottimizzata del budget potrebbe non corrispondere al rendimento storico del canale in base al ROI. Questo problema può essere aggravato se la frequenza corrente è lontana da quella ottimale.
Se le campagne future non verranno eseguite con la frequenza ottimale, puoi utilizzare l'opzione di ottimizzazione per modificare la frequenza presunta. Questa opzione può essere utile per i canali che non possono essere eseguiti con una frequenza media specifica.