Những sai sót trong quảng cáo công nghệ số

Hiệu quả mang lại của quảng cáo kỹ thuật số là bán được nhiều sản phẩm/ dịch vụ. Một nghiên cứu quy mô lớn về quảng cáo trên eBay cho thấy hiệu quả của quảng cáo tìm kiếm thương hiệu được đánh giá khá cao lên tới 4.100%. Một phân tích tương tự về các quảng cáo trên Facebook đã đưa ra con số 4.000%. Đối với tất cả dữ liệu chúng tôi có, có vẻ như các công ty vẫn chưa có câu trả lời cho câu hỏi do nhà bán lẻ nổi tiếng thế kỷ 19 John Wanamaker đặt ra đầu tiên: Phần nào trong ngân sách quảng cáo của công ty tôi đang bị lãng phí?

Tuy nhiên, bây giờ chúng ta sẽ có thể trả lời câu hỏi này. Bởi vì những gì cản trở không phải là việc thiếu thông tin - vấn đề mà Wanamaker phải đối mặt - mà là sự nhầm lẫn cơ bản giữa mối tương quan và quan hệ nhân quả.

Sai lầm chuyển đổi

Khi các đại diện tiếp thị có chiến lược quảng cáo đến khách hàng, họ tuyên bố rằng quảng cáo sẽ tạo ra thay đổi hành vi khách hàng- một hiện tượng thường được gọi là mức tăng. Họ thống kê số lượng người mua sản phẩm sau khi xem quảng cáo - thường được gọi là tỷ lệ chuyển đổi.

Để giải thích sự khác biệt giữa hai điều này cho học sinh của tôi, tôi cho họ tưởng tượng rằng, vào ngày đầu tiên của lớp học, tôi đứng ở cửa phát tờ rơi quảng cáo lớp học cho mọi học sinh bước vào. Sau đó tôi hỏi họ: “Cái gì vậy? Tỷ lệ chuyển đổi trên quảng cáo của tôi là bao nhiêu? ” Họ luôn trả lời chính xác "100%" bởi vì 100% những người nhìn thấy quảng cáo đã "mua" hoặc đăng ký tham gia lớp học. Sau đó, tôi hỏi: "Những quảng cáo đó đã thay đổi hành vi của bạn bao nhiêu?" Vì tất cả đều đã đăng ký lớp học từ lâu trước khi nhìn thấy quảng cáo, nên tất cả đều trả lời, "Không" Vì vậy, trong khi tỷ lệ chuyển đổi trên quảng cáo của tôi là 100%, thì mức tăng từ quảng cáo - mức độ thay đổi hành vi mà nó gây ra - bằng 0.

Mặc dù ví dụ của tôi khá đơn giản, nhưng nó cho thấy lý do tại sao sự nhầm lẫn giữa mức tăng và chuyển đổi có thể tạo ra các vấn đề cho việc đo lường ROI tiếp thị. Các thương hiệu lớn trả cho các đơn vị tư vấn những khoản tiền lớn để “nhắm mục tiêu” quảng cáo của họ đến những người có nhiều khả năng mua sản phẩm của họ nhất. Nhưng khi nhắm mục tiêu hướng đến những khách hàng là những người chưa sẵn sàng mua sản phẩm, việc chuyển đổi khách mua hàng từ nhấp chuột sẽ không tạo ra bất kỳ doanh thu mới nào. Chìa khóa để trả tiền cho quảng cáo là thu hút mọi người mua hàng hóa của bạn (hoặc quyên góp cho một chiến dịch chính trị, xã hội hay tiêm vắc-xin), ai sẽ không làm như vậy?

Đo lường mức tăng

Giả sử chúng ta muốn biết liệu (A) tham gia quân đội (B) có khiến thu nhập tiền lương cả đời của một người thấp hơn hay không? Chúng ta không thể đơn giản so sánh mức lương của những người nhập ngũ với những người không nhập ngũ, bởi vì có nhiều yếu tố khác (C) có thể dẫn đến sự khác biệt mà chúng ta có thể thấy trong các con số.

Ví dụ, những người có khả năng tiếp cận tham gia quân đội sớm hơn được trả lương cao hơn người ít có khả năng tham gia quân đội ngay từ đầu (điều này là do B tác động lên A). Và những người có học vấn hoặc kỹ năng cao hơn chọn không nhập ngũ (C tác động lên cả A và B). Vì vậy, những gì thoạt nhìn giống như mối quan hệ nhân quả giữa nghĩa vụ quân sự và mức lương trung bình thấp hơn có thể chỉ đơn giản là mối tương quan do những yếu tố khác gây ra. Sau đó, vấn đề của chúng ta là kiểm soát các yếu tố khác này trong khi tách biệt với mối quan hệ mà chúng ta muốn kiểm tra.

Chúng ta có thể làm điều này bằng cách tạo một nhóm kiểm soát. Nếu chúng ta chỉ định ngẫu nhiên một số người tham gia quân đội vào nhóm kiểm soát, thì trung bình nhóm tham gia sẽ có cùng trình độ học vấn, kỹ năng (và độ tuổi, giới tính, tính khí, thái độ, v.v.) như nhóm kiểm soát. Với một mẫu đủ lớn, sự phân bố của tất cả các đặc điểm có thể quan sát được và không thể quan sát được giữa những người được chỉ định vào nhóm kiểm soát và nhóm tham gia là như nhau, khiến bản thân việc kiểm soát trở thành lời giải thích duy nhất còn lại cho bất kỳ sự khác biệt nào về kết quả giữa hai nhóm. Với tất cả những điều bình đẳng khác, chúng ta có thể tin tưởng rằng không có gì khác ngoài nghĩa vụ quân sự của họ có thể dẫn đến sự khác biệt về tiền lương của họ.

Vấn đề là không phải lúc nào cũng có thể làm được điều này. Một nhà khoa học sẽ rất khó để biện minh cho một nghiên cứu ngẫu nhiên buộc mọi người phải tham gia quân đội. Trong những trường hợp này, chúng tôi tìm kiếm những gì được gọi là "thí nghiệm tự nhiên" - các dữ liệu biến thiên ngẫu nhiên bắt chước một thí nghiệm ngẫu nhiên.

Một thí nghiệm tự nhiên được Josh Angrist sử dụng để đo lường tác động của nghĩa vụ quân sự đối với tiền lương là dự thảo xổ số áp dụng cho công dân Hoa Kỳ trong Chiến tranh Việt Nam. Mỗi công dân nam được ấn định một số dự thảo và những con số này được chọn ngẫu nhiên để xác định ai là người được bốc thăm. Xổ số dự thảo là một thử nghiệm tự nhiên tạo ra sự thay đổi ngẫu nhiên về khả năng tham gia quân đội của mọi người. Angrist đã sử dụng biến thể này để ước tính tác động nhân quả của nghĩa vụ quân sự đối với tiền lương.

Theo cách tương tự, Christos Nicolaides và tôi đã sử dụng thời tiết như một thí nghiệm tự nhiên để hiểu tác động của việc nhắn tin trên mạng xã hội đối với hành vi tập thể dục. Mặc dù những người hay chạy nhiều có xu hướng bạn bè là những người chạy nhiều, sự thay đổi của thời tiết đã giúp chúng tôi ước tính được mức độ nhận được tin nhắn xã hội từ bạn bè khiến chúng tôi phải chạy nhiều hơn.

Khi bạn tìm hiểu dữ liệu và bắt đầu chạy thử nghiệm, bạn sẽ nhanh chóng nhận ra rằng tác động của quảng cáo trực tuyến không như những gì bạn có thể mong đợi. Trong Yahoo! nghiên cứu, ví dụ, các nhà nghiên cứu phát hiện ra rằng quảng cáo hiển thị hình ảnh trực tuyến thực sự đã làm tăng số lượng mua hàng lên 5%. Nhưng hầu như không có sự gia tăng nào đến từ những khách hàng trung thành. Trong đó, 78% đến từ những người chưa bao giờ nhấp vào quảng cáo trước đó và 93% doanh số bán hàng thực tế diễn ra sau đó tại các cửa hàng trực tiếp, thay vì thông qua phản hồi trực tuyến. Nói cách khác, mô hình tiêu chuẩn về quan hệ nhân quả của quảng cáo trực tuyến - việc xem quảng cáo và chuyển thành nhấp chuột, sau đó dẫn đến mua hàng - không mô tả chính xác cách quảng cáo ảnh hưởng đến hành vi khách hàng.

Lợi ích của tiếp thị nhân quả

Những phát hiện như vậy có thể giải thích tại sao Procter & Gamble và Unilever, những ông lớn của tiếp thị thương hiệu, có thể cải thiện hiệu suất tiếp thị công nghệ của họ ngay cả khi họ cắt giảm ngân sách quảng cáo công nghệ. Vào năm 2017, Marc Pritchard, Giám đốc Thương hiệu của P&G, đã cắt giảm ngân sách quảng cáo trực tuyến của công ty xuống 200 triệu đô la ứng với 6%. Năm 2018, Unilever thậm chí còn đi xa hơn, cắt giảm gần 30% quảng cáo trực tuyến. Kết quả? Mức tăng trưởng doanh số tự nhiên của P&G tăng 7,5% trong năm 2019 và mức tăng 3,8% đối với Unilever.

Những cải tiến này có thể thực hiện được vì cả hai công ty cũng đã chuyển chi tiêu truyền thông của họ từ tập trung hẹp trước đây theo tần suất - được đo bằng số lần nhấp hoặc lượt xem - sang tập trung vào phạm vi tiếp cận, số lượng người tiêu dùng mà họ đã tiếp xúc. Dữ liệu cho thấy trước đây họ đã tiếp cận một số khách hàng của mình bằng các quảng cáo trên mạng xã hội từ 10 đến 20 lần mỗi tháng. Mức độ dồn dập này dẫn đến lợi nhuận giảm dần, và thậm chí có thể khiến một số khách hàng trung thành khó chịu. Vì vậy, họ đã giảm tần suất đi 10% và chuyển số tiền quảng cáo đó để tiếp cận những khách hàng mới và không thường xuyên không nhìn thấy quảng cáo.

Họ cũng xem xét rất kỹ những người mua lần đầu tiên để hiểu động cơ mua hàng, cho phép họ xác định khá chính xác, những nhóm khách hàng chưa được tiếp xúc đầy hứa hẹn. Ví dụ: họ đã mô tả rằng họ đang chuyển từ "mục tiêu nhân khẩu học chung chung như "phụ nữ 18-49"" sang "đối tượng thông minh" như những người lần đầu làm mẹ và lần đầu tiên sở hữu máy giặt.

Làn sóng thủy triều của dữ liệu cá nhân, cấp độ chi tiết được tạo ra bởi quảng cáo trực tuyến đã cho chúng ta câu trả lời cho câu hỏi mà John Wanamaker đặt ra. Nó có khả năng cho phép các nhà tiếp thị đo lường chính xác các hiệu ứng truyền thông và biết thông điệp nào hiệu quả và thông điệp nào không. Chỉ cần đảm bảo rằng bạn đang phân biệt rõ mối tương quan với quan hệ nhân quả, như P&G và Unilever đã làm và không nhắm mục tiêu những người đã là khách hàng trung thành nhất của bạn.