Każda kampania retail media kończy się liczbą. Zazwyczaj jest to ROAS. Czasami jest to uplift. Niekiedy są to sprzedaże inkrementalne.
Ale jest coś, o czym nikt nie chce mówić: ta liczba jest tylko tak wiarygodna, jak baseline, z którą jest porównywana.
Czym jest Baseline w Retail Media?
Baseline oznacza to, co wydarzyłoby się bez kampanii. Nie to, co wydarzyło się wcześniej. Nie wynik z poprzedniego roku. Nie średnią.
To kontrfaktyczny scenariusz - sytuacja, w której reklama nigdy się nie pojawiła, ale wszystko inne pozostało takie samo.
Ta różnica ma większe znaczenie, niż większość osób zdaje sobie sprawę.
Dlaczego jest to pierwsza liczba, którą kwestionuje dział finansowy
Kiedy zespół marki przychodzi na spotkanie QBR i mówi: „osiągnęliśmy 5x ROAS”, pierwsze pytanie osoby z doświadczeniem finansowym brzmi: w porównaniu do czego?
Jeśli baseline jest błędna, uplift również będzie błędny. A jeśli uplift jest błędny, cały case biznesowy się załamuje.
Oto jak zwykle dochodzi do błędów:
- Porównanie przed/po. Porównujesz okres kampanii z okresem wcześniejszym. Jednak sezonowość, promocje, zmiany w dystrybucji czy zmiany cen mogą wpływać na sprzedaż niezależnie od kampanii. Porównanie przed/po nie izoluje kampanii. Izoluje kalendarz.
- Porównanie rok do roku. Lepsze, ale wciąż obarczone szumem. Czy krajobraz konkurencyjny był taki sam? Czy produkt był dostępny w tej samej liczbie sklepów? Czy cena się zmieniła? Porównanie YoY daje punkt odniesienia, ale nie baseline.
- Średnia kategorii jako proxy. Czasami przydatna dla kontekstu, ale kategoria obejmuje również działania konkurencji. Jeśli cała kategoria wzrosła o 8%, a Ty o 10%, ta różnica 2% może być znacząca - albo może być tylko szumem.
Żadna z tych metod nie jest baseline. To benchmarki.Benchmarki pokazują, jak wypadłeś w porównaniu do czegoś.Baseline pokazuje co faktycznie zmieniła Twoja kampania.
Prognozowanie popytu jako Baseline w Retail Media
Najbardziej rygorystycznym sposobem zdefiniowania baseline jest przewidzenie, jaka sprzedaż miałaby miejsce bez kampanii - a następnie porównanie rzeczywistych wyników z tą prognozą.
Właśnie tutaj pojawiają się modele prognozowania popytu (demand forecasting).
Prognoza popytu wykorzystuje historyczne dane sprzedażowe i uwzględnia wszystkie czynniki wpływające na wolumen niezależnie od mediów: krzywe sezonowości, kalendarze promocyjne, elastyczność cenową, zmiany dystrybucji, wzorce pogodowe, efekty świąteczne, a nawet zachowania zakupowe według dni tygodnia na poziomie sklepu. Marki i retailerzy mogą korzystać z zaawansowanych narzędzi shopper insights oraz analizy odbiorców, aby zrozumieć te wzorce jeszcze przed rozpoczęciem kampanii. Model uczy się, jak wygląda „normalna” sprzedaż dla danego produktu w danym sklepie w określonym tygodniu - z uwzględnieniem wszystkich tych zmiennych.
Wynikiem jest oczekiwana krzywa sprzedaży. Nie jest to płaska linia. Nie jest to prosta średnia. To dynamiczna prognoza, która porusza się razem z biznesem — tak, jak naprawdę działa biznes.
Gdy kampania jest uruchomiona, porównuje się rzeczywistą sprzedaż z prognozą. Różnica — rzeczywista minus oczekiwana — to Twój uplift. Ponieważ prognoza już uwzględnia sezonowość, promocje i dystrybucję, ta różnica jest znacznie bliższa prawdziwemu inkrementalnemu efektowi mediów.
To podejście zasadniczo różni się od wybierania okresu porównawczego i zakładania, że nic innego się nie zmieniło. Prognoza modeluje zmiany — nie ignoruje ich.
Dlaczego jest to szczególnie ważne dla retail media
Retail media opiera się na danych transakcyjnych. To jego przewaga. Jednak same dane transakcyjne nie dają baseline — pokazują jedynie rzeczywiste wyniki. Potrzebny jest model, który przekształci historyczne dane rzeczywiste w prognozy dotyczące przyszłości. Zaawansowane platformy retail media pomagają retailerom łączyć dane o shopperach, realizację kampanii oraz atrybucję sprzedaży w jeden spójny system pomiaru.
Retailerzy i platformy, które inwestują w prognozowanie popytu (demand forecasting) jako część swojego systemu pomiarowego, zyskują coś bardzo wartościowego: baseline, która jest wiarygodna, powtarzalna i nie zależy od znalezienia „czystego” okresu porównawczego — ponieważ w handlu detalicznym taki okres praktycznie nie istnieje. Zawsze coś jest w promocji. Zawsze coś się zmieniło.
Dobry model popytu radzi sobie z tym. Mówi: „Biorąc pod uwagę wszystko, co wiemy o tym produkcie, tych sklepach, tej porze roku, tej cenie i tym planie promocyjnym — tyle sprzedaży spodziewaliśmy się osiągnąć.” Zadaniem kampanii jest przekroczyć tę prognozę.
A kiedy model jest dobrze skalibrowany, wyniki pozostają pod kontrolą. Finanse mogą audytować metodologię. Marka widzi założenia. Rozmowa zmienia się z „Czy wierzysz w tę liczbę?” do „Co napędzało deltę?”
Grupy kontrolne: druga wiarygodna metoda
Prognozowanie popytu nie jest jedyną metodą. Drugą wiarygodną metodą są grupy kontrolne.
Weź populację shopperów. Wystaw jedną grupę na działanie kampanii. Zachowaj grupę kontrolną, która jest statystycznie identyczna, ale nie widzi żadnej aktywności kampanii. Następnie porównaj wyniki.
Różnica to Twój uplift. Zachowanie grupy kontrolnej stanowi Twoją baseline.
W praktyce najsilniejsze systemy pomiarowe wykorzystują oba podejścia. Prognoza ustala oczekiwaną baseline w całym zasięgu kampanii. Grupa kontrolna weryfikuje ją eksperymentalnie na wybranym podzbiorze. Kiedy obie metody dają podobne wyniki, rośnie poziom zaufania. Gdy się różnią, dowiadujesz się czegoś nowego o swoim modelu — a to również jest wartościowe.
Co powinna uwzględniać dobra baseline
Niezależnie od tego, czy używasz prognozowania popytu, grup kontrolnych, czy obu metod, wiarygodna baseline powinna uwzględniać:
- Sezonowość. Czy jest to okres, w którym sprzedaż naturalnie rośnie lub spada?
- Aktywność promocyjną. Czy produkt był objęty promocją podczas kampanii? Czy był w promocji w okresie baseline?
- Zmiany w dystrybucji. Czy produkt zyskał lub stracił sklepy?
- Zmiany cen. Czy cena na półce uległa zmianie?
- Aktywność konkurencji. Czy bezpośredni konkurent wprowadził produkt, wycofał go lub promował w tym samym okresie?
- Czynniki zewnętrzne. Pogoda, święta, zmiany makroekonomiczne — wszystko, co wpływa na wolumen sprzedaży na poziomie kategorii.
- Model popytu uwzględnia te czynniki jako dane wejściowe. Grupa kontrolna neutralizuje je poprzez odpowiednią konstrukcję eksperymentu.
W obu przypadkach baseline odzwierciedla rzeczywistość — a nie jej wygodnie uproszczoną wersję.
Rzeczywistość w praktyce
Większość retail media networks dzisiaj nie robi tego dobrze. Wiele z nich nie robi tego w ogóle.
Standardowy raport po kampanii pokazuje wyświetlenia, zasięg i być może wykres sprzedaży. Baseline jest sugerowana, ale nie jest jasno określona. Uplift oblicza się względem okresu wybranego dlatego, że sprawiał, iż wynik wyglądał lepiej.
To nie jest pomiar. To jest marketing.
Sieci, które wygrają w długim okresie, będą tymi, które zainwestują w prognozowanie popytu (demand forecasting) jako element infrastruktury — nie jako jednorazową analizę, ale jako ciągły model działający w każdej kampanii, w każdej kategorii i w każdym sklepie. Będą jasno określać swoją metodologię baseline, utrzymywać ją konsekwentnie i akceptować wynik taki, jaki jest — nawet jeśli nie wygląda korzystnie.
Bo gdy baseline są poprawnie zdefiniowane, dzieje się coś ważnego: marki zaczynają ufać wynikom. Gdy marki ufają wynikom, zwiększają budżety. A gdy zwiększają budżety, przestają prosić o rabaty — ponieważ kupują dowód skuteczności, a nie tylko miejsca reklamowe.
Baseline nie jest szczegółem raportowania. Jest fundamentem każdego twierdzenia, jakie stawia retail media.
Najlepsze baseline są budowane na modelach demand forecasting, które przewidują, co i tak zostałoby sprzedane, oraz są weryfikowane poprzez eksperymenty z grupami kontrolnymi, które potwierdzają te prognozy. Razem zmieniają stwierdzenie: „Uważamy, że kampania zadziałała” w „Oto co kampania zmieniła — i dlaczego jesteśmy tego pewni.”
Jeśli budujesz lub kupujesz retail media, pierwsze pytanie nie powinno brzmieć: „Jaki jest ROAS?” Powinno brzmieć:„ Jak została zdefiniowana baseline?”
Cała reszta wynika właśnie z tego.
