Nie każdy shopper jest zidentyfikowany. Wskaźnik penetracji programu lojalnościowego może wynosić 60%, 70%, a w najlepszym razie może 80%. Pozostali to osoby anonimowe, dokonali transakcji, ale nie da się ich powiązać z ekspozycją na kampanię.
Co więc zrobić z tą luką? Jeśli ją zignorujesz, zaniżysz wpływ kampanii.
Jeśli dokonamy ekstrapolacji, ryzykujemy jej przeszacowanie. Tak czy inaczej, liczba ta jest błędna, pytanie brzmi, w którą stronę wolimy się pomylić i na ile jesteśmy transparentni co do tego wyboru.
Co oznacza ekstrapolacja
Ekstrapolacja polega na przeniesieniu zachowań zaobserwowanych w populacji dopasowanej (zidentyfikowanej) na populację niedopasowaną (anonimową).
Jeśli zidentyfikowani shoppers, którzy mieli kontakt z kampanią, wykazali wzrost o 6%, ekstrapolacja zakłada, że anonimowi shoppers również wykazali wzrost o około 6%. Całkowity szacowany wpływ staje się wynikiem dla zidentyfikowanej grupy skalowanym na całą grupę docelową.
Założenie: dopasowani i niedopasowani shoppers zachowują się podobnie. Założenie to jest często błędne. Członkowie programów lojalnościowych są zazwyczaj bardziej aktywni jako nabywcy, bardziej zaangażowani i bardziej reagują na promocje. Przenoszenie ich zachowań na mniej aktywnych, mniej zaangażowanych anonimowych shoppers prawdopodobnie zawyża efekt.
Zasady rzetelnej ekstrapolacji
Jeśli dokonujesz ekstrapolacji, musisz określić zasady. W Footprints AI metodologia jest przejrzysta:
1. Wyniki dla zidentyfikowanych shopperów należy przedstawiać jako podstawowe. „Wśród zidentyfikowanych shopperów kampania przyniosła 6,2% przyrostowy wzrost i 4,8-krotny iROAS”.
2. Szacunki oparte na ekstrapolacji należy przedstawiać oddzielnie. „Ekstrapolując na całą szacowaną audiencję, całkowity przyrostowy wpływ szacuje się na X euro. Zakłada się przy tym podobne wskaźniki reakcji wśród niezidentyfikowanych shoppers”.
3. Podaj wskaźnik dopasowania. „68% szacowanej liczby shopperów, którzy mieli kontakt z reklamą, zostało zidentyfikowanych na podstawie danych dotyczących lojalności”.
4. Podaj założenie. „Ekstrapolacja zakłada równoważną reakcję w populacji niezidentyfikowanej. Jeśli niezidentyfikowani shoppers są mniej skłonni do reakcji (co jest typowe), rzeczywisty całkowity wpływ mieści się między wynikiem dopasowanym a ekstrapolowanym szacunkiem”.
5. Nigdy nie należy przedstawiać danych ekstrapolowanych jako danych zmierzonych. Rozróżnienie to musi być jasne w raporcie, na pulpicie nawigacyjnym oraz w każdej rozmowie dotyczącej wyników.
Kiedy ekstrapolacja jest właściwa
Ekstrapolacja ma sens, gdy: - Wskaźnik dopasowania jest wystarczająco wysoki (>60%), dzięki czemu dopasowana próba jest reprezentatywna - Współczynnik ekstrapolacji jest umiarkowany (1,3, 1,5x, a nie 3x) -
metodologia jest udokumentowana i spójna we wszystkich kampaniach, marka rozumie i akceptuje to założenie
Nie ma sensu, gdy: - wskaźnik dopasowania jest niski (<40%), a mnożnik ekstrapolacji jest duży - wiadomo, że dopasowana populacja systematycznie różni się od niedopasowanej - wynik jest przedstawiany bez kontekstu metodologicznego
Podsumowując
Jeśli dokonujesz ekstrapolacji, musisz określić zasady. W przeciwnym razie dowód nie wytrzyma krytycznej analizy.
Najpierw przedstaw wyniki dopasowane. Ekstrapoluj, stosując udokumentowaną metodologię. Zachowaj przejrzystość co do wskaźnika dopasowania i założeń. Nigdy nie przedstawiaj szacunków jako pomiarów.
Uczciwa ekstrapolacja oparta na jasnej metodologii buduje większe zaufanie niż zawyżone liczby bez kontekstu. A zaufanie to waluta, dzięki której kampanie są przedłużane.
Chcesz zobaczyć, jak to działa w praktyce?
Footprints AI pomaga markom i detalistom mierzyć to, co naprawdę ma znaczenie. Zapoznaj się z historiami sukcesów naszych klientów lub skontaktuj się z nami, aby omówić swoją strategię w zakresie Retail Media.
