Reklame i digitale kanaler øker raskt, men begeistringen for den digitale reklamens effekt er ofte basert på illusjoner som ikke er der. For å lykkes må man ha god forståelse for hvordan algoritmene og målgruppene fungerer.

Reklame i digitale kanaler øker raskt og utgjør nå om lag 40% av de totale medieinvesteringene i Norge. Annonsørene tilbys helt unike muligheter til å kjøpe finmaskede målgrupper. Men annonsørene blir lurt. Effekten måles nemlig ved å sammenligne respons hos de som har sett reklamen opp mot de i målgruppen som ikke har sett den. Og målt på denne måten finner man betydelige effekter, men det er altså en illusjon. I en nylig publisert studie med 15 felteksperimenter fant forskerne at den sanne effekten av digital reklame i gjennomsnitt var under en fjerdedel av det man normal får rapportert.

Årsaken til overestimering av reklamens effekt ligger i hvordan algoritmene i annonseplassering fungerer. Algoritmene starter med annonsørenes definisjon av målgruppe og finner personer som passer til beskrivelsen. Men algoritmen følger med på hvem som responderer og bruker denne informasjonen til å finne personer som ikke bare er i målgruppen, men som har ytterligere kjennetegn som matcher de som har begynt å klikke. På denne måten vil algoritmen systematisk snevre inn potensielle personer i målgruppen til de som ligner mest på de som klikker mest.

Problemet ligger altså i at eksponering til digital reklame ikke skjer etter en tilfeldig prosess, men gjennom algoritmer som systematisk favoriserer de som har høy responstilbøyelighet. Forskerne i den aktuelle studien utviklet imidlertid et snedig design som gjorde at man fordelte reklamen til testgruppen og kontrollgruppen etter et tilfeldighetsprinsipp.

Kontrollgruppen fulgte samme målgruppedefinisjon som testgruppen, men fikk reklame for noe annet. Man kunne dermed sammenligne respons i testgruppen mot respons i ekte kontrollgruppe. Man beregnet også respons i de som var i målgruppen for testen, men ikke fikk reklame.

Et eksempel er respons i testgruppen på 0,079% mot 0,046% i kontrollgruppen. Respons i målgruppen som ikke fikk reklame var på 0,025%. Av den totale effekten på 0,054 (0,079-0,025) kommer altså bare 0,033 (0,079-0,046) fra reklamen mens 0,021 (0,054-0,033) skyldes utvelgelsesfeil. I prosent betyr dette at 61% av effekten kommer fra reklame. I figuren ser vi hvor stor utvelgelsesfeilen er i 13 av de 15 studiene (studie 4 er eksempelet). I de to siste studiene var total effekten null. Som vi ser er det en kraftig overvurdering av den digitale reklamens effekt.

Selnes_modell.jpg

Annonsøren kan øke effekten av digital reklame ved å definere målgruppen smartere. Husk at problemet ligger i at personer i målgruppen har ulik responssannsynlighet og at algoritmene favoriserer de som i utgangspunktet har en høy responssannsynlighet. Dersom vi kan redusere variasjon i responssannsynlighet, det vil si en mer homogen målgruppe, vil problemet reduseres. Dette er et klassisk segmenteringsproblem som er velkjent for markedsførere. Ideelt burde man segmentere etter preferanse for merkevaren, slik at de som har høy preferanse er i segment 1 og de som har lav preferanse eller ingen preferanse, er i segment 2. En slik ny praksis vil gi lavere responstall sammenlignet med tidligere praksis, men det er bare tilsynelatende fordi man nå har redusert utvelgelsesfeilen.

Utfordringen ligger i å finne kriterier som definerer målgrupper etter segmenteringsprinsippet (homogen responstilbøyelighet). Her vil de ulike digitale kanalene ha forskjellig tilbud i hvilke kriterier man kan bruke. I Google vil man typisk lete etter søkeord som brukes av de med lav preferanse for merkevaren. Et illustrerende eksempel er det Norwegian Bank gjorde da de betalte for konkurrentenes merkenavn slik at de som søker på Santander får Norwegian Bank øverst i søkeresultatene.

For Facebook vil man typisk lete etter interesser i tillegg til demografiske kriterier, og det man bør lete etter er kriterier som kjennetegner de som i utgangspunktet har lav preferanse for merkevaren, men som kan påvirkes av et godt reklamebudskap. Et illustrerende eksempel er om BI bruker interesse for prestisjestudier ved andre studiesteder som spesifikasjon av målgruppe for sin reklamekampanje. Disse personene vil i utgangspunktet ha lavere preferanse for BI, men kan påvirkes dersom budskapet er godt. Tilsvarende kan man tenke også for de andre digitale kanalene.

Vi har konkrete eksempler på at digitale reklamekanaler kan være meget effektive, men det krever at annonsørene er smarte og strategiske i hvordan de brukes. Segmentering og systematisk posisjonering er fremdeles oppskriften på markedssuksess. Men begeistringen for de digitale kanalene baseres dessverre ofte på illusjoner av effekt som ikke er der. Hvis den digitale reklamen er så fantastisk burde det ha materialisert seg i økt salg – og de fleste har til gode å oppleve nettopp det!

Referanse:

A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook, Gordon, Brett R., Zettelmeyer Florian, Bhargava,Neha and Chapsky, Dan. 2018.

Artikkelen er opprinnelig skrevet for BI Marketing Magazine.

Kommentarer

Du kan også se alle nyheter her.
BI Business Review

Nyhetsbrev

Meld deg på for oppdaterte nyheter fra BI Business Review!

Meld på