6. Bölüm

Bütçe kararları kanıtı nasıl izlemeli?

Yazar: · 9 dk okuma · Son güncelleme

Bu sayfada 7 bölüm
  1. Ortalama ve marjinal getiri arasındaki fark nedir?
  2. Harcama arttıkça marj neden düşer?
  3. Gecikmeli etkiler resmi nasıl bozar?
  4. Sinerji kararı nasıl değiştirir?
  5. Kanıt belirsizken ne yapmalı?
  6. Bu bölümün sınırı
  7. Kaynaklar

Temel bulgular

  • TV reklamı veren 288 markanın %80'inden fazlasında marjinal getiri negatifti; oysa toplam getiri yaklaşık üçte birinde pozitifti (Shapiro ve ark., 2021). [Gözlemsel]
  • Attribution payı, bir medyanın marjinal etkinliği ile geçmiş temas miktarının çarpımıyla orantılıdır; kârı en yükseğe çıkaran bütçe ise geçmiş temasa bağlı değildir (Danaher ve van Heerde, 2018). [Model]
  • İki medya birbirini güçlendirdiğinde en iyi tepki toplam harcamayı artırmak ve bütçenin bir kısmını daha az etkili medyaya kaydırmaktır (Naik ve Raman, 2003). [Model, pazar verisi]
  • Medya karması modellerinde tahmin edilen en iyi karma, alttaki parametreler belirsiz olduğu için geniş ölçüde değişebilir (Jin ve ark., 2017). [Model]

Kısa cevap. Bütçe marjinal getiriyi izlemeli: bir kanala harcanan bir sonraki euronun toplam kâra kattığını. Çoğu raporun gösterdiği ortalama reklam harcaması getirisi, zaten harcanmış euroları betimler. Doygunluk marjı ortalamanın altına çeker, gecikmeli etkiler kısa pencerelerde marjı olduğundan küçük gösterir ve sinerji bir kanalın marjını diğerlerine bağlı kılar. Kanıt zayıfken en iyi karar çoğu zaman mevcut bütçeyi korumak ve test etmektir.

Ortalama ve marjinal getiri arasındaki fark nedir?

Ortalama reklam harcaması getirisi, bir kanala yazılan tüm ciroyu o kanala harcanan tüm paraya böler. Marjinal getiri, bir sonraki harcama biriminden gelen ek kârdır. Bütçe kararları her zaman bir sonraki birimle ilgilidir: para eklemek, kesmek ya da kaydırmak. Bu yüzden ortalama, doğru ölçülmüş olsa bile, karar için yanlış sayıdır.

Sekizinci bölümdeki testten bir deney ikisinin ne kadar ayrışabileceğini gösteriyor.

Bir mağaza 8 hafta boyunca X ve Y kanallarının haftalık bütçelerini rastgele, her birini 2.000 € ya da 3.000 € olarak ayarladı. Ortalama haftalık mağaza cirosu:

Şu haftalardaCiro
X 2.000 €40.100 €
X 3.000 €41.300 €
Y 2.000 €39.300 €
Y 3.000 €42.100 €

Platformun raporladığı ROAS: X 5,0, Y 3,0. Cironun yarısı reklam maliyetleri öncesi kâr.

  • X'e ek 1.000 €: +1.200 € ciro → +600 € kâr → harcamadan sonra 400 € zarar
  • Y'ye ek 1.000 €: +2.800 € ciro → +1.400 € kâr → 400 € kazanç

Örnek.

Ortalama getirisi yüksek olan kanal, bir sonraki euro için daha kötü yerdir. Bu, ölçeği büyütülmüş bir kanal için olağan durumdur: en iyi kitlelerine ilk önce ulaşılmıştır; bu yüzden ortalaması yüksek kalırken marjı düşer.

Bu sıralamadan ne kadar emin olunabilir? Dört bütçe bileşiminin her birinin 8 haftanın 2'sine düştüğünü ve haftalık cironun beklenen düzeyi etrafında 500 € standart sapmayla oynadığını varsayalım. O zaman her kanalın etkisi 4 haftayı 4 haftayla karşılaştırır:

  • Her kanalın etkisinin standart hatası: 500 € × √(1/4 + 1/4) ≈ 354 €; %95 aralık yaklaşık ±690 €
  • X: +1.200 € ciro (510 € ile 1.890 € arası) → ek harcamadan sonra yaklaşık −750 € ile −50 € arası
  • Y: +2.800 € ciro (2.110 € ile 3.490 € arası) → ek harcamadan sonra yaklaşık +50 € ile +750 € arası
  • Y eksi X: +1.600 € ciro, standart hata 500 € → 620 € ile 2.580 € arası

Yalnızca 8 haftalık veriyle, 1,96 yerine 2,57 ile çarpan t dağılımına dayalı aralık yaklaşık %30 daha geniştir. O zaman Y'nin kendi kazancı sıfırın biraz altına inebilir, ama Y yine X'i geçer. Sıralama kârdan daha kesindir. 500 € açıklayıcı bir varsayım; testin 2. vakası yalnızca ortalamaları veriyor.

Çubuk grafik: platformun raporladığı reklam harcaması getirisi X kanalı için 5,0, Y kanalı için 3,0.
Şekil 6.1. Ortalama getiri harcanmış euroları anlatır. Şekil 6.2 sıradaki euroyu gösteriyor.Kaynak: 8. bölümdeki testte kullanılan örnek.
Ayrışan çubuk grafik: rastgele bütçe testinde X kanalına eklenen 1.000 € reklam maliyeti sonrası −400 €, Y kanalına eklenen +400 € kâr getiriyor.
Şekil 6.2. 8 hafta boyunca rastgele 2.000 € ya da 3.000 €'ya ayarlanan haftalık bütçelerden; cironun yarısı reklam öncesi kâr. Yüksek ortalama, sıradaki euro için daha kötü yerdir.Kaynak: 8. bölümdeki testte kullanılan örnek.

Harcama arttıkça marj neden düşer?

Doygunluk yüzünden. Bir kanala harcanan ilk eurolar en duyarlı kitlelere en düşük maliyetle ulaşır. Ek eurolar daha az ilgili, ulaşması daha pahalı ya da zaten ulaşılmış kişilere gider. Medya karması modelleri bunu bir şekil (azalan getiri) eğrisiyle yakalar (Jin ve ark., 2017).

Shapiro ve arkadaşlarının 288 markadaki sonuçları bunun ne kadar önemli olduğunu gösteriyor. Markaların çoğunda TV reklamına harcanan son dolar maliyetinden az getirdi; oysa reklam bir bütün olarak yaklaşık üçte birinde kârlıydı (Shapiro ve ark., 2021). [Bizim okumamız] Reklamın bir bütün olarak kârlı olduğu üçte birlik grupta bile yalnızca ortalama getiriyi okuyan bir reklamveren kanalın çalıştığı sonucuna varır ve kâr ettirdiği noktayı geçtikten sonra da ölçeği büyütmeye devam eder.

Harcamaya karşı ciroda azalan getiri eğrisi: mevcut harcamada ortalama getiri (sıfırdan eğim), marjinal getiriden (o noktadaki eğim) daha diktir.
Şekil 6.3. İlk eurolar en duyarlı kitlelere ulaşır. Medya karması modelleri bunu bir şekil terimiyle yakalar.Kaynak: Şematik; Jin ve ark. (2017) temel alındı.

Gecikmeli etkiler resmi nasıl bozar?

Reklam çoğu zaman gecikmeyle çalışır. Biri bugün bir video görür, üç hafta sonra satın alır. 1 ya da 7 günlük attribution pencereleri bunu kaçırır; bu yüzden etkileri geç gelen kanallar olduklarından zayıf görünür. Medya karması modelleri gecikmeyi carryover ya da adstock olarak, yani harcamadan sonra azalarak süren bir etki olarak temsil eder (Jin ve ark., 2017).

Bir mağaza YouTube'a ayda 5.000 € harcıyor. Ajans panosu, 7 günlük tıklama attribution'ıyla 6.000 € ciro gösteriyor (ROAS 1,2). Cironun yarısı kâr, yani başa baş ROAS 2,0. Geçen bahar yapılan bölgesel bir deney 5.000 € harcama başına 15.000 € artımsal ciro tahmin etti (%95 aralık 10.500 € ile 19.500 € arası); çoğu temastan 2 ila 5 hafta sonra geldi.

  • Atfedilen ROAS: 1,2, başa başın altında → "kes"
  • Artımsal ROAS: 3,0, başa başın üstünde → reklam maliyetinden sonra ayda yaklaşık 2.500 € kâr
  • Aralığın alt ucu: ROAS 2,1, yine başa başın üstünde → ayda yaklaşık 250 € kâr

8. bölümdeki testte kullanılan örnek. Aralık burada eklendi; testin 5. vakası yalnızca tahmini veriyor.

Aynı kampanya, ölçüm penceresinin gecikmeyi kapsayıp kapsamamasına göre zararlı ya da kârlı görünüyor.

2,0'da başa baş çizgili çubuk grafik: 7 günlük attribution ROAS'ı 1,2 ile başa başın altında; bölgesel deneyden artımsal ROAS 3,0 ile üstünde.
Şekil 6.4. Etkinin çoğu maruziyetten 2–5 hafta sonra, 7 günlük pencerenin dışında geldi.Kaynak: 8. bölümdeki testte kullanılan örnek.

Sinerji kararı nasıl değiştirir?

Kanallar birbirini güçlendiriyorsa, 3. bölümde görüntülü reklam ve arama için gösterildiği gibi, bir kanalın marjı diğerlerine ne kadar harcandığına bağlıdır. Naik ve Raman (2003) Dockers reklamlarında TV ile basılı reklam arasındaki sinerjiyi tahmin etti ve sezgiye aykırı bir kural çıkardı: sinerji arttıkça reklamveren toplamda daha çok harcamalı ve bütçenin bir kısmını daha az etkili medyaya kaydırmalıdır, çünkü o medya daha etkili olanın getirisini artırır. [Model, pazar verisi]

Attribution bu kuralı yakalayamaz. Her kanala sabit bir pay verir; oysa her kanalın gerçek değeri diğerlerinin bütçesiyle değişir. Danaher ve van Heerde (2018), "Delusion in Attribution" (Attribution yanılgısı) başlıklı makalelerinde ilişkili bir noktaya değiniyor: attribution payı bir medyanın marjinal etkinliği ile geçmiş temas miktarının çarpımını yansıtır; kârı en yükseğe çıkaran dağılım ise geçmiş temasa hiç bağlı değildir. Bu yüzden attribution paylarına göre bütçe dağıtmak geçen yılın planını yeniden üretme eğilimindedir.

Kanıt belirsizken ne yapmalı?

Kararı belirsizlik altında bir seçim olarak ele alın ve belirsizliği fiyatlayın. [Bizim okumamız]

DurumEldeki kanıtTipik doğru karar
Güvenilir bir deney kanalın aralığın alt ucunda bile kârlı olduğunu gösteriyorDeney, aralık başa başın üstündeAttribution ne derse desin koru
Attribution ile deney çelişiyorDeney ve attributionDeneyi izle, sonra attribution penceresinin gecikmeli etkileri kaçırıp kaçırmadığını kontrol et
İki kanal tek bir bütçe artışı için yarışıyor ve bütçe düzeyi testi varTestten marjinal getirilerParayı ortalaması değil marjinal getirisi yüksek olana ver
Yalnızca attribution var ve platform iddiaları çakışıyorYalnızca attributionBütçeyi değiştirme; kesmeden ya da büyütmeden önce test yap
Reklamı görenler görmeyenlerden çok daha fazla dönüşüyorYalnızca gözlemsel karşılaştırmaO farka dayanarak büyütme; önce holdout yap

Son iki satır vurguyu hak ediyor. Tek kanıt attribution olduğunda bir kanalı kapatmak raporların hiç göstermediği değeri yok edebilir, bir kanalı büyütmek de parayı seçilime dökebilir. Kısa bir test genellikle iki hatadan da ucuzdur. Bir testin değeri, önlediği kararın beklenen kaybıdır.

Sekizinci bölümün testinden bir örnek ilk satırı açıklıyor.

Google Ads 9.000 € harcamayla 300 dönüşüm raporluyor; her sipariş 45 € kâr getiriyor. Aynı kampanyalarda yapılan rastgele atamalı bir lift testi, raporlanan dönüşümlerin %92'sinin reklamlardan kaynaklandığını buldu (%95 aralık %80–104).

  • Merkezi tahmin: 276 artımsal sipariş × 45 € = 12.420 € kâr → harcamanın yaklaşık 3.420 € üstünde
  • Alt uç: 240 sipariş × 45 € = 10.800 € → yine harcamanın yaklaşık 1.800 € üstünde

Bir danışmanın "Google zaten olacak satışları sahipleniyor" şeklindeki genel iddiası birçok durumda doğrudur, burada yanlıştır.

Her platform sayısını sabit bir oranda indirmek, her platform sayısına güvenmek kadar kestirme bir yoldur. Kararı her kanaldaki kanıt verir.

Bu bölümün sınırı

Bu bölümdeki her kural her kanal için bir tepki eğrisi gerektirir: getirinin harcamayla nasıl değiştiği, ne kadar sürede geldiği ve diğer kanallara nasıl bağlı olduğu. Deneyler bu eğrilerin birkaç noktasını verir. Tüm seti birlikte tahmin etmek için reklamverenin bütün kanalların aynı anda modeline ve onu dürüst tutmanın bir yoluna ihtiyacı vardır. 7. bölüm attribution, deney ve modelin birlikte nasıl çalıştığını anlatıyor.

Kaynaklar

  • Danaher, P. J., & van Heerde, H. J. (2018). Delusion in attribution: Caveats in using attribution for multimedia budget allocation. Journal of Marketing Research, 55(5), 667–685. doi:10.1177/0022243718802845
  • Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). Bayesian methods for media mix modeling with carryover and shape effects. Google Inc.
  • Naik, P. A., & Raman, K. (2003). Understanding the impact of synergy in multimedia communications. Journal of Marketing Research, 40(4), 375–388. doi:10.1509/jmkr.40.4.375.19385
  • Shapiro, B. T., Hitsch, G. J., & Tuchman, A. E. (2021). TV advertising effectiveness and profitability: Generalizable results from 288 brands. Econometrica, 89(4), 1855–1879. doi:10.3982/ECTA17674