Bu sayfada 7 bölüm
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 haftalarda | Ciro |
|---|---|
| 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.


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.

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.

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]
| Durum | Eldeki kanıt | Tipik doğru karar |
|---|---|---|
| Güvenilir bir deney kanalın aralığın alt ucunda bile kârlı olduğunu gösteriyor | Deney, aralık başa başın üstünde | Attribution ne derse desin koru |
| Attribution ile deney çelişiyor | Deney ve attribution | Deneyi izle, sonra attribution penceresinin gecikmeli etkileri kaçırıp kaçırmadığını kontrol et |
| İki kanal tek bir bütçe artışı için yarışıyor ve bütçe düzeyi testi var | Testten marjinal getiriler | Parayı ortalaması değil marjinal getirisi yüksek olana ver |
| Yalnızca attribution var ve platform iddiaları çakışıyor | Yalnızca attribution | Bütçeyi değiştirme; kesmeden ya da büyütmeden önce test yap |
| Reklamı görenler görmeyenlerden çok daha fazla dönüşüyor | Yalnızca gözlemsel karşılaştırma | O 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