Как считают рекламу? (стр. 3 из 4)

Но реально это сделать практически невозможно, поэтому именно в области рекламы, в области того, что связано с человеческой деятельностью, наука находится дальше от практики, чем в других отраслях.

В чем основная проблема науки? Чтобы можно было взять и попробовать описать что-либо формулой, нужны исходные данные, а в нашем случае их получить очень сложно. Почему? Потому что попробуйте понять, по каким причинам вы покупаете тот или иной товар? Возможно, что даже один и тот же товар, который вы покупаете изо дня в день, вы покупаете, исходя каждый раз из разных соображений. В одном случае вам просто захотелось его купить, в другом случае он вам необходим, в третьем случае вы его купили, потому что не купили что-то еще и так далее.

И как при этом узнать, когда вы купили товар под воздействием именно той рекламы, эффективность которой мы исследуем?

Поэтому наука сегодня пытается найти более или менее надежные методы сбора исходной информации, которые помогут без учета лишних факторов оценить влияние рекламы на людей. Тогда появится возможность сопоставить тот объем рекламы, который дошел до потребителей, с теми результатами, которые были достигнуты за счет этого.

4.1. Самые известные научные исследования

Научных исследований на эту тему было много, однако толку от них мало, так как итоговые результаты малоприменимы на практике. Но, тем не менее, какие-то результаты уже достигнуты. В первую очередь, это довольно известные закономерности.

По горизонтальной оси мы будем откладывать количество произведенной рекламы (рекламное давление), а по вертикальной – уровень реакции потребителя (обозначим его буквой q). Почему именно уровень реакции, а не объем продаж? Потому что мы не обязательно рекламируем товар, мы можем рекламировать Интернет-сайт, и в таком случае нам важно, чтобы туда приходили посетители. Если мы рекламируем торговую марку, нам не настолько важны продажи, насколько ее запоминаемость. Например, в результате рекламы торговая марка «Ксерокс» однозначно ассоциируется с копировальными аппаратами.

Было проведено много исследований, и все они доказали, что зависимость уровня реакции от количества рекламных сообщений представляет собой так называемую s-образную кривую (я долго мучился, когда учился, пытаясь понять, почему это s-образная кривая… но почему-то ее принято называть именно так).

Как вы можете заметить, здесь есть две важных точки, когда кривая меняет направление: сначала она росла медленно, потом росла резко, а затем опять перешла на медленный рост. Соответственно, здесь есть два стандартных порога, которые нужно учитывать при моделировании рекламы:

· порог восприятия: это то число рекламных сообщений, после которого люди начинают обращать на нас внимание;

· порог насыщения, после которого, сколько бы рекламы мы не давали, отдача остается примерно той же.

Я думаю, что это понятно и на обычном бытовом уровне.

Построим еще один график. Здесь у нас отражен уровень запоминания, то есть то, как зависит способность потребителя к запоминанию информации, которую несет реклама, от ее количества.

Насчет «хвоста» этой зависимости существует много споров: не все специалисты уверены, что в итоге функция убывает. Скорее всего, убывание все-таки происходит, и связано оно с тем, что когда люди видят рекламу, они ее запоминают, а потом постепенно перестают обращать на нее внимание, либо впечатление от этой рекламы замещается какой-либо новой рекламой – рекламой конкурентов или рекламой других товаров.

Данные, отраженные на этих двух графиках, были получены уже году в шестидесятом, и ими практически исчерпывалось то, что рекламодатели и вообще люди, которые этим занимаются, знали о реакции потребителя на рекламу. То есть можно было примерно оценить порог восприятия и порог насыщения; можно было оценить результаты кампании, если с какого-то момента начинался резкий рост продаж, а потом опять с какого-то момента продажи фиксировались на некотором уровне. Это можно было отследить просто в процессе управления рекламной кампанией: все соглашались с тем, что два этих порога существуют, но дальше этого дело не шло.

С развитием ЭВМ, когда появилась возможность производить большие хитрые расчеты, люди решили попробовать уже более точно – математически – оценить, как это все работает.

Давайте возьмем какой-нибудь стандартный пример. Пускай это будет зависимость количества сделанных в электронном магазине покупок от количества показов в Интернете рекламных сообщений этого магазина (количества баннеров). Почему удобно в качестве примера использовать именно электронную торговлю? – Потому что мы можем сказать точно, в какое время были показаны наши баннеры (причем с точностью до секунды), и можем сравнить это с данными о том, когда и какого рода покупка была совершена в нашем магазине.

Мы получили вот такую загадочную зависимость. Что дальше старается сделать современная наука? Она говорит: «Классно! У меня есть данные о том, сколько совершено покупок и сколько было рекламных показов: попробую-ка я смоделировать кривую, которая будет примерно повторять форму этой кривой, полученной опытным путем. Тогда я смогу утверждать: если магазин покажет столько-то баннеров, то у него купят примерно столько-то книг. Да, конечно, будет какое-то отклонение от действительности, но я смогу смоделировать результаты достаточно точно».

Если мы действительно сможем построить модель такой кривой, то получим ценную информацию. Мы сможем предсказать все пороги восприятия и насыщения. Сможем для каждой конкретной ситуации спрогнозировать, сколько нам нужно потратить денег на рекламную кампанию, и сможем оценить, когда у нас будет достигнута какая отдача. Мы сможем более-менее четко предсказать результаты от той рекламы, которую мы даем.

Но наш основной рекламный объект настолько хитрый, что создает нам очень серьезную проблему при моделировании.

4.2. Проблема агрегации данных

Основные проблемы, с которыми мы сталкиваемся, следующие.

Во-первых, нам нужно понять, какие исходные данные у нас есть. Что мы можем сделать? Для начала попробовать разобраться, какие данные на какую ось мы наносим. Например, если на нижнюю ось нанесем число показов рекламных сообщений (предположим, мы можем определить, когда у нас был показан баннер, с точностью до секунды), а на другую – число продаж после соответствующего числа показов. Однако в этом случае погрешность будет слишком велика: трудно будет увидеть, после 14998-го или после 15093-го показа баннера была проведена покупка. Да нам и не нужна настолько точная информация.

Поэтому логично как-нибудь укрупнить эти данные: например, до числа баннеро-показов за первый час и, соответственно, числа покупок за этот час. Если мы по всем временным промежуткам сделаем то же самое, у нас получится новый набор точек. В итоге нашу кривую мы будем строить не по исходным данным, а по агрегированным, то есть просуммированным по временным интервалам.

Но здесь и кроется основная проблема: какой временной интервал нам выбрать? Дело в том, что пытаясь загнать поведение клиентов в область математического моделирования, мы сталкиваемся с тем, что компьютер выдает совершенно сумасшедшие результаты – настолько далекие от истины, что это видно с ходу. А если вы измените величину промежутка и будете агрегировать данные не по часам, а по суткам, то результат итогового моделирования и, соответственно, все дальнейшие результаты, которые вы получите, будут очень значительно различаться.

4.3. Отложенное влияние рекламы

Кроме того, вся реклама по своей природе имеет отложенное влияние. Например, рекламу вы увидели сегодня, а покупку можете совершить либо сегодня, либо завтра, либо через месяц. Если в нашем случае мы используем часовой интервал и видим, что за первый час мы показали 10’000 баннеров, мы можем считать, что эти показы принесли нам первые пять покупок. Но тут мы можем ошибиться, потому что часть клиентов, которые пришли по первым десяти тысячам баннеров, совершили покупки позже. А мы будем думать, что они совершили покупки уже под воздействием следующей порции баннеров.

Получается, что те данные, которые мы исследуем, неправильны, так как для математического моделирования необходимо, чтобы все наши наблюдения были относительно независимы. Но в действительности это сложно, и поэтому так важен выбор правильного интервала.

Как же нам быть? Обычно говорят: «А давайте возьмем за интервал агрегации то время, которое проходит между одной и другой покупкой рекламируемого товара». Получается, что мы предполагаем вот что: сегодня тебе показали рекламное объявление, какое-то время ты думаешь, потом что-то ты покупаешь, и только тогда мы снова начинаем показывать тебе рекламу. В таком случае вероятность ошибки моделирования значительно снижается.

(Пара слов студентам: модели, которые используются для оценки эффективности рекламы, не проходят в Университете даже на направлении «Математические методы анализа экономики». Все используемые модели «страдают» не нормальным распределением остатков. Такие методы, как МНК (метод наименьших квадратов), в этой области уже никакой роли не играют.)

4.2. Полученные научные результаты

Сейчас мы перейдем к самому интересному – к тому, какие результаты были получены мировой наукой в этой сфере.

В 80-х годах по заказу правительства США было проведено одно очень интересное исследование. Предполагалось подтвердить или опровергнуть одно расхожее мнение, которое обуславливает негативное отношение к рекламе: якобы реклама на самом деле никакого толку не приносит, за счет рекламы нам «впихивают» плохие товары, на рекламу тратится много денег, которые могли бы пойти на содержание бедных людей и так далее. Соответственно, было проведено исследование для выяснения того, влияет ли реклама на объем продаж или нет. Как вы думаете, какие результаты были получены?