Quảng cáo được Cá nhân hóa có hoạt động tốt như các công ty công nghệ tuyên bố không?

0

Một số công ty công nghệ lớn gần đây đã xây dựng các nền tảng tuyên bố giáo dục các công ty về cách tốt nhất để tiếp thị bản thân và sản phẩm của họ trực tuyến. Các ví dụ bao gồm Meta for Business (trước đây là Facebook for Business; “Nhận hướng dẫn từng bước, thông tin chi tiết về ngành và các công cụ để theo dõi tiến trình của bạn, tất cả ở một nơi”), Think with Google (“Tiếp thị của bạn xa hơn với Google”), và Twitter dành cho doanh nghiệp (“Phát triển doanh nghiệp của bạn với quảng cáo Twitter”).

Những trang này rất hấp dẫn. Họ cung cấp cho các công ty vừa và nhỏ vô số thông tin thực sự hữu ích về cách kinh doanh trực tuyến và tất nhiên, họ cung cấp nhiều công cụ và dịch vụ quảng cáo được thiết kế để giúp các công ty đó tăng hiệu suất.

Tất cả các trang web này đều có cùng một mục tiêu cơ bản. Họ muốn bạn hiểu các công cụ và dịch vụ của họ là mạnh mẽ và được cá nhân hóa cao – và họ muốn bạn đầu tư số tiền tiếp thị của mình vào chúng.

Không đơn giản như vẻ ngoài

Facebook có lẽ là công ty khăng khăng nhất trong số ba công ty được trích dẫn ở trên. Trong những tuần gần đây, công ty đã phát sóng các quảng cáo kể đủ loại câu chuyện đầy cảm hứng về các doanh nghiệp nhỏ mà họ đã hỗ trợ với các dịch vụ mới của mình. Có thể bạn đã thấy một số quảng cáo này tại sân bay, trên tạp chí hoặc trên các trang web. My Jolie Candle, một thợ làm nến người Pháp, “tìm[s] lên đến 80% khách hàng châu Âu của họ thông qua nền tảng Facebook. ” Chicatella, một công ty mỹ phẩm của Slovenia, “phân bổ tới 80% doanh số bán hàng của họ cho các ứng dụng và dịch vụ của Facebook”. Mami Poppins, một nhà cung cấp đồ dùng trẻ em của Đức, “sử dụng quảng cáo trên Facebook để thúc đẩy một nửa doanh thu của họ”.

Điều đó nghe có vẻ ấn tượng, nhưng liệu các doanh nghiệp có thực sự mong đợi những hiệu ứng lớn như vậy từ quảng cáo? Thực tế là, khi Facebook, Google, Twitter và các công ty Big Tech khác “giáo dục” các doanh nghiệp nhỏ về dịch vụ của họ, họ thường khuyến khích những kết luận không chính xác về tác động nhân quả của quảng cáo.

Hãy xem xét trường hợp của một khách hàng tư vấn của chúng tôi, một công ty hàng tiêu dùng châu Âu trong nhiều năm đã định vị thương hiệu của mình dựa trên sự bền vững. Công ty muốn khám phá xem liệu một quảng cáo trực tuyến đưa ra tuyên bố về sự tiện lợi có thể thực sự hiệu quả hơn quảng cáo trực tuyến tuyên bố về tính bền vững hay không. Với sự trợ giúp của Facebook for Business, nó đã chạy thử nghiệm A / B của hai quảng cáo và sau đó so sánh lợi tức chi tiêu quảng cáo giữa hai điều kiện. Thử nghiệm cho thấy lợi nhuận cao hơn nhiều đối với quảng cáo tính bền vững. Có nghĩa đó là những gì công ty nên đầu tư vào, phải không?

Thực ra, chúng tôi không biết.

Có một vấn đề cơ bản với những gì Facebook đang làm ở đây: Các bài kiểm tra mà họ đang cung cấp với tiêu đề là bài kiểm tra “A / B” thực sự không phải là bài kiểm tra A / B. Điều này không được hiểu rõ, ngay cả bởi các nhà tiếp thị kỹ thuật số có kinh nghiệm.

Vậy điều gì đang thực sự xảy ra trong những thử nghiệm này? Đây là một ví dụ:

1) Facebook chia một lượng lớn khán giả thành hai nhóm – nhưng không phải tất cả mọi người trong các nhóm đều sẽ nhận được sự điều trị. Có nghĩa là, nhiều người thực sự sẽ không bao giờ nhìn thấy một quảng cáo.

2) Facebook bắt đầu chọn mọi người từ mỗi nhóm và nó cung cấp một cách xử lý khác nhau tùy thuộc vào nhóm mà một người được lấy mẫu. Ví dụ: một người được chọn từ Nhóm 1 sẽ nhận được quảng cáo màu xanh lam và người được chọn từ Nhóm 2 sẽ nhận được quảng cáo màu đỏ.

3) Facebook sau đó sử dụng các thuật toán máy học để tinh chỉnh chiến lược lựa chọn của mình. Thuật toán có thể học, giả sử rằng những người trẻ tuổi có nhiều khả năng nhấp vào quảng cáo màu đỏ hơn, vì vậy sau đó nó sẽ bắt đầu phân phát quảng cáo đó nhiều hơn cho những người trẻ tuổi.

Bạn có thấy những gì đang xảy ra ở đây? Thuật toán máy học mà Facebook sử dụng để tối ưu hóa việc phân phối quảng cáo thực sự làm mất hiệu lực thiết kế của thử nghiệm A / B.

Đây là những gì chúng tôi muốn nói. Các bài kiểm tra A / B được xây dựng dựa trên ý tưởng phân công ngẫu nhiên. Nhưng các bài tập được thực hiện ở Bước 3 ở trên có ngẫu nhiên không? Và điều đó có ý nghĩa quan trọng. Nếu bạn so sánh những người được điều trị từ Nhóm 1 với những người được điều trị từ Nhóm 2, bạn sẽ không thể đưa ra kết luận về tác động nhân quả của việc điều trị, bởi vì những người được điều trị từ Nhóm 1 giờ đây khác với những người được điều trị từ Nhóm 2 trên nhiều khía cạnh hơn là chỉ điều trị. Ví dụ: những người được đối xử từ Nhóm 2 đã được phân phát quảng cáo màu đỏ, cuối cùng sẽ trẻ hơn những người được đối xử từ Nhóm 1 đã được phân phát quảng cáo màu xanh lam. Dù bài kiểm tra này là gì, nó không phải là một bài kiểm tra A / B.

Đó không chỉ là Facebook. Trang web Think with Google gợi ý rằng các chỉ số giống như ROI là nguyên nhân, trong khi thực tế chúng chỉ đơn thuần là liên kết.

Hãy tưởng tượng rằng một doanh nghiệp muốn tìm hiểu xem một chiến dịch quảng cáo có hiệu quả trong việc tăng doanh số bán hàng hay không. Trả lời câu hỏi này, trang web gợi ý, liên quan đến sự kết hợp đơn giản giữa công nghệ cơ bản và toán học đơn giản.

Đầu tiên, bạn thiết lập theo dõi chuyển đổi cho trang web của mình. Điều này cho phép bạn theo dõi liệu những khách hàng đã nhấp vào quảng cáo có tiếp tục mua hàng hay không. Thứ hai, bạn tính tổng doanh thu từ những khách hàng này và chia cho (hoặc trừ) chi phí quảng cáo của mình. Đó là lợi tức đầu tư của bạn và theo Google, đây là “phép đo quan trọng nhất đối với các nhà bán lẻ vì nó cho thấy tác động thực sự của Google Ads đối với doanh nghiệp của bạn.”

Trên thực tế, nó không phải. Phân tích của Google là thiếu sót vì nó thiếu một điểm so sánh. Đến Thực ra biết liệu quảng cáo có tạo ra lợi nhuận cho doanh nghiệp của bạn hay không, bạn cần biết doanh thu sẽ như thế nào nếu không có quảng cáo.

Twitter for Business cung cấp một phần đề xuất liên quan nhiều hơn.

Đầu tiên, Twitter làm việc với một nhà môi giới dữ liệu để có quyền truy cập vào cookie, email và thông tin nhận dạng khác từ khách hàng của thương hiệu. Và sau đó Twitter bổ sung thông tin về cách những khách hàng này liên quan đến thương hiệu trên Twitter – chẳng hạn như họ có nhấp vào các tweet được quảng bá của thương hiệu hay không. Điều này được cho là cho phép các nhà phân tích tiếp thị so sánh doanh thu trung bình từ những khách hàng đã tương tác với thương hiệu với doanh thu trung bình từ những khách hàng không sử dụng thương hiệu. Nếu sự khác biệt đủ lớn, theo lý thuyết, thì lý thuyết này sẽ biện minh cho chi phí quảng cáo.

Phân tích này là so sánh, nhưng chỉ với ý nghĩa so sánh táo và cam. Những người thường xuyên mua mỹ phẩm không mua vì họ thấy những dòng tweet quảng cáo. Họ nhìn thấy các tweet quảng cáo cho mỹ phẩm vì họ thường xuyên mua mỹ phẩm. Nói cách khác, những khách hàng nhìn thấy các tweet được quảng cáo từ một thương hiệu là những người rất khác so với những người không xem.

Nhầm lẫn Nhân quả

Các công ty có thể trả lời hai loại câu hỏi bằng cách sử dụng dữ liệu: Họ có thể trả lời các câu hỏi dự đoán (chẳng hạn như “Khách hàng này có mua không?”) Và các câu hỏi suy luận nhân quả (như trong “Quảng cáo này có khiến khách hàng này mua không?”). Những câu hỏi này khác nhau nhưng dễ nhầm lẫn. Trả lời các câu hỏi suy luận nhân quả yêu cầu thực hiện so sánh ngược thực tế (như trong “Liệu khách hàng này có mua hàng mà không có quảng cáo này không?”). Các thuật toán thông minh và công cụ kỹ thuật số được tạo ra bởi các công ty Big Tech thường đưa ra các phép so sánh giữa quả táo với quả cam để hỗ trợ các suy luận nhân quả.

Big Tech nên nhận thức rõ sự khác biệt giữa dự đoán và suy luận nhân quả và tầm quan trọng của việc phân bổ nguồn lực hiệu quả – xét cho cùng, trong nhiều năm, họ đã tuyển dụng một số người thông minh nhất trên hành tinh này. Nhắm mục tiêu người mua có khả năng bằng quảng cáo là một vấn đề dự đoán thuần túy. Nó không yêu cầu suy luận nhân quả và rất dễ thực hiện với dữ liệu và thuật toán ngày nay. Thuyết phục mọi người mua khó hơn rất nhiều.

Các công ty Công nghệ lớn nên được khen ngợi vì những tài liệu và công cụ hữu ích mà họ cung cấp cho cộng đồng doanh nghiệp, nhưng các doanh nghiệp vừa và nhỏ nên biết rằng các nền tảng quảng cáo đang theo đuổi lợi ích riêng của họ khi họ cung cấp đào tạo và thông tin, và những lợi ích này có thể hoặc có thể không phù hợp với của các doanh nghiệp nhỏ.

Ghi chú của biên tập viên (16/12): Tiêu đề trên mảnh này đã được cập nhật.

Thế giới bản tin | Vina Aspire News

Nguồn : https://hbr.org/2021/12/does-personalized-advertising-work-as-well-as-tech-companies-claim

Để lại một câu trả lời

Địa chỉ email của bạn sẽ không được công bố.

may lam kem nguyen lieu lam kem - nguyen lieu lam yogurt bột lm kem may ao thun may ba lo theo yeu cau san xuat moc khoa gia re may o thun quảng co dịch vụ bốc xếp Sản xuất đồ bộ