El eslabón perdido: 3 pasos para conectar el rendimiento de TV y SEM

El columnista Benjamin Vigneron comparte su método para atribuir cambios en el desempeño de SEM a lo largo del tiempo a múltiples variables internas y externas.

video-tv3-ss-1920

Cada especialista en marketing que piensa en su combinación de marketing de manera integral no solo se preocupa por cada canal individualmente, sino también por el rendimiento de esos canales en combinación entre sí.

Si bien esto puede ser complicado de medir con precisión, compartiré algunas técnicas básicas para conectar datos en línea y fuera de línea y, más específicamente, cómo los especialistas en marketing pueden medir el impacto de la televisión y la estacionalidad en sus esfuerzos de SEM.

1. Elija datos relevantes

Idealmente, querrá ejecutar una prueba en una muestra significativa de su audiencia y comparar los resultados con el resto de su audiencia. Desafortunadamente, eso no siempre es posible en la vida real.

Por ejemplo, si publica anuncios de televisión a nivel nacional, no podrá orientar sus anuncios a una muestra aleatoria de la población y comparar los resultados con el resto de la población, por lo que no podrá formar grupos de prueba y control agradables y ordenados. . En cambio, tendrá que analizar cuánto impacto tiene la televisión nacional en sus iniciativas en línea. tiempo extraordinario.

Suponiendo que nuestra variable de respuesta es el volumen de impresiones SEM semanales que recibimos en una selección de consultas de búsqueda de marca en Google y Bing, entonces nuestra primera variable sería cuánto se gastó en anuncios de televisión a lo largo del tiempo. Tenga en cuenta que las tendencias estacionales pueden desempeñar un papel importante en el rendimiento general de SEM y casi siempre deben tenerse en cuenta al atribuir cambios en el rendimiento a lo largo del tiempo.

Básicamente, desea normalizar los datos en función de las tendencias estacionales; esto evitará que atribuya un cambio a los anuncios de televisión cuando en realidad esperaba un mayor volumen en función de las tendencias históricas de la temporada.

Del mismo modo, los cambios presupuestarios, ya sea en línea (SEM, publicidad social, RTB, correo electrónico, etc.) o fuera de línea (TV, radio, etc.), pueden afectar enormemente el rendimiento a lo largo del tiempo y definitivamente deben tenerse en cuenta.

Para los propósitos de este artículo, lo mantendré simple y me enfocaré en las siguientes variables: gasto en televisión nacional y tendencias estacionales. Sin embargo, la lógica sería válida para más variables, siempre que esas variables sean independientes entre sí.

En este caso, usaremos las siguientes variables de entrada:

  • Variable de respuesta Y1: impresiones SEM de marca semanales
  • Variable de entrada X1: gasto semanal en televisión nacional en este caso
  • Variable de entrada X2: índice semanal de Tendencias de Google en las principales consultas sin marca, que supuestamente reflejan la demanda del mercado

2. Ejecute un análisis de contribución

El siguiente paso es ejecutar un análisis de contribución (más específicamente, un análisis de regresión lineal múltiple, en este caso) para que podamos predecir nuestra variable de respuesta (es decir, el volumen de consultas de búsqueda de la marca SEM) a partir de dos variables independientes: gasto en publicidad televisiva y tendencias estacionales. . Por el bien de esta publicación, usemos algunos números duros y esta hoja de cálculo descargable: Real frente a modelado (archivo .XLSX). Digamos que tenemos diecinueve semanas de datos de TV y SEM, así como datos de Tendencias de Google.

(Nota: Podríamos usar R, cual es muy bien adaptado para este tipo de análisis. Sin embargo, por el bien de esta publicación, solo usaremos Excel, que se usa mucho más ampliamente).

Excel ofrece un paquete de «Análisis de datos», que ayudará a ejecutar un análisis de regresión múltiple. Las instrucciones paso a paso son las siguientes:

  1. Cargue el paquete de herramientas de análisis de Excel de una vez por todas: consulte Cargue las herramientas de análisis para obtener instrucciones.
  2. Inicie el paquete de análisis de datos a través de la pestaña «Datos»

botón-análisis-de-datos

  1. Seleccione «Regresión» en el cuadro Herramientas de análisis.

menú de análisis de datos

  1. Seleccione la variable de respuesta («Rango de entrada Y»), las variables de entrada («Rango de entrada X»), elija una celda donde desee generar los resultados, como $ G $ 1, y haga clic en «Aceptar».

configuración de regresión

Mirando el resumen de regresión, estará buscando:

  • Una R cuadrada ajustada alta, es decir, un valor superior a 0,6-0,8, lo que indicaría que entre el 60% y el 80% de las impresiones de tu marca se pueden atribuir a la combinación de gasto televisivo y estacionalidad.

resumen-salida-11

  • Valores p bajos para cada variable de entrada. Un valor de p superior a 0,05 no es estadísticamente significativo (podría deberse a una casualidad aleatoria, más que a un hallazgo).
  • Coeficientes positivos para cada variable contribuyente. De hecho, los coeficientes negativos pueden ocurrir como resultado de la colinealidad de dos variables de entrada, lo que significa que sus variables de entrada están correlacionadas (por ejemplo, ocurren al mismo tiempo) y el análisis de regresión no puede distinguir el impacto de esas variables individualmente.

resumen-salida-2

3. Visualice su modelo predictivo

Ahora puede comparar su modelo con los datos observados y, más específicamente, analizar la contribución de cada variable individual.

Observado frente a modelado

En el ejemplo actual, podría decir que el 39% de todas las impresiones de marca se pueden atribuir a la televisión y el 51% se puede atribuir a la estacionalidad.

Contribución variable a lo largo del tiempo
Contribución variable promedio

Por supuesto, este es el mejor escenario en el que los datos son particularmente limpios; en la vida real, es posible que primero deba limpiar los datos (eliminar valores atípicos, normalizar más los datos, agregar más variables de entrada).

Sin embargo, esta técnica puede ser muy útil para tener una primera idea de la conexión de datos en línea y fuera de línea y, de manera más general, atribuir cambios en el rendimiento a múltiples variables internas y externas; luego, puede probar su modelo predictivo, ver qué tan preciso es, y afinarlo con el tiempo.


Las opiniones expresadas en este artículo pertenecen al autor invitado y no necesariamente a El Blog informatico. Los autores del personal se enumeran aquí.


Deja un comentario