Baseline - attributiemodellen

De baseline

In een zestal artikelen leggen we uit hoe onze attributie modellen werken en hoe deze modellen een oplossing bieden voor de problemen die je tegen zult komen bij het analyseren van de effecten van een tv-campagne.

Bij het nauwkeurig bepalen van de effectiviteit van je tv-campagne, moet je rekening houden met vele factoren, zoals:

  1. De baseline: welke waarden vormen het fundament van je spoteffecten?
  2. Het meetvenster: waar begint en eindigt het online-effect van iedere tv-spot?
  3. Overlappende tv-commercials: hoe wijs je het juiste effect toe aan iedere tv-spot?
  4. Accurate uitzenddata: hoe garandeer je dat je altijd de exacte uitzendtijden verkrijgt?
  5. Negatieve uplift: Wat te doen met negative uplifts na het uitzenden van een spot en hoe deze te interpreten?
  6. Individueel effect van attribuut: Wat is de exacte individuele en relatieve kracht van elk van de onderliggende attributen (zenders, tijdvak, creatie etc)? Welke spots zullen het goed doen? (voorspel en plan vooraf)

Als je geen rekening houdt met deze factoren of op een onjuiste manier, dan is het vrijwel onmogelijk om betrouwbare conclusies te trekken.

De baseline

De gangbare manier om de prestatie van je tv-spots te analyseren, is benchmarking. Je meet de website respons in de minuten na je tv-spot en vergelijkt deze vervolgens met een baseline: de prestaties die je zonder de tv-spot zou verwachten. Voor deze baseline moet je dus eerst de uitgangswaarden bepalen die het fundament zullen vormen voor het vergelijken van je resultaten.

Wat zijn de kenmerken van een accurate baseline? En welke alternatieven worden er (helaas) vaak ingezet die kunnen resulteren in inaccurate metingen en uplifts?

Lineaire baseline

Je zou het aantal website bezoeken (sessies) kunnen meten voordat je commercial is uitgezonden en dit getal als baseline gebruiken. Toch is dit geen goede oplossing, omdat je benchmark in dit geval te statisch is.

Om dit probleem op te lossen, zou je twee meetmomenten kunnen nemen i.p.v. één. Naast het meetmoment vóórdat de commercial wordt uitgezonden kan je ook het moment meten nadat het effect van je commercial verdwenen is. Je kan nu een lijn trekken van het eerste meetpunt naar het tweede en dit als baseline gebruiken. Een probleem is echter dat in zo’n kort tijdsbestek er plotselinge fluctuaties in je website bezoeken kunnen plaatsvinden die niet gerelateerd zijn aan de commercial en die je baseline berekening verstoren. Dit kan dan resulteren in hoger of lager gemeten uplifts als reactie op een commercial dan wat werkelijk het geval is.

blank

Gemiddelde baseline

Als alternatief zou je kunnen kijken naar het gemiddelde website bezoek. Echter, indien je de baseline berekent op basis van het gemiddelde aantal sessies van iedere specifieke dag en minuut combinatie, zou je een onvolmaakt attributiemodel hebben. Je baseline kan namelijk hevig beïnvloed worden door andere factoren zoals: seizoenen, het weer, specifieke gebeurtenissen, enzovoorts.

blank

Onze baseline

Bij Mediasynced hebben we een meer verfijnde aanpak gekozen om een accurate baseline te kunnen hanteren. We hebben klant specifieke dag modellen gebouwd op basis van historische gegevens. Door deze modellen af te stemmen op real time data, zijn we in staat om een baseline samen te stellen die de natuurlijke curve volgt die we zouden verwachten bij de echte baseline. We doen dit voor iedere campagne en type device. Door deze methodes te hanteren, kunnen we een baseline construeren die beter correleert met de werkelijkheid en die minder beïnvloed wordt door de ruis binnenin de data.

blank

Deel dit artikel:

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn