در چه مواردی تبلیغات دیجیتال اشتباه می کند؟
در چه مواردی تبلیغات دیجیتال اشتباه می کند؟ تاثیر تبلیغات دیجیتال بسیار کمتر از آن چیزی است که به نظر می رسد و شاید مهم ترین دلیل این امر، بالا بودن تعداد کلیک خریدارانی است که به واسطه این تبلیغات از برند خریداری می کنند. این در حالی است که بسیاری از این افراد، حتی بدون وجود تبلیغات نیز، قصد خرید از برند را داشته اند. شما می توانید هزینه تبلیغات خود را کاهش داده و در عین حال نتیجه بهتری کسب کنید…
در خصوص اثر تبلیغات دیجیتال به شکل گسترده ای مبالغه شده است. یک مطالعه گسترده در خصوص تبلیغات شرکت ebay نشان داده است که میزان موثر بودن جستجو بر اساس تبلیغات برند، تا 4100 درصد بیش از واقعیت برآورد شده است. در یک پژوهش مشابه نیز، تبلیغات دیجیتال شرکت فیس بوک تا 4000 درصد بیش از واقعیت برآورد شده است. با توجه به تمام این داده ها، به نظر می رسد که شرکت ها هنوز پاسخی برای بنیادی ترین پرسش جان وانامیکر، خرده فروش معروف قرن نوزدهم میلادی، پیدا نکرده اند: “کدام بخش از بودجه تبلیغاتی شرکت من به هدر می رود؟”
پاسخ دادن به این پرسش باید ممکن باشد؛ چرا که مشکل در نبود اطلاعات نیست (یعنی چیزی که وانامیکر به آن دسترسی نداشت)، بلکه یک سردرگمی اساسی میان همبستگی پارامترها و علیت است.
پیشنهاد می کنیم برای متخصص شدن در حوزه فروش و تبلیغات، در دوره جامع آموزش بازاریابی و فروش، فروشندگی و تبلیغات شرکت کنید.
مغالطه نرخ تبدیل:
زمانی که نمایندگان بازاریابی و مارکتینگ، فضای تبلیغات را به مشتریان خود می فروشند، ادعا می کنند که تبلیغات می توانند سبب ایجاد تغییر رفتاری در جامعه مخاطب شود؛ اثری که آن را لیفت می نامند.
آن ها این ادعای خود را با نشان دادن آمار افرادی که یک محصول را پس دیدن تبلیغ آن خریداری کردند، ثابت می کنند. به این آمار در اصطلاح، نرخ تبدیل گفته می شود.
می توانید با کلیک اینجا، توضیحات دوره اصول و تکنیک های تبلیغات موثر و اثربخش مشاهده نمایید
برای توضیح تفاوت بین این دو به شاگردانم، از آن ها می خواهم من را تصور کنند که در روز اول کلاس، در حالی که جلوی درب کلاس ایستاده ام، بروشورهایی را در خصوص تبلیغ کلاس به شاگردانی که وارد می شوند، می دهم. سپس از آنها می پرسم: ” نرخ تبدیل تبلیغات من چقدر است؟ “
آنها همیشه به درستی پاسخ می دهند: “صد در صد”؛ زیرا 100% از افرادی که آگهی را دیده اند، آن را “خریداری” کرده یا در کلاس ثبت نام کرده اند.
سپس از آن ها می پرسم: “این تبلیغات چقدر در تغییر رفتار شما موثر بوده است؟”
از آنجا که همه شاگردان مدت ها قبل از دیدن تبلیغ، در کلاس ثبت نام کرده بودند، همیشه پاسخ می دهند:”اصلا موثر نبوده است”. بنابراین، در حالی که نرخ تبدیل تبلیغ من 100٪ است، لیفت ناشی از تبلیغ، یعنی میزان تغییر ایجاد شده در رفتار، صفر است.
اگرچه مثال من کمی ساده است، اما نشان می دهد که چرا عدم درک لیفت و نرخ تبدیل می تواند مشکلاتی را برای اندازه گیری بازگشت سرمایه (ROI) ایجاد کند.
برندهای بزرگ هزینه های هنگفتی را به مشاورین بازاریابی خود پرداخت می کنند تا مخاطبین وفاداری که به احتمال زیاد از محصولاتشان خرید می کنند را هدف قرار دهند. این در حالی است که با هدف قرار ندادن مخاطبین جدید، نرخ تبدیل کلیک به پول نقد نمی تواند درآمد جدیدی را ایجاد کند.
هدف اصلی ساخت تبلیغات، وادار کردن مردم به خرید کالاهای شما ( و یا کمک به یک کمپین سیاسی و یا استفاده از واکسن) است؛ افرادی که بدون وجود تبلیغ این کار را نمی کردند.
یک پیشنهاد دوستانه: اگر هنوز در دوره رایگان 7 اصل مهم در مدیریت مطلوب کسب و کار شرکت نکرده اید، کلیک نمایید. |
اندازه گیری لیفت:
فرض کنید ما میخواهیم بدانیم که آیا (آ) به ارتش پیوستن می تواند (ب) سبب کاهش درآمد افراد در طول زندگی شود یا نه.
برای پاسخ به این پرسش ما نمی توانیم به سادگی درآمد افرادی که وارد ارتش شده اند را با سایر افراد مقایسه کنیم؛ چرا که عوامل مختلف دیگری وحود دارند که (ج) می توانند سبب به وجود آمدن تفاوت در عدد های خالص حقوق شوند.
به عنوان مثال، احتمال پیوستن آن دسته از افرادی که به مشاغل با درآمد بهتر دسترسی دارند، به ارتش کمتر است (این یعنی مورد ب سبب به وجود آمدن مورد آ می شود). همچنین افرادی که تحصیلات یا مهارت های بیشتری دارند، ترجیح می دهند وارد ارتش نشوند ( مورد C باعث ایجاد موارد A و B می شود). بنابراین آنچه در ابتدا یک رابطه علیت ساده بین خدمت در ارتش و دستمزد متوسط رو به پایین به نظر می رسد، ممکن است در واقع همبستگی ناشی از سایر عوامل مختلف باشد. بنابراین، چالش اصلی کنترل کردن سایر پارامترها ضمن جدا کردن رابطه ای است که می خواهیم بررسی کنیم.
یک راه حل کاربردی، ایجاد یک گروه کنترل است. اگر ما به طور تصادفی افرادی را برای حضور در ارتش ثبت نام کنیم، گروه تشکیل شده (گروه درمانی) به طور میانگین از نظر تحصیلات و مهارت با گروهی که ملحق نشده اند (گروه کنترل) یکسان خواهد بود. موارد دیگری نیز مانند سن، جنسیت و قد نیز در این دو گروه بسیار شبیه به هم خواهد بود.
با داشتن یک نمونه بزرگ تر، توزیع کلیه خصوصیات قابل مشاهده و غیرقابل مشاهده در افراد هر دو گروه درمانی و کنترل یکسان خواهد بود. در چنین شرایطی، فرایند درمانی تنها پارامتر باقی مانده برای توضیح تفاوت میان نتایج دو گروه خواهد بود. با توجه به برابری سایر پارامترها، ما می توانیم اطمینان حاصل کنیم که هیچ المان دیگری به جز خدمات افراد در ارتش سبب ایجاد اختلاف در دستمزد افراد نمی شود.
مشکل اینجاست که چنین تفکیکی همیشه امکان پذیر نیست. توجیه نتایج مطالعاتی که در آن ها افراد به طور تصادفی به ارتش ملحق شده اند، هر دانشمندی را تحت فشار قرار خواهد داد. در چنین شرایطی، ما به دنبال مواردی خواهیم بود که تحت عنوان “آزمایش های طبیعی” شناخته می شوند – منابع طبیعی تغییرهای تصادفی که یک آزمایش تصادفی را بازسازی می کنند.
جاس آن گریست یک آزمایش طبیعی موفق را برای اندازه گیری تاثیر خدمت ارتش بر دستمزد افراد انجام داد. این آزمایش به کمک یک فرایند قرعه کشی بر روی شهروندان ایالت متحده امریکا در طول جنگ ویتنام انجام شد. به هر شهروند مذکر در ایالت متحده آمریکا یک شماره قرعه کشی نسبت داده شد و سپس برای انتخاب افراد، شماره ها به شکل تصادفی انتخاب شدند.
قرعه کشی شماره ها یک آزمایش طبیعی بود که توزیع تصادفی افراد با احتمال شرکت در ارتش را مشخص می کرد. آن گریست از این تغییر برای تخمین تاثیر متوسط خدمت ارتش بر درآمد شهروندان استفاده کرد.
پیشنهاد میکنیم، توضیحات دوره مدیریت و راه اندازی کسب و کار اینترنتی را مشاهده نمایید.
در روشی مشابه، من و کریستوس نیکلایدس نیز ازمایشی طبیعی را برای درک بهتر تاثیر پیام های شبکه های اجتماعی بر رفتار های موجود، انجام دادیم.
این واقعیت وجود دارد که حلقه افرادی با یک علاقه مشترک، مثلا علاقه به دویدن در روز، رفتارهای مشابهی را نشان می دهد. با این حال، تغییر در پارامتر هایی مانند هوا به ما کمک کرد تا میزان تغییر رفتار افراد در اثر پیام های اجتماعی را تخمین بزنیم.
به عنوان مثال، پیام دوستان در خصوص خوب بودن هوا تا چه حد می توان افراد را به ورزش و دویدن در فضای بیرون، ترغیب کند؟
با بررسی داده ها و شروع آزمایشات، به سرعت متوجه خواهید شد که تاثیرات تبلیغات آنلاین آن چیزی نیست که انتظار دارید. به عنوان مثال، در مطالعه مربوط به وبسایت Yahoo! محققان دریافتند که تبلیغات آنلاین توانسته اند نرخ متوسط خرید ها را تا 5٪ افزایش دهند اما تقریباً هیچ کدام از این افزایش ها از سوی مشتریان وفادار به برند ها حاصل نشده است: 78٪ از رشد به دست آمده مربوط به افرادی بوده كه قبلاً هرگز روی آگهی كلیك نكرده اند و 93٪ از فروش واقعی بعداً در فروشگاه های خرده فروشی انجام شده است، نه از طریق فروش مستقیم آنلاین. به بیان دیگر، مدل استاندارد تبلیغات آنلاین، که در آن تعداد کلیک ها به معنای تعداد بازدید از تبلیغ و در نهایت خرید تعبیر می شود، به طور دقیق نحوه تاثیر تبلیغات بر عملکرد مصرف کنندگان را توصیف نمی کند.
مزایای بازاریابی علّی:
نتایجی از این قبیل نشان می دهد که چرا شرکت های بزرگ بازاریابی مانند Procter & Gamble و Unilever ، توانسته اند حتی با کاهش بودجه تبلیغات، عملکرد خود را در زمینه بازاریابی دیجیتال بهبود ببخشند.
در سال 2017، مارک پریچارد رئیس برند P&G، هزینه تبلیغات دیجیتال خود را به مبلغ 200 میلیون دلار یا 6 درصد کاهش داد. در سال 2018 برند آنلیور حتی فراتر رفت و هزینهی تبلیغات دیجیتال خود را تا 30 درصد کاهش داد. در نتیجه فروش خالص برند P&G در سال 2019، تا 7.5 درصد و رشد شرکت آنلیور تا 3.8 رشد پیدا کرد.
جهت یادگیری بیشتر پیشنهاد می کنیم دوره دیجیتال مارکتینگ برای مدیران را بگذرانید
دلیل اصلی چنین پیشرفت هایی آن است که این کمپانی ها به جای محدود کردن هزینه تبلیغات خود بر روی تعداد کلیک ها و بازدید از تبلیغات، به دسترسی تبلیغات و تعداد مشتریانی که از آن ها بازدید می کنند، متمرکز شده اند. بر اساس داده های قبلی، این برند ها در گذشته ماهانه ده الی بیست بار مشتریان خود را با تبلیغات آنلاین در شبکه های اجتماعی مورد هجوم قرار می دادند. این سطح بالا از تبلیغات، منجر به کاهش بازدهی شده و حتی ممکن است برخی از مشتریان وفادار را آزار دهد. بنابراین آنها فرکانس تبلیغات خود را تا 10 درصد کاهش داده و هزینه تبلیغات را برای رساندن صدای خود به مشتریان جدید صرف کردند.
از سویی دیگر، این برند ها با دقت اولین خریداران خود را بررسی کردند تا انگیزه های خرید آن ها را بهتر درک کنند. این کار به آن ها کمک کرد تا پارامترهای تعیین کننده گروه مشتریان احتمالی را بهتر شناسایی کنند. به عنوان مثال، آنها در گزارش سه ماهه آخر سال 2019 نشان داده اند که مخاطبانشان از اهداف عمومی مانند زنان 18 تا 40 ساله به مخاطبان هوشمند، مانند مادران و یا زنان خانه داری که به تازگی صاحب ماشین لباسشویی شده اند، تغییر پیدا کرده است.
داده های دقیق آماری، اطلاعاتی در سطح فردی و داده های شخصی که توسط تبلیغات آنلاین ایجاد می شوند پاسخ سوال قدیمی جان وانامیکر را می دهند. این ابزار به بازاریابان کمک می کنند تا میزان تاثیر تبلیغات را به طور دقیق بسنجند و متوجه شوند که چه پیامی می تواند به شکلی موثر در مخاطب تاثیر بگذارد. نکته حائز اهمیت در این راستا، تمایز میان همبستگی و علیت است؛ یعنی درست مانند عملکرد شرکت های Unilever و P&G که تمام توجه کمپین های بازاریابی خود را معطوف به مشتریان قدیمی و وفادارشان نکردند.
منبع: مجله هاروارد بیزنس
دیدگاهتان را بنویسید