תמונה: שי מרגלית

מדידה בעולם הדיגיטל המשתנה // שי מרגלית

תעשיית הדיגיטל חווה שינויים משמעותיים בשנים האחרונות בכל הקשור לאופן האיסוף, השימוש והניתוח של הדאטה בארגונים. שינויים אלו באים לידי ביטוי בצורות רבות, בעיקר בכל הקשור למדידה וניתוח פעילות השיווק הדיגיטלי. לשינויים אלו יש השפעה ניכרת על פתרונות מדידה מבוססי משתמש, כמו Multi Touch Attribution (MTA). בעולם החדש, היכולת שלנו למדוד את מאמצי השיווק בצורה אפקטיבית נפגעת – ומנהלי השיווק עומדים בפני אתגר גדול סביב ההחלטות היכן להשקיע וכמה תקציב להקצות. בטווח הקצר, סביר שאנשי שיווק רבים יראו תנודתיות בביצועים; ההמלצה הרווחת היא לערוך מבחנים קצרים ואיטרטיביים, מהם ניתן יהיה ללמוד את השינויים ולהתכונן טוב יותר לבאות. אך עם ההבנה ששינויים דומים נוספים נמצאים מעבר לפינה, יש להתחיל ולפתח פתרונות מדידה ייעודיים, שישימו דגש על הנושא כבר משלב האפיון.

המפתח למדידה אפקטיבית בעולם החדש נשען על שתי טכניקות – אגרגציה ומידול. לא נאבד את הסינגלים, אלא נשנה את נקודת ההסתכלות עליהם – במקום לבחון סיגנלים ברמת המשתמש, נסתכל עליהם ברמת הקבוצה, וכן נמדוד את הביצועים שלנו באמצעות מודלים של AI ו-ML. תהליכי המדידה בעולם החדש לא יתבססו על פתרון יחיד, אלא יורכבו ממתודולוגיות מדידה שונות, שמחפות על החסרונות אחת של השנייה ויחד מספקות תמונה מלאה ומדויקת יותר.

מודלים מוכרים של מדידה, שקיימים זה מכבר בשוק, כבר מתאימים את עצמם למגבלות החדשות ויספקו מענה אפקטיבי לא פחות. כך למשל, שתי מתודולגיות מרכזיות ממציאות את עצמן מחדש, והופכות רלוונטיות יותר עבור המפרסמים הדיגיטליים: 

אינקרמנטליות
המדידה האינקרימנטלית נחשבה זה שנים לדרך המדעית והמדויקת ביותר למדוד את ההשפעה של מאמץ שיווקי בערוץ מסוים. היא מתבססת על ניסוי מדעי, בו מוציאים ומבודדים בצורה רנדומלית קבוצות ביקורת שלא נחשפות למודעות הפרסומיות, וההפרש בין שתי הקבוצות (שנחשפות ושלא נחשפות לתכנים) מייצג את הערך העסקי של הערוץ הנמדד. השינויים האחרונים אמנם מגבילים את שיטת המדידה האינרקרימנטלית בתצורתה המקורית, אבל הם ממש לא מבטלים את האפקטיביות שלה כפי שרבים נוטים לחשוב. האינקרימנטליות תישאר כלי מדידה מרכזי בקונסטלציה מעט שונה, שדורשת התאמות מסוימות.

בתוך כך, נתחיל למדוד סיגנלים בצורה אגרגרטיבית ונקבל אותם באמצעות Conversion API – אינטגרציה של sever-to-server. ההמרות יימדדו לפי קבוצות, במקום לפי משתמש בודד. פתרון אחר שישמש רבים הוא מדידה אינקרמנטלית שמתבססת על גאוגרפיה, בה קבוצות המחקר והביקורת יחולקו על פי יחידות גאוגרפיות.

בעתיד הרחוק יותר, אנחנו עשויים לראות טכנולוגיות מבוססות blockchain שימדדו אינקרימנטליות ברמת המשתמש אבל גם ישמרו על הפרטיות, וכך נוכל לחזור למתודות המקוריות.

Marketing-Mix-Modeling

MMM הוא מודל לניתוח סטטיסטי באמצעות רגרסיה, שמכמת את ההשפעה של פקטורים שונים על תוצאות עסקיות – כמו השקעה בערוץ מסוים, מאמץ שיווקי אחר, עונתיות וכיוצא בזה. המודל מסוגל להציג תחזית לביצועים על סמך השקעה עתידית ומאפשר לבצע אופטימיזציה להקצאת המשאבים בתמהיל השיווק, כדי למקסם את התוצאות העסקיות. מאחר והמודל הינו אגרגרטיבי בהגדרתו, הוא אינו מושפע מכל רגולציה או תקנות בנושאי פרטיות.

ה-MMM קיים כבר שנים בקרב מפרסמים מסורתיים, אבל נתפס כמודל איטי ומורכב להשמה. עם זאת, כיום קיימות טכניקות מודרניות שמתאימות אותו לתעשייה הדינמית, וכעת ניתן למדוד דרכו ישירות את הוצאות השיווק של המפרסמים הדיגיטליים בערוצים השונים.

ניתן להשתמש ב-MMM על ידי פיתוח מודל פנימי, שכירת ספק חיצוני או אפילו שימוש בפתרונות קוד פתוח. אפשר להריץ את המודל במהירות ובתדירות גבוהה (אפילו ברמה יומית) וכן לכייל אותו בקלות יותר. בזכות זאת, ה-MMM בהחלט יכול להיות מעין כלי של Attribution עבור מפרסמים רבים.

השינויים האחרונים בעולמות הדאטה מלחיצים אנשי שיווק רבים, אבל חשוב להבין שהמציאות בשטח שונה בתכלית. התעשיה כולה עוסקת בהתאמה של המתודולוגיות הקיימות לשינויים המתהווים, ואחרי תקופת הסתגלות מסוימת נראה פתרונות המבוססים על מודלים מדויקים, אוטומטיים ומהירים יותר.

מה עושים בינתיים? אובדן הסיגנלים שמתקבלים דרך הפיקסל וה-SDK הולך וגובר, לכן חשוב כבר עכשיו לבצע אינטגרציה של sever-to-server, שתעביר את הסיגנלים ותימנע מאובדנם. כך נוכל למדוד ביצועים בצורה מדויקת יותר, וגם לשמור על הפרטיות של המשתמשים.

 

כותב – שי מרגלית, Marketing Science Partner בפייסבוק ישראל

המלצות תוכן