คำศัพท์/Attribution inflation
Attribution inflation คืออะไร?
Attribution inflation คืออัตราส่วนระหว่าง GMV ที่มาร์เก็ตเพลสบันทึกให้โฆษณาของคุณ กับ GMV ที่โฆษณาของคุณสร้างขึ้นจริง ค่านี้มากกว่าหรือเท่ากับหนึ่งเสมอโดยโครงสร้าง เพราะกฎ attribution ของแพลตฟอร์มให้เครดิตยอดขายที่เกิดในช่วงเวลาที่กำหนด ซึ่งโฆษณาอาจสร้างหรือไม่ได้สร้างก็ได้ และไม่มีกลไกใดหักยอดที่จะเกิดขึ้นอยู่แล้วออกไป ช่องว่างนี้สำคัญเพราะไม่ได้แค่ทำให้ตัวเลขดูดีขึ้น แต่เปลี่ยนคำตอบที่ถูกต้อง เมื่อคำนวณผ่านสมการกำไร attribution inflation เข้ามาเป็นการหักลดอัตรา contribution ซึ่งแปลว่ามันคูณ Target ROAS ที่จุดซึ่งการยิงแอดเลิกคุ้ม ค่า inflation 1.4 ดันเป้าที่ถูกต้องขึ้น 40% ก่อนการปรับอย่างอื่นทั้งหมด
01/สูตร
สูตร
attribution inflation a = GMV ที่บันทึกให้ / GMV ส่วนเพิ่มจริง, a >= 1 อัตรากำไรที่ใช้จริง = อัตรา contribution / a ROAS คุ้มทุน = a / อัตรา contribution ตัวอย่าง: contribution 20%, a = 1.4 คุ้มทุนแบบไร้เดียงสา = 1 / 0.20 = 5.00 คุ้มทุนจริง = 1.4 / 0.20 = 7.00
ตัวอย่าง
แคมเปญ Shopee รายงานยอดที่บันทึกให้ ฿100,000 จากงบ ฿16,000 การทดสอบแบบกันกลุ่มไว้พบว่า ฿71,400 จะเกิดขึ้นอยู่ดีแม้ไม่ยิงแอด GMV ส่วนเพิ่ม = 100,000 − 71,400 = ฿28,600 attribution inflation = 100,000 / 28,600 = 3.50 ROAS ที่รายงาน = 6.25 ROAS ส่วนเพิ่มจริง = 28,600 / 16,000 = 1.79 ที่อัตรากำไร 20% แคมเปญต้องได้ 5.00 บนฐานส่วนเพิ่มจึงจะคุ้มทุน แคมเปญนี้จึงขาดทุน ทั้งที่รายงานว่าทำเกินเป้า 25%
02/รายละเอียด
วัด attribution inflation อย่างไร?
มีสองวิธีที่เชื่อถือได้เท่านั้น และทั้งสองไม่ได้ใช้รายงานของแพลตฟอร์ม วิธีแรกคือการกันกลุ่มไว้ สุ่มว่าผู้ใช้กลุ่มไหนหรือสินค้าตัวไหนมีสิทธิ์เห็นโฆษณา แล้วเทียบผลลัพธ์ระหว่างกลุ่ม วิธีที่สองคือการทดสอบรายพื้นที่ ปิดแคมเปญในบางจังหวัดและเปิดในบางจังหวัด แล้วเทียบส่วนต่างของยอดขายกับส่วนต่างของค่าโฆษณา ทั้งสองเป็นการทดลอง และทั้งสองมีต้นทุนในฝั่งที่ปิดไว้ นั่นคือเหตุผลที่ทำกันน้อย สิ่งที่ใช้แทนไม่ได้เลยคือรายงาน last-click การเทียบช่วง attribution หรือการดูก่อนหลัง เพราะไม่มีอันไหนมีสถานการณ์เปรียบเทียบอยู่ในตัว จึงแยกดีมานด์ที่โฆษณาสร้างออกจากดีมานด์ที่โฆษณาแค่ไปดักไว้ไม่ได้
ในทางปฏิบัติ attribution inflation ใหญ่แค่ไหน?
ใหญ่พอที่จะพลิกข้อสรุป และใหญ่ที่สุดตรงจุดที่แคมเปญดูดีที่สุดพอดี งานทดลองภาคสนามบน eBay ของ Blake, Nosko และ Tadelis พบว่าผลตอบแทนจากการยิงแอดค้นหาบนคำที่เป็นชื่อแบรนด์ตัวเองแยกจากศูนย์ไม่ได้ทางสถิติ เมื่อเทียบกับกลุ่มควบคุมแบบสุ่ม ลูกค้าที่ค้นหาชื่อแบรนด์ปิดการขายอยู่แล้วไม่ว่าจะมีโฆษณาหรือไม่ ยอดที่บันทึกให้เกือบทั้งหมดจึงเป็น inflation ส่วน Lewis และ Rao แสดงแยกออกมาว่าการตรวจจับผลตอบแทนจริงของโฆษณาต้องใช้กำลังทางสถิติมากกว่าที่แคมเปญทั่วไปจะให้ได้มาก นั่นคือเหตุผลที่ตัวเลขบนฐาน attribution ครองพื้นที่ทั้งหมด บนมาร์เก็ตเพลสกลไกเดียวกันทำงานผ่าน broad attribution คือเครดิตไหลไปหาโฆษณาสำหรับการซื้อสินค้าตัวอื่นของร้านเดียวกัน และสำหรับผู้ซื้อที่อยู่ในขั้นตอนเช็คเอาต์อยู่แล้ว
ทำไม attribution inflation ถึงดัน Target ROAS ที่ควรตั้งให้สูงขึ้น?
เพราะเป้าถูกบังคับใช้บน GMV ที่บันทึกให้ แต่กำไรเกิดบน GMV ส่วนเพิ่มจริง ถ้ายอดขายที่บันทึกให้หนึ่งบาทมีค่ากับคุณจริงแค่ 1 หารด้วย a บาท อัตรากำไรที่ใช้จริงของคุณก็คืออัตรากำไรจริงหารด้วย a และ break-even ROAS ซึ่งเท่ากับหนึ่งหารอัตรากำไร ก็สูงขึ้นเป็น a เท่า นี่เป็นการแก้แบบคูณ และมันทบกับการปรับอีกสองตัวที่เป้าซึ่งให้กำไรสูงสุดต้องมี คือส่วนเพิ่มจากการที่ซื้อคลิกมากขึ้นแล้วดันราคาคลิกที่ซื้ออยู่แล้วขึ้นด้วย และส่วนเพิ่มจากช่องว่างระหว่างคลิกเฉลี่ยกับคลิกสุดท้าย
03/ทำไมจึงสำคัญ
กับดักในหนึ่งย่อหน้า
Attribution inflation คือเหตุผลที่ร้านสองร้านซึ่งบริหารดีเหมือนกัน ทำตามคำแนะนำโฆษณาชุดเดียวกัน แล้วได้ผลตรงข้ามกัน ร้านหนึ่งขายของที่ลูกค้าต้องคิดนานให้ทราฟฟิกที่ยังไม่รู้จัก และสร้างดีมานด์ส่วนใหญ่ที่ถูกบันทึกให้จริง อีกร้านขายของใช้ประจำที่ซื้อซ้ำให้คนที่กำลังค้นหาอยู่แล้ว และถูกบันทึกเครดิตให้กับดีมานด์ที่แค่ไปดักไว้ ไม่มีอะไรบนแดชบอร์ดของทั้งสองร้านแยกความต่างนี้ออก และ Target ROAS ที่ถูกต้องของร้านที่สองอาจสูงกว่าร้านแรกหลายเท่า
ข้อผิดพลาดที่พบบ่อย
คิดว่าย่นช่วง attribution ให้สั้นลงแล้วจะแก้ได้ การลดจาก 7 วันเหลือ 1 วันตัดยอดที่บันทึกให้ออกไปบางส่วนจริง แต่ตัดตามความใหม่ ไม่ได้ตัดตามความเป็นเหตุเป็นผล การซื้อที่โฆษณาสร้างขึ้นจริงในวันที่สามถูกตัดทิ้ง ขณะที่การซื้อที่แค่ไปดักไว้ซึ่งเกิดหลังคลิกสิบนาทีถูกเก็บไว้ ความยาวของช่วงเป็นทางเลือกในการรายงาน ส่วน incrementality เป็นคำถามเชิงการทดลอง
04/ใน DataGlass
Attribution inflation ถูกใช้ใน DataGlass อย่างไร
DataGlass แยกมุมมองแบบ attribution กับมุมมองที่ปรับ incrementality แล้วออกจากกัน ไม่กลืนรวมกัน คำแนะนำแต่ละอันจึงระบุว่าคำนวณบนฐานไหน ร้านที่เคยทดสอบแบบกันกลุ่มหรือทดสอบรายพื้นที่ไว้ ค่าที่วัดได้จะถูกนำไปใช้กับเป้าที่ขึ้นกับมัน ส่วนร้านที่ยังไม่เคยทดสอบจะใช้ฐาน attribution และติดป้ายบอกไว้ตามนั้น ไม่นำเสนอว่าเป็นกำไร
05/แหล่งอ้างอิง
- [1] Blake, T., Nosko, C. & Tadelis, S. (2015) — Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment, Econometrica 83(1)
งานทดลองบน eBay ที่พบว่าผลตอบแทนจากการยิงแอดค้นหาบนคำแบรนด์ตัวเองใกล้ศูนย์เมื่อเทียบกับกลุ่มควบคุมแบบสุ่ม — หลักฐานหลักว่าผลตอบแทนบนฐาน attribution กับผลตอบแทนส่วนเพิ่มจริงต่างกันได้เป็นสิบเท่า
- [2] Lewis, R. A. & Rao, J. M. (2015) — The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics 130(4)
ว่าด้วยกำลังทางสถิติที่ต้องใช้เพื่อตรวจจับผลตอบแทนจริงของโฆษณา — เหตุผลที่ incrementality ถูกวัดน้อย ไม่ใช่ว่ามีน้อย
- [3] DataGlass Labs — CTR & Target ROAS under CPM and CPC (บันทึกเชิงเทคนิค)
Lemma 4 แยกยอดที่บันทึกให้ออกจากยอดส่วนเพิ่ม และ Lemma 1d แสดงว่า attribution inflation เข้ามาเป็นการหักลดอัตรา contribution จึงเป็นตัวคูณของเป้าที่ให้กำไรสูงสุด
คำศัพท์ที่เกี่ยวข้อง