คำศัพท์/Incrementality
Incrementality คืออะไร?
Incrementality คือส่วนของยอดขายที่ attributed ซึ่งจะไม่เกิดขึ้นเลยถ้าไม่ได้ยิงแอด — คือผลเชิงสาเหตุ ต่างจากเครดิตที่ระบบแจกให้ โฆษณาที่ไปโผล่ตรงหน้าคนที่ตั้งใจจะซื้ออยู่แล้วสร้างยอดขายที่ attributed เต็ม ๆ และสร้างยอดขายส่วนเพิ่มเป็นศูนย์ เพราะระบบ attribution แจกเครดิตตามความใกล้กันของเวลา ไม่ใช่ตามสาเหตุ ROAS ที่รายงานจึงเป็นขอบบนของผลตอบแทนเชิงสาเหตุเสมอ และช่องว่างระหว่างสองอย่างมักกว้าง การวัด incrementality ต้องกันโฆษณาออกจากกลุ่มที่เทียบเคียงกันได้แล้วเปรียบผลลัพธ์ ไม่มีตัวเลขใดในรายงานโฆษณามาตรฐานที่ใช้แทนการเปรียบเทียบนั้นได้
01/สูตร
สูตร
ยอดขายส่วนเพิ่ม = ยอดขาย(กลุ่มที่เห็นโฆษณา) − ยอดขาย(กลุ่มที่กันไว้) Incremental ROAS = ยอดขายส่วนเพิ่ม / ค่าโฆษณา อัตรา incrementality = ยอดขายส่วนเพิ่ม / ยอดขายที่ attributed
ตัวอย่าง
แคมเปญรายงานยอดขายที่ attributed ฿300,000 จากค่าโฆษณา ฿50,000 — ROAS 6.0 การกันพื้นที่บางจังหวัดไว้พบว่าพื้นที่ที่ไม่เห็นโฆษณาทำได้ 82% ของพื้นที่ที่เห็น ยอดขายส่วนเพิ่ม = 300,000 × 0.18 = ฿54,000 Incremental ROAS = 54,000 / 50,000 = 1.08 ที่อัตรากำไร 20% จุดคุ้มทุนคือ 5.0 แคมเปญจึงขาดทุนหนักในเชิงสาเหตุ ขณะที่รายงาน ROAS 6
02/รายละเอียด
วัด incrementality อย่างไร?
ด้วยการกันออก วิธีที่น่าเชื่อถือทุกแบบตั้งอยู่บนความคิดเดียวกัน คือสร้างกลุ่มที่ไม่เห็นโฆษณา ทำให้เหมือนกลุ่มที่เห็นในทุกด้านที่เหลือ แล้ววัดส่วนต่าง การกันตามพื้นที่แบ่งจังหวัดออกจากกัน การทดสอบตามเวลาสลับเปิดปิดตามตารางที่กำหนดไว้ล่วงหน้า และการกันตามกลุ่มผู้ใช้ทำได้เมื่อแพลตฟอร์มรองรับ ส่วนที่ยากไม่ใช่กลไกแต่คือพลังทางสถิติ จำนวนออเดอร์ของแคมเปญเดียวบนมาร์เก็ตเพลสน้อยและแกว่ง การทดสอบจึงต้องการผลที่ใหญ่มากหรือระยะเวลาที่ยาวมากเพื่อแยกผลจริงออกจากความแปรปรวนรายสัปดาห์ นี่คือเหตุผลที่ผู้ขายน้อยรายเคยทำจริง และทำไมการเดาด้วยสัญชาตญาณจึงยังอยู่
แคมเปญแบบไหนมี incrementality ต่ำที่สุด?
การค้นหาชื่อแบรนด์และชื่อรุ่นเป๊ะ ๆ ต่ำที่สุดอย่างสม่ำเสมอ ในการทดลองภาคสนามขนาดใหญ่บน eBay นักวิจัย Blake, Nosko และ Tadelis พบว่าผลตอบแทนจากโฆษณาค้นหาชื่อแบรนด์ใกล้ศูนย์ เพราะคนที่ค้นชื่อแบรนด์เข้ามาทางผลการค้นหาปกติอยู่แล้วเมื่อปิดโฆษณา ภาพเดียวกันบนมาร์เก็ตเพลสคือคนที่ค้นชื่อสินค้าของคุณเป๊ะ ๆ แล้วกดโฆษณาที่วางอยู่เหนือผลออร์แกนิกที่คุณจะได้อยู่แล้ว การ retarget ตะกร้าที่ค้างไว้เป็นผู้ต้องสงสัยลำดับถัดมา ส่วนคำค้นกว้างและตำแหน่งที่เข้าถึงคนใหม่จริง ๆ อยู่อีกปลายหนึ่ง คือ ROAS ที่รายงานต่ำกว่าแต่ incrementality สูงกว่ามาก
ถ้ายังทดสอบแบบเป็นทางการไม่ได้ ทำอะไรได้บ้าง?
มีวิธีประมาณราคาถูกหลายอย่างที่จับเคสแย่ที่สุดได้ เทียบการเติบโตของยอด attributed กับการเติบโตของยอดขายรวมทั้งร้าน ถ้ายอด attributed ขึ้นแต่ยอดรวมนิ่ง แปลว่าแคมเปญกำลังย้ายเครดิตมากกว่าสร้างดีมานด์ ดูว่าออเดอร์ออร์แกนิกของ SKU หนึ่งเป็นอย่างไรตอนแคมเปญของมันสเกลขึ้น ถ้ามันลดลงในสัดส่วนที่สะท้อนกับยอดที่โฆษณาเพิ่มมา นั่นคือการกินกันเองที่เห็นได้ชัด และลองหยุดแคมเปญอย่างตั้งใจในช่วงที่กำหนด แล้วอ่านผลระดับร้าน ไม่ใช่ระดับแคมเปญ ไม่มีอันไหนเป็นการทดลองที่ควบคุมได้ และทุกอันดีกว่าการสมมติว่าตัวเลข attributed คือสาเหตุ
03/ทำไมจึงสำคัญ
กับดักในหนึ่งย่อหน้า
ทุกการตัดสินใจเรื่องงบที่ทำจาก ROAS ที่ attributed สมมติโดยปริยายว่า incrementality เท่ากับร้อยเปอร์เซ็นต์ ค่าที่วัดได้จริงบนบัญชีโฆษณาที่โตเต็มที่มักเป็นเศษเสี้ยวของนั้น แปลว่าแคมเปญที่ผ่านจุดคุ้มทุนบนตัวเลขที่รายงานอาจขาดทุนบนตัวเลขจริง นี่คือช่องว่างที่ใหญ่ที่สุดระหว่างสิ่งที่รายงานโฆษณาบอกกับสิ่งที่ยอดเงินในบัญชีร้านทำ และมันมองไม่เห็นเลยถ้าไม่ตั้งใจกันอะไรบางอย่างออก
ข้อผิดพลาดที่พบบ่อย
ถือว่าผลก่อนหลังที่ดูดีคือการทดสอบ incrementality การเปิดแคมเปญช่วงโปรโมชันแล้วเห็นยอดขายขึ้นเป็นการปนกันระหว่างโฆษณา โปรโมชัน ฤดูกาล และทราฟฟิกที่แพลตฟอร์มดันเอง ถ้าไม่มีกลุ่มที่กันไว้และวัดในช่วงเวลาเดียวกัน การเทียบก่อนหลังวัดปฏิทิน ไม่ได้วัดโฆษณา
04/ใน DataGlass
Incrementality ถูกใช้ใน DataGlass อย่างไร
DataGlass เทียบสินค้าที่ยิงแอดกับชุดสินค้าของร้านเองที่เทียบเคียงกันได้และไม่ได้ยิงแอด ในช่วงเวลาเดียวกัน แล้วรายงานส่วนต่างนั้นว่าเป็นช่องว่างที่สังเกตได้ ไม่ใช่ผลเชิงสาเหตุที่พิสูจน์แล้ว เมื่อการเทียบบางเกินกว่าจะบอกอะไรได้ ระบบจะบอกตรง ๆ แทนที่จะสร้างตัวเลขขึ้นมา
05/แหล่งอ้างอิง
- [1] Blake, Nosko และ Tadelis — Consumer Heterogeneity and Paid Search Effectiveness: A Large Scale Field Experiment (NBER Working Paper 20171)
การทดลองบน eBay ที่พบว่าผลตอบแทนจากโฆษณาค้นหาชื่อแบรนด์ใกล้ศูนย์เมื่อปิดโฆษณาในตลาดที่สุ่มเลือก
- [2] Lewis และ Rao — Measuring the Effects of Advertising: The Digital Frontier (NBER Working Paper 19520)
แสดงว่าความแปรปรวนของยอดขายใหญ่แค่ไหนเมื่อเทียบกับผลของโฆษณาทั่วไป และการทดสอบที่ซื่อสัตย์ต้องใช้ข้อมูลมากเพียงใด