ค่าอ้างอิงจากการวัดจริงบนมาร์เก็ตเพลสไทย

ชุดข้อมูลนี้ถูกผลิตขึ้นอย่างไร

ตัวเลขที่มาจากข้อมูลลูกค้าต้องบอกให้ชัดว่ามันคืออะไรและไม่ใช่อะไร ส่วนนี้จึงไม่ใช่ภาคผนวก แต่เป็นส่วนหนึ่งของชุดข้อมูล

1. 1ทุกตัวเลขเป็นค่ารวมกลุ่ม ไม่มีตัวเลขรายร้าน ไม่มีชื่อร้าน ไม่มีรหัสร้าน รหัสแคมเปญ หรือรหัสผู้ใช้ปรากฏที่ใดเลย
2. 2บัคเก็ตใด ไม่ว่าจะเป็นช่วงเวลา หมวดสินค้า หรือแพลตฟอร์ม ที่มีร้านค้ารองรับน้อยกว่า 8 ร้าน จะถูกระงับ ไม่ใช่เผยแพร่พร้อมคำเตือน
3. 3ขนาดพาเนลเผยแพร่เป็นช่วง เช่น "80+ ร้าน" ไม่ใช่จำนวนที่แน่นอน และจำนวนร้านถูกแปลงเป็นสัดส่วนของพาเนล
4. 4ทุกตัวเลขเป็นการสังเกต ไม่มีตัวใดเป็นผลที่วัดได้จากการแทรกแซง การจำลองย้อนกลับ หรือผลตอบแทนจากแบบจำลอง
5. 5ทุกตารางระบุพาเนลที่มันมาจาก และทุกพาเนลระบุช่วงเวลา ระดับข้อมูล เกณฑ์เข้าพาเนล และสิ่งที่ถูกตัดออกพร้อมเหตุผล

ตัวเลขที่ผ่านเกณฑ์เหล่านี้ไม่ได้จะถูกระงับ ไม่ใช่ทำให้อ่อนลงแล้วเผยแพร่ รายการที่ถูกระงับทั้งหมดอยู่ท้ายหน้านี้

พาเนลการวัด

ทุกตัวเลขบนหน้านี้ระบุพาเนลของตัวเองไว้หนึ่งพาเนล นี่คือรายละเอียดทั้งหมดของแต่ละพาเนล

ตาราง

ผลการวัดเดี่ยว

ตัวเลขที่ไม่ได้อยู่ในรูปตารางโดยธรรมชาติ แต่ละข้อระบุพาเนลและข้อจำกัดของตัวเอง

1. ช่องทางที่จ่ายเงินจับการพุ่งขึ้นตอนเที่ยงคืนได้ "น้อยกว่า" คำสั่งซื้อทั้งหมด

   2.502 เทียบกับ 2.802

   ค่ามัธยฐานของการเพิ่มขึ้นในสัดส่วนช่วงเที่ยงคืนของวัน คำนวณจากวันแคมเปญหารด้วยวันปกติ วัดสองแบบบนร้านเดียวกัน ได้ 2.502 เมื่อนับเฉพาะออเดอร์ที่ระบบ attribution บันทึกให้โฆษณา และ 2.802 เมื่อนับออเดอร์จริงทั้งหมดรวมออร์แกนิก ตัวเลขฝั่งโฆษณาสูงกว่าตัวเลขที่ไม่พึ่ง attribution เพียง 20.7% ของพาเนล การทดสอบ Wilcoxon แบบจับคู่ p = 0.00002 ช่องทางที่จ่ายเงินเกาะกระแสที่ตัวเองไม่ได้สร้าง แล้วได้เครดิตไป

   • นี่คือการเปรียบเทียบชุดข้อมูลที่สังเกตได้สองชุด ไม่ใช่การทดลอง มันกำหนดขอบเขตว่าชุดข้อมูลจาก attribution จะอ้างชั่วโมงที่ดีมานด์พุ่งได้แค่ไหนอย่างซื่อสัตย์ แต่ไม่ได้วัดผลส่วนเพิ่มของโฆษณา
   • กลไกนี้เป็นของแพลตฟอร์ม ไม่ใช่ของผู้ขาย เพราะการลด double-date เริ่มตอน 00:00 และผู้ซื้อเช็คเอาต์ตะกร้าที่จัดไว้ล่วงหน้าแล้ว

   พาเนล:พาเนลวันแคมเปญของ Shopee · 70+

2. คอนเวอร์ชันที่ระบบ attribution บันทึกให้โฆษณาเกือบทั้งหมดตกอยู่ในชั่วโมงเดียวกับคลิก

   ≈97% ในชั่วโมงเดียวกัน และ 2.9–3.3% มาช้า

   ประเมินในช่วงมืด คือชั่วโมงของแคมเปญที่มีคลิก อิมเพรสชัน และค่าโฆษณาเป็นศูนย์ทั้งหมด ในช่วงนั้นออเดอร์ที่ถูกบันทึกให้โฆษณาต้องมาจากคลิกก่อนหน้าเท่านั้น การเคลื่อนไหวพร้อมกันภายในวันจึงปลอมเป็นความล่าช้าไม่ได้ ส่วนหางที่มาช้าสูงกว่าสมมติฐานว่างแบบสลับตำแหน่งที่คุม exposure ไว้เท่ากันอยู่ 0.0019–0.0022 คิดเป็นอัตราส่วน 3.26 ถึง 5.25 เท่า และ p เชิงประจักษ์เท่ากับ 0.0000 ช่วงของตัวเลขหลักมาจากวิธีจัดการแถวที่ขาดหายไปสองแบบที่ปกป้องได้ทั้งคู่

   • นี่คือข้อเท็จจริงเกี่ยวกับระบบ attribution ของแพลตฟอร์ม ไม่ใช่เกี่ยวกับผู้ซื้อ ผลลัพธ์ที่ใช้คือคอลัมน์ออเดอร์ที่แพลตฟอร์มบันทึกเอง และไม่มีการเชื่อมออเดอร์กับแคมเปญ จึงสังเกตพฤติกรรมการเลื่อนตัดสินใจของคนไม่ได้เลย
   • เป็นค่าสูงสุดในสภาวะไม่มีการรบกวน เมื่อแคมเปญยังเปิดอยู่ คอนเวอร์ชันที่มาช้าจากคลิกเก่ามีโอกาสถูกโอนเครดิตไปให้คลิกใหม่ ให้ระบุว่า "สำหรับแคมเปญที่เข้าสู่ช่วงมืด วัดในช่วงที่ไม่มีการรบกวน" ไม่ใช่สัดส่วนความล่าช้าของทั้งพาเนล

   พาเนล:พาเนลช่วงมืดของ Shopee (คอนเวอร์ชันที่มาช้า) · 70+

3. ราคาคลิกที่แพงขึ้นตอนเที่ยงคืนเกิดกับเกือบทุกร้าน

   1.46 เท่า ใน 87% ของร้าน

   ชั่วโมง 0 คือชั่วโมงที่แพงที่สุดของวันในพาเนลนี้ ค่ามัธยฐานอยู่ที่ 1.46 เท่าของอัตราช่วงค่ำ และเกิดขึ้นใน 87% ของร้าน ส่วนอัตราส่วนต้นทุนต่อออเดอร์ระหว่างช่วงดีที่สุดกับแย่ที่สุดเมื่อรวมทั้งพาเนลคือ 1.75 เท่า

   พาเนล:พาเนลโฆษณา Shopee รายชั่วโมง · 80+

4. นาฬิกานี้ไม่เปลี่ยนตามวันในสัปดาห์

   ช่วง 20–23 ดีที่สุดครบทั้ง 7 วัน

   ในวันปกติ ช่วง 20–23 เป็นช่วงที่ถูกที่สุดครบทั้งเจ็ดวันในสัปดาห์ และช่วง 00–01 แพงที่สุดครบทั้งเจ็ดวัน ช่วงห่างระหว่างดีสุดกับแย่สุดของแต่ละวันอยู่ระหว่าง 1.74 เท่า (จันทร์) ถึง 2.14 เท่า (อาทิตย์) เมื่อดูรายร้าน ช่วงที่ดีที่สุดของแต่ละวันยังเป็นสัญญาณรบกวน มีเพียงประมาณหนึ่งในเก้าร้านที่ช่วงดีที่สุดเหมือนกันครบทั้งเจ็ดวัน พาเนลนี้จึงไม่สนับสนุนตารางที่ต่างกันตามวันในสัปดาห์

   พาเนล:พาเนลโฆษณา Shopee รายชั่วโมง · 80+

5. "คลิกแพงคอนเวิร์ตแย่กว่า" ไม่ใช่รูปแบบที่พบ

   ค่ามัธยฐาน ρ = +0.263 และเป็นลบใน 38% ของร้าน

   ค่าสหสัมพันธ์แบบ Spearman ระหว่าง CPC กับ CVR ตลอด 24 ชั่วโมงของแต่ละร้าน ค่ามัธยฐานเป็นบวก แปลว่าชั่วโมงที่แพงมักคอนเวิร์ตดีกว่า การยอมจ่ายแพงจึงถูกบ่อยกว่าผิด แต่ความสัมพันธ์นี้อ่อนและกลับทิศในร้านมากกว่าหนึ่งในสาม จึงใช้เป็นตัวชี้วัดรายร้านได้ แต่ใช้เป็นกฎไม่ได้

   พาเนล:พาเนลโฆษณา Shopee รายชั่วโมง · 80+

6. ร้านส่วนใหญ่ใช้เงินในชั่วโมงที่แพงที่สุดของตัวเองมากกว่าชั่วโมงที่ถูกที่สุด

   26.4% เทียบกับ 22.5% ของงบ และเกิดกับ 63% ของร้าน

   ค่ามัธยฐานของสัดส่วนงบโฆษณาที่ตกอยู่ในหกชั่วโมงที่แพงที่สุดของร้านนั้นเองคือ 26.4% เทียบกับ 22.5% ในหกชั่วโมงที่ถูกที่สุด ร้าน 63% ใช้เงินในหกชั่วโมงที่แพงกว่ามากกว่าหกชั่วโมงที่ถูกกว่า การทดสอบ Wilcoxon แบบจับคู่ p = 0.002 และค่ามัธยฐานของอัตราส่วนต้นทุนต่อออเดอร์ระหว่างแพงสุดกับถูกสุดคือ 2.07 เท่า

   • นี่คือคำอธิบายว่าเงินอยู่ตรงไหนในตอนนี้ เท่านั้น ไม่ใช่คำอธิบายว่าการย้ายเงินนั้นจะได้อะไรกลับมา ราคาของการย้ายงบระหว่างชั่วโมงยังระบุค่าไม่ได้บนพาเนลนี้ จึงไม่มีตัวเลขผลตอบแทนใดตามมาจากบรรทัดนี้ และไม่มีตัวเลขแบบนั้นอยู่ที่ใดเลยในชุดข้อมูลนี้

   พาเนล:พาเนลโฆษณา Shopee รายชั่วโมง · 80+

7. สินค้าสองหมวดในร้านเดียวกันถูกสั่งซื้อในเวลาที่ต่างกันอย่างวัดได้

   2.61 เท่าของสมมติฐานว่างที่เป็นสัญญาณรบกวนจากการสุ่ม

   ระยะห่างแบบ total variation ระหว่างโปรไฟล์คำสั่งซื้อรายชั่วโมงของสองหมวดในร้านเดียวกัน ค่ามัธยฐานที่สังเกตได้คือ 0.0735 เทียบกับ 0.0354 ภายใต้สมมติฐานว่างแบบ multinomial ที่สุ่มทั้งสองหมวดจากการกระจายรายชั่วโมงของร้านนั้นเอง ร้านที่ทดสอบได้ทุกร้านให้ p < 0.05 และ Wilcoxon p = 4.8e−07 สินค้าสองหมวดในร้านเดียวกันต่างกันราว 7.4% ของมวลความน่าจะเป็นในเรื่องเวลาที่ออเดอร์เข้ามา และเทียบให้เห็นภาพ ร้านสองร้านที่สุ่มมาต่างกัน 10.4% ผลของร้านจึงมากกว่าผลของหมวดเพียง 1.4 เท่า

   • นาฬิกาคำสั่งซื้อกับนาฬิกาการประมูลเป็นคนละเรื่องกัน พาเนลเดียวกันนี้ไม่พบความต่างระหว่างหมวดในนาฬิกาการประมูลที่ระดับร้านค้าเลย ค่าสถิติทดสอบระหว่างร้านทุกตัวอยู่ที่ระดับสมมติฐานว่างแบบสลับป้ายพอดี

   พาเนล:นาฬิกาคำสั่งซื้อ Shopee แยกตามหมวดสินค้า · 150+

8. สิ่งที่แยกหมวดกลางวันออกจากหมวดกลางคืนคือโครงสร้างตะกร้า ไม่ใช่ราคา

   จำนวนชิ้นต่อรายการ ρ = −0.542 ส่วนราคาต่อหน่วย ρ = +0.172

   เรื่องเล่าตามสัญชาตญาณที่ว่าของถูกซื้อแบบวูบวาบตอนกลางคืนและของแพงซื้อแบบคิดแล้วตอนกลางวัน ใช้ไม่ได้ ราคาต่อหน่วยของหมวดที่เผยแพร่ที่นี่ต่างกันถึง 33 เท่าโดยไม่มีความสัมพันธ์กับสัดส่วนช่วงค่ำเลย (ρ = +0.172, p = 0.48) หมวดที่แพงที่สุดกลับมีสัดส่วนช่วงค่ำสูงที่สุด ตัวแปรเดียวที่มีนัยสำคัญคือจำนวนชิ้นต่อรายการ (ρ = −0.542, p = 0.017 และ bootstrap แบบจัดกลุ่มตามร้านให้ช่วงความเชื่อมั่น 95% ที่ [−0.727, −0.289]) หมวดที่คนซื้อทีละหลายชิ้นเอนไปทางเวลาทำงาน ส่วนหมวดที่คนซื้อทีละชิ้นเอนไปทางช่วงค่ำและเที่ยงคืน

   • มีการทดสอบตัวแยกสี่ตัว ค่า p ที่ 0.017 จึงผ่านการปรับแบบ Bonferroni มาได้แบบเฉียดฉิว ให้ถือว่าเป็นเบาะแสที่หนักแน่น ไม่ใช่ตัวแยกที่สรุปแล้ว และการตีความว่าเป็นเรื่อง "เติมของ" กับ "อยากได้" เป็นการตีความของเรา ไม่ใช่ผลการวัด

   พาเนล:นาฬิกาคำสั่งซื้อ Shopee แยกตามหมวดสินค้า · 150+

กลไกของแพลตฟอร์ม

สิ่งเหล่านี้ไม่ใช่ค่าอ้างอิงผลงานของผู้ขาย แต่เป็นคุณสมบัติของตัวแพลตฟอร์มที่เราตรวจสอบโดยตรง เผยแพร่ไว้เพราะมันเปลี่ยนวิธีอ่านตัวเลขอื่นทุกตัวบนหน้านี้

1. Shopee TH

   Shopee ให้เครดิตคอนเวอร์ชันกับชั่วโมงที่ "สั่งซื้อ" ไม่ใช่ชั่วโมงที่คลิก

   หน้าต่าง attribution เจ็ดวันคือหน้าต่างของสิทธิ์ ไม่ใช่ของเวลา คลิกในวัน t แล้วซื้อในวัน t+4 จะถูกบันทึกที่ t+4 ทั้งหมด ตัวเลขโฆษณาของชั่วโมงที่ผ่านไปแล้วจึงไม่โตขึ้นภายหลังเมื่อคอนเวอร์ชันทยอยเข้ามา ผลในทางปฏิบัติคือ ในชั่วโมงที่แพลตฟอร์มดันการเช็คเอาต์ ออเดอร์ที่ระบบ attribution บันทึกให้โฆษณาจะพุ่ง ต้นทุนต่อออเดอร์จะลดลง และชั่วโมงนั้นจะดูเหมือนเป็นเงินก้อนที่คุ้มที่สุดของผู้ขาย ไม่ว่าโฆษณาจะทำอะไรหรือไม่ก็ตาม

   หลักฐาน: แถวข้อมูล GMV ที่ระบบ attribution บันทึกซึ่งตรวจสอบทั้งหมด 180,695 แถว ครอบคลุมทุกชั่วโมงที่มี broad attribution บนร้านที่ตรวจสอบ อยู่ในชั่วโมงที่มีออเดอร์ของร้านในชั่วโมงท้องถิ่นเดียวกันครบ 100%

2. Shopee TH

   ระบบ broad attribution ของ Shopee เป็นแบบหลายจุดสัมผัสและตัดซ้ำไม่ได้

   broad ให้เครดิตการซื้อใด ๆ ภายในเจ็ดวันหลังคลิก กับทุกแคมเปญที่ผู้ซื้อสัมผัส ทำให้นับออเดอร์ที่ไม่ซ้ำกันเกินจริงราว 1.1 ถึง 2.9 เท่า และเพราะรายงานโฆษณาไม่มีคีย์ของออเดอร์อยู่เลย จึงตัดความซ้ำออกจากยอดรวมระดับแคมเปญไม่ได้ ค่า ROAS ที่คำนวณบนฐานนี้จึงเป็นค่าสูงสุดที่เป็นไปได้ ในทางกลับกัน ตัวเลขค่าโฆษณาเป็นค่าที่แม่นยำ

   หลักฐาน: ตรวจสอบกับตารางคำสั่งซื้อบนร้านค้าจริง ช่วงของการนับเกินเป็นค่าที่วัดได้ และการไม่มีคีย์ของออเดอร์เป็นคุณสมบัติของตัวรายงานเอง

3. Shopee TH

   งบรายวัน 0 บาทบน Shopee แปลว่า "ไม่จำกัด" ไม่ใช่ "ปิด"

   ค่าที่เขียนงบรายวันได้ตามกฎคือ {0} ∪ [100, ∞) บาท และ 0 คือกับดัก เพราะมันเอาเพดานออกแทนที่จะปิดแคมเปญ ค่าที่อยู่ระหว่าง 0 กับขั้นต่ำ 100 บาทของแพลตฟอร์มจะถูกปฏิเสธทันทีด้วย error เรื่องช่วงค่า งบ 40 บาทจึงไม่ใช่งบก้อนเล็ก แต่เป็น error ของ API ส่วนคำสั่ง "หยุดใช้เงิน" ไม่มีรูปแบบของงบรองรับเลย วิธีเดียวที่แสดงเจตนานี้ได้คือการหยุดแคมเปญชั่วคราว

   หลักฐาน: ยืนยันกับ API แคมเปญจริง รวมถึง error ที่คืนกลับมาสำหรับช่วง (0, 100) โดยเฉพาะ และยืนยันซ้ำจากเหตุการณ์บนระบบจริงที่การสั่ง "หยุดแคมเปญนี้" ด้วยการเขียนงบเป็น 0 ทำให้แคมเปญวิ่งต่อแบบไม่มีเพดาน

4. Shopee TH

   งบรายวันที่ระบบรับไว้คือพื้น ไม่ใช่เพดาน

   บนร้านที่เปิด Campaign Surge ไว้ Shopee จะเพิ่มงบรายวันของแคมเปญขึ้น 20% ทุกครั้งที่แคมเปญใช้งบหมด สูงสุดห้าครั้ง เป็นเพดานแข็งที่ 1.2⁵ = 2.48832 เท่าของตัวเลขที่ผู้ขายกรอกไว้ และมีอีกรูปแบบที่เพิ่มครั้งละ 30% คือ 1.3⁵ = 3.71293 เท่า สวิตช์นี้อยู่ระดับร้านค้าและคนละอย่างกับการเติมเงินอัตโนมัติในกระเป๋าเงิน ซึ่งไม่เกี่ยวกับงบแคมเปญเลย

   หลักฐาน: อ่านจาก endpoint สวิตช์ระดับร้านค้าและวัดเทียบกับค่าโฆษณาที่เกิดขึ้นจริง สวิตช์นี้เปิดอยู่ในราวหกในสิบของร้านค้า 60+ ร้านที่เราดึงสถานะบัญชีเข้ามา

5. Shopee TH

   Shopee เก็บงบรายวันด้วยความละเอียดหยาบกว่าที่คุณส่งไป

   งบที่มีทศนิยมคือตัวเลขที่ส่งไปได้แต่อ่านกลับมาเหมือนเดิมไม่ได้ ระบบใดที่เขียนงบแล้วอ่านแคมเปญกลับมาเพื่อยืนยันว่าเขียนสำเร็จ จะเห็นค่าที่ตั้งใจแบบมีทศนิยมของตัวเองเทียบกับสำเนาที่แพลตฟอร์มปัดแล้ว และการตรวจแบบเท่ากันเป๊ะจะตีความความต่างนั้นว่าเป็นการเลื่อนของค่า ทั้งที่การเขียนสำเร็จจริง

   หลักฐาน: วัดจากการเขียนงบบนแคมเปญจริง งบที่ส่งไปพร้อมทศนิยมสี่ตำแหน่งถูกเก็บโดยปัดเหลือสองตำแหน่ง และค่าที่อ่านกลับมาคือสำเนาที่แพลตฟอร์มปัดแล้ว ไม่ใช่ค่าที่ส่งไป

6. Shopee TH

   ค่าโฆษณา Shopee ในไทยเกือบทั้งหมดเป็นแบบบิดอัตโนมัติและลงทุกตำแหน่ง

   ค่าโฆษณาแคมเปญบนพาเนลนี้ 99.4% เป็นการบิดอัตโนมัติ และ 99.6% ลงทุกตำแหน่ง นี่เป็นข้อจำกัดของตัวผลิตภัณฑ์ ไม่ใช่ความชอบของผู้ขาย เพราะผู้ขายตั้งราคาบิด CPC เองไม่ได้แล้ว ตัวควบคุมที่เหลืออยู่คือ target ROAS ซึ่งครอบคลุมค่าโฆษณา 86.7%

   หลักฐาน: ค่าโฆษณาแคมเปญ 42.9 ล้านบาททั่วทั้งพาเนลรายชั่วโมง อ่านจากการตั้งค่าแคมเปญ

7. Shopee TH

   แฟล็กการใช้สิทธิ์ bundle deal ของ Shopee ติดแท็กออเดอร์ที่เข้าเงื่อนไขเพียงราวหนึ่งในสาม

   แฟล็กนี้ติดแท็กออเดอร์ราว 33% ของออเดอร์ที่เข้าเงื่อนไขของดีลจริง การเทียบเส้นฐานที่นับเป็นชิ้นกับอัตราระหว่างดีลที่นับจากแฟล็ก จึงทำให้ bundle deal ดูเหมือนลดการเข้าเงื่อนไขลง ให้วัดทั้งสองฝั่งเป็นชิ้น ไม่อย่างนั้นเครื่องหมายของการเปรียบเทียบจะกลับด้าน

   หลักฐาน: ดีลในอดีตจากร้านค้า 60+ ร้าน เทียบออเดอร์ที่เข้าเงื่อนไขกับออเดอร์ที่แพลตฟอร์มติดแท็กว่าใช้สิทธิ์แล้ว

8. TikTok Shop TH

   รายงานโฆษณารายชั่วโมงของ TikTok Shop ใช้วิเคราะห์รายชั่วโมงไม่ได้

   มีข้อบกพร่องสองเรื่องที่เป็นอิสระจากกัน และแต่ละเรื่องเพียงลำพังก็ทำให้ใช้ไม่ได้แล้ว หนึ่ง คลิกเป็นศูนย์ครบทั้ง 1,669,959 แถวรายชั่วโมง ทั้งที่ตารางรายวันของแหล่งเดียวกันมีคลิก 3.3 ล้านครั้งในช่วงเวลาเดียวกัน CPC และ CVR จึงไม่มีให้ใช้ในระดับชั่วโมง สอง ค่าใช้จ่าย 94.1% ถูกประทับไว้ที่ชั่วโมง 0 ขณะที่ชั่วโมง 17–23 มีค่าใช้จ่าย 0.0% แต่มีออเดอร์ที่ระบบ attribution บันทึก 5.2% เจ็ดชั่วโมงติดกันสร้างออเดอร์จากค่าใช้จ่ายศูนย์บาทไม่ได้ มิติชั่วโมงจึงไม่ใช่นาฬิกาจริง ส่วน Lazada ไม่มีข้อมูลโฆษณารายชั่วโมงเลย คำถามข้ามแพลตฟอร์มจึงตอบจากที่นั่นไม่ได้เช่นกัน

   หลักฐาน: สัญญาณบ่งชี้คือการกระจุกของจำนวนแถว จำนวนแถวชั่วโมง 0 ของ TikTok เป็น 10.80 เท่าของค่ามัธยฐานรายชั่วโมง เทียบกับ 1.01 เท่าในตารางเดียวกันของ Shopee ซึ่งทุกชั่วโมงมีจำนวนแถวเท่ากันและมีค่าโฆษณากระจุกที่ชั่วโมง 0 เพียง 9.4% ส่วนยอดรวมรายวันของ TikTok ถูกต้อง เพราะค่าใช้จ่ายรายชั่วโมงกระทบยอดกับรายวันได้พอดี 1.000 ต่อวัน-ร้านค้า ตารางนี้จึงใช้ได้ในระดับวันและใช้ไม่ได้ในระดับชั่วโมง

นิยามและเลขคณิต

ส่วนนี้เป็นนิยาม ไม่ใช่ผลการวัด แต่จำเป็นสำหรับการอ่านตารางให้ถูก

ROAS ดิบสูงเกินจริงกว่า ROAS ที่ปรับด้วยกำไรราว 1 ÷ ค่ามาร์จิ้น

ROAS ที่ปรับด้วยกำไรคือ ค่ามาร์จิ้น × ROAS ที่เกิดขึ้นจริง − 1 จึงมีจุดกึ่งกลางที่ศูนย์ ไม่ใช่ที่หนึ่ง และจุดคุ้มทุนอยู่ที่ ROAS จริงเท่ากับ 1 ÷ ค่ามาร์จิ้น ที่ค่ามาร์จิ้น 20% จุดนั้นคือ 5.0 แคมเปญที่อ่าน ROAS ดิบได้ 4.0 จึงขาดทุนจากการยิงแอด โดยมีค่าที่ปรับแล้วเท่ากับ −0.2 นี่คือเอกลักษณ์ทางคณิตศาสตร์ ไม่ใช่ผลการวัด แต่เป็นเลขคณิตที่ตัดสินว่าตัวเลข ROAS ใดในชุดข้อมูลนี้มีความหมายอย่างที่ผู้อ่านคิดหรือไม่

ออเดอร์ที่ระบบ attribution บันทึก

ออเดอร์ที่แพลตฟอร์มให้เครดิตกับแคมเปญโฆษณา ประทับไว้ที่ชั่วโมงที่สั่งซื้อ ไม่ใช่จำนวนออเดอร์ที่โฆษณาทำให้เกิดขึ้น และบนฐาน broad มันไม่ใช่แม้แต่จำนวนออเดอร์ที่ไม่ซ้ำกัน

ช่วงเวลาของวัน

หกช่วงที่แบ่งวันออกตลอดทั้งชุดข้อมูลนี้ คือ 00–01, 02–07, 08–11, 12–16, 17–19 และ 20–23 ตามเวลาท้องถิ่นของร้านเอง โดยนับรวมชั่วโมงหัวและท้ายของแต่ละช่วง

วันปกติ

วันใดก็ตามที่ไม่ใช่วันแคมเปญ double-date ของแพลตฟอร์ม ตารางที่รวมช่วงเวลาทุกตารางในชุดข้อมูลนี้คำนวณจากวันปกติเท่านั้น

สิ่งที่เรามีและไม่เผยแพร่

ชุดข้อมูลที่แสดงเฉพาะสิ่งที่รอดมาได้จะตรวจสอบไม่ได้ ทุกข้อด้านล่างคือตัวเลขที่เรามีอยู่จริงและเลือกไม่เผยแพร่ พร้อมเหตุผล

1. ผลตอบแทนทั้งหมดจากการย้ายงบโฆษณาระหว่างชั่วโมง

   เหตุผล: ผลตอบแทนนี้เป็นฟังก์ชันล้วน ๆ ของค่าความยืดหยุ่นด้านอุปทานที่ยังระบุค่าไม่ได้ ค่าที่ฟิตได้กลายเป็นสัดส่วนของความแปรปรวนของค่าโฆษณาที่เป็นความแปรปรวนของราคา และพาเนลที่มีเส้นอุปทานเป็นศูนย์จริง ๆ ก็ให้ค่าเดียวกันได้ ตัวประมาณค่าแบบอื่นยังให้เครื่องหมายไม่ตรงกันด้วย ในช่วงตัวประมาณค่าที่เป็นไปได้ ผลตอบแทนที่นัยถึงกินตั้งแต่ราว +3% ถึง +110% จึงอ้างจุดใดจุดหนึ่งบนเส้นนั้นไม่ได้ สถานะภายในคือ "ยังไม่ได้วัด" และมีเพียงการทดลองปล่อยงบแบบสุ่มเท่านั้นที่จะสรุปได้

2. ผลลัพธ์ทุกตัวที่มาจากการจำลองย้อนกลับภายในแบบจำลองและการรันแบบเงา

   เหตุผล: เรามีตัวเลขเปอร์เซ็นต์การปรับปรุงที่ดูเหมือนพาดหัวอยู่หลายตัวจากการเทียบแบบจำลองและการรันย้อนหลัง แต่ไม่มีตัวใดเลยที่เป็นผลลัพธ์ที่สังเกตได้บนระบบจริง ทุกตัวคือการเทียบคำทำนายของแบบจำลองหนึ่งกับอีกแบบจำลองหนึ่งบนข้อมูลย้อนหลัง และบันทึกภายในของเราเองระบุว่าไม่ใช่ความสัมพันธ์เชิงเหตุผล การเผยแพร่ตัวเลขเหล่านี้ในฐานะค่าอ้างอิงของมาร์เก็ตเพลสจะไม่ซื่อสัตย์ ไม่ว่าจะใส่คำเตือนไว้อย่างไร

3. ผลลัพธ์รายร้าน กรณีศึกษา และตัวอย่างที่ระบุชื่อทั้งหมด

   เหตุผล: นี่คือกฎข้อที่หนึ่งของชุดข้อมูลนี้ งานวิจัยต้นทางเต็มไปด้วยกรณีศึกษารายร้านพร้อมตารางของตัวเอง แต่ไม่มีกรณีใดปรากฏที่นี่ในรูปแบบใดเลย รวมถึงในรูปตัวอย่างที่ปิดบังชื่อ เพราะร้านที่มีรูปแบบการใช้เงินเฉพาะตัวสามารถถูกระบุตัวได้จากตัวเลขของตัวเอง

4. ทุกอย่างที่คำนวณจากผู้ลงโฆษณา 20 รายใหญ่ที่สุด

   เหตุผล: พาเนลนั้นวัดได้ว่าไม่เป็นตัวแทนใน 3 จาก 4 คุณสมบัติที่ทดสอบ ผู้ลงโฆษณารายใหญ่ที่สุดมีความผันผวนระหว่างชั่วโมง "น้อยที่สุด" ไม่ใช่มากที่สุด ข้อสรุประดับพาเนลทุกข้อบนหน้านี้จึงคำนวณใหม่จากประชากรที่เข้าเกณฑ์ทั้งหมดแทน

5. ความชันของการส่งผ่านจากค่าโฆษณาช่วงค่ำไปยังออเดอร์ช่วงค่ำ

   เหตุผล: เป็นความชันแบบภาคตัดขวางที่เชื่อมสัดส่วนค่าโฆษณาช่วงค่ำของร้านกับสัดส่วนออเดอร์ช่วงค่ำ ตัวมันเป็นการบรรยาย แต่ประโยชน์เดียวคือใช้ตีราคาการย้ายงบ และผู้อ่านย่อมเข้าใจได้ว่าเป็นผลตอบแทนของการย้ายงบไปช่วงค่ำ ซึ่งมันไม่ใช่ จึงไม่เผยแพร่

6. การเพิ่มขึ้นของการเข้าเงื่อนไข bundle deal

   เหตุผล: เป็นการเทียบก่อนกับระหว่างบนดีลในอดีตโดยไม่มีกลุ่มควบคุม จากพาเนลนั้นเผยแพร่เฉพาะอัตราการติดแท็กต่ำกว่าจริงของแฟล็กแพลตฟอร์ม ซึ่งเป็นคุณสมบัติของแพลตฟอร์มไม่ใช่ผลลัพธ์

7. หมวดสินค้าที่มีร้านค้ารองรับน้อยกว่า 8 ร้าน

   เหตุผล: มีหมวดหลักหนึ่งหมวดที่ผ่านเกณฑ์ 20,000 รายการ แต่ต่ำกว่าเกณฑ์ขนาดเซลล์ขั้นต่ำ แถวของมันจึงถูกตัดออกทั้งหมดแทนที่จะแสดงพร้อมคำเตือน หมวดที่เผยแพร่หลายหมวดมีร้านรองรับ 8 ถึง 15 ร้าน แถวเหล่านั้นจึงเป็นนาฬิกาของผู้ขายไม่กี่รายอยู่บ้าง ช่วงจำนวนร้านข้างแต่ละแถวมีไว้ให้ผู้อ่านชั่งน้ำหนักได้

8. ราคาต่อหน่วยแยกตามหมวดสินค้า

   เหตุผล: ทราบว่าต่ำกว่าจริงในระดับที่ไม่เท่ากันในแต่ละหมวด เพราะรายการ bundle และของแถมมีราคาต่อหน่วยเป็นศูนย์ครบ 100% ของแถว และสัดส่วนต่างกันไป 0.02% ถึง 18.0% ตามหมวด เราเผยแพร่ผลลัพธ์ว่าราคาไม่ได้แยกนาฬิกาออกจากกัน แต่ไม่เผยแพร่ตัวเลขระดับราคา

9. รูปร่างของหางคอนเวอร์ชันที่มาช้า นอกเหนือจากสัดส่วนหลัก

   เหตุผล: สัดส่วนของหางที่มาถึงภายใน 24 ชั่วโมงถูกรายงานเทียบกับพื้นเชิงกลไกคนละค่าในบันทึกภายในของเราสองแห่ง และเรายังไม่ได้กระทบยอดกัน จึงเผยแพร่เฉพาะสัดส่วนหลักของชั่วโมงเดียวกัน ซึ่งนิ่งทั้งสองวิธีจัดการแถวที่ขาดหายไป

10. งบรายวันขั้นต่ำที่ต่ำกว่านั้นแล้วแคมเปญจะหยุดกระจายงบ

    เหตุผล: เราใช้พื้นการส่งมอบนี้เป็นข้อจำกัดของตัวแก้ปัญหาของเราเอง แต่มันเป็นกฎการทำงานที่มีเหตุผลอ้างไว้ ไม่ใช่ผลการวัดจากพาเนลใดที่นี่ และในที่เดียวที่ทดสอบด้วยการแก้ปัญหาซ้ำ มันไม่ได้ผูกมัดอะไรเลย กฎที่เรากำหนดเองไม่ใช่การสังเกตตลาด จึงไม่ควรอยู่ในชุดข้อมูลนี้