Огляд сучасних методів та моделей дослідження ефективності рекламних кампаній

Автори
Відомості

Панасенко Оксана Володимирівна

к.е.н., доц. кафедри економічної кібернетики та прикладної економіки

Харківський національний університет ім. В.Каразіна

panasenko_o_v@ukr.net

Пелепець Дарина Вікторівна

здобувач першого (бакалаврського) рівня вищої освіти ННІ ІТ

Харківський національний економічний університет ім. С.Кузнеця

daryna.pelepets@hneu.net

Анотація. Бізнес у нову цифрову епоху — це не лише проведення рекламних кампаній, а й ретельна оцінка їх ефективності під час прийняття рішень. У статті розглядаються сучасні методики аналізу ефективності рекламних кампаній за допомогою економетричних, статистичних і моделей машинного навчання. Розглядаються метрики вимірювання ефективності (CTR, CPA, ROI, ROAS), а також аналітичне програмне забезпечення: Google Analytics, Power BI, Tableau, бібліотеки Python. Особлива увага приділяється тестуванню A/B, моделям атрибуції та впливу великих даних на процес прийняття рішень у маркетинг.

В епоху цифровізації витрати на рекламу є найбільшими серед усіх маркетингових витрат компанії. Проте без точної інформації щодо ефективності витрачених коштів неможливо кількісно визначити життєздатність кампанії. Тому аналіз ефективності реклами є необхідним інструментом в інструментарії сучасного маркетолога [1-3]. Основні способи дослідження ефективності рекламних кампаній:

  1. Класичні показники ефективності. Найпоширеніші метрики дозволяють оперативно оцінити доцільність кампанії: CTR (Click-Through Rate) – показує співвідношення кліків і показів реклами [2]; CPA (Cost Per Action) – вартість цільової дії [2]; ROI (Return on Investment) – загальний прибуток поділений на витрати [3]; ROAS (Return on Ad Spend) – дохід від витрат на рекламу порівняно з витратами [3]. Ці показники дозволяють швидко перевірити доцільність кампанії, але не враховують поведінку користувачів і багатоканальний шлях клієнтів.
  2. A/B тестування та багатоваріантне тестування. Метод дозволяє порівнювати альтернативи для оголошень, цільових сторінок або стратегій і наглядно оцінювати, що працює найкраще. A/B-тестування використовується для перевірки гіпотез і зменшують ризик невдалих інвестицій [5].
  3. Моделювання атрибуції. У сучасному маркетингу потрібно враховувати весь ланцюжок взаємодії користувача з рекламою, а не лише останній клік. Зі стандартних моделей атрибуції: Атрибуція останнього кліку - надає значення останньому джерелу; First Click Attribution - з іншого боку, дивиться на перший дотик; Лінійний, із загасанням у часі, на основі позиції – розподіляйте значення рівномірно або зважено між усіма точками дотику [6]; Атрибуція на основі даних (DDA) – використовує машинне навчання для обчислення справжнього внеску кожного каналу.
  4. Інструменти аналітики та візуалізації. Для аналізу ефективності використовуються: Google Analytics 4 із інструментами моделювання поведінки; Tableau, Power BI – для інтерактивних панелей; Python (pandas, scikit-learn, matplotlib) – для створення власних моделей і проекцій; SQL – для роботи з великими наборами даних із CRM та рекламних платформ(7).
  5. Машинне навчання та великі дані в рекламі. Моделі ML допоможуть вам:

Часто використовувані моделі: дерева рішень, логістична регресія, класифікатори (Random Forest, XGBoost), нейронні мережі.

Новий метод вимірювання ефективності рекламних кампаній йде набагато далі, ніж прості показники. Компанії не тільки активно використовують моделі атрибуції, автоматизовану аналітику та методи машинного навчання, але й приймають стратегічні рішення, оптимізуючи бюджет і прибутковість маркетингових заходів (5).

Література

  1. Чаффі Д. Цифровий маркетинг: стратегія, впровадження та практика : Pearson Education, 2022. URL: https://www.pearson.com/se/Nordics-Higher-Education/subject-catalogue/marketing/Chaffey-Digital-Marketing-8e.html.
  2. Гупта С., Джайн С. Вимірювання ефективності реклами в епоху великих даних. Journal of Marketing Analytics, 2021. 9(3), C. 211–223. URL: https://doi.org/10.1057/s41270-021-00123-4
  3. Мюллер М., Фаснахт М. Маркетингова аналітика та моделювання атрибуції: підхід машинного навчання. Journal of Business Research, 2023, 157, 113585. URL: https://doi.org/10.1016/j.jbusres.2023.113585
  4. Документація Google Analytics 4, 2024. URL: https://support.google.com/analytics
  5. Morissette L., Chartier S. Методи машинного навчання для аналізу поведінкових даних у маркетингу. Journal of Data Science, 2020. 18(4), C. 633–654. URL: https://doi.org/10.633/jds.2020.182045
  6. Блог Power BI. Найкращі методи візуалізації даних у рекламній аналітиці. Microsoft, 2023. URL: https://powerbi.microsoft.com/blog/best-practices-data-visualization
  7. Джерела з аналізу даних, машинного навчання та прогнозування маркетингової ефективності. URL: https://www.researchgate.net/publication/321426208_Attribution_Modeling_In_Digital_Advertising_An_Empirical_Investigation_Of_the_Impact_of_Digital_Sales_Channels.