Что не так с
цифровой рекламой

Эффективность цифровой рекламы сильно преувеличена. Согласно масштабному исследованию рекламных объявлений на eBay, эффективность поисковой рекламы бренда была переоценена на 4100%. По аналогичному анализу эффективности рекламы в Facebook, тот же показатель был равен 4000%. Судя по всем имеющимся у нас данным, бизнес так и не нашел ответа на вопрос, впервые поставленный известным предпринимателем XIX века Джоном Уонамейкером: какая половина рекламного бюджета компании тратится впустую?

Хотя похоже, что ответ на этот вопрос все же существует. Найти его людям мешает не недостаток информации (как было в случае с Уонамекейром), а фундаментальное непонимание механизмов корреляции и причинно-следственной связи.

Ошибка конверсии

Продавая клиентам рекламные возможности, маркетологи заявляют, что реклама вызовет и запустит изменение пользовательского поведения (эффект прироста). В подтверждение своих слов они приводят количество людей, купивших продукт после просмотра рекламы (этот феномен обычно называют конверсией).

Чтобы объяснить студентам разницу между этими понятиями, я прошу их представить меня в первый день занятий стоящим в дверях и раздающим листовки с рекламой своего курса всем входящим в аудиторию. Затем я прошу их подсчитать коэффициент конверсии моей рекламы и неизменно получаю правильный ответ — 100%, ведь все 100% людей, увидевших рекламное объявление, «купили» мой товар и записались на курс. Следующий вопрос: «Как эта реклама повлияла на ваше поведение?» Поскольку все они записались на курс до того, как увидели объявление, мне отвечают: «Никак». Таким образом, несмотря на то, что коэффициент конверсии моей рекламы составляет 100%, прирост клиентов — людей, изменивших поведение после предъявления рекламы, — равен нулю.

Несмотря на некоторое упрощение примера, он наглядно показывает, как незнание разницы между приростом и конверсией затрудняет оценку рентабельности маркетинговых вложений. Крупные бренды платят консультантам большие деньги, чтобы те «таргетировали» рекламу на людей, которые и так склонны к покупке. Но если вы не начнете таргетировать рекламу на людей, не знакомых с вашими продуктами, переходы по ссылке с рекламных объявлений не принесут вам новой выручки. Чтобы заработать на рекламе, нужно заставить купить ваши товары (пожертвовать деньги на политическую кампанию/вакцинироваться) тех, кто иначе этого бы не сделал.

Измерение прироста

Допустим, мы хотим выяснить, приводит ли (А) военная служба (Б) к снижению дальнейшего уровня заработка человека. Мы не можем просто сравнить заработную плату людей, отслуживших в армии, с заработной платой тех, кто не был на службе, потому что есть множество других факторов (В), которые могут влиять на разницу в абсолютных цифрах.

Например, люди, имеющие доступ к более высокооплачиваемой работе, в принципе с меньшей вероятностью пойдут на военную службу (Б обусловливает А). Люди с образованием или навыками более высокого уровня выбирают не идти в армию (В обуславливает и А, и Б). То, что на первый взгляд кажется причинно-следственной связью между военной службой и более низким уровнем последующего заработка, может оказаться лишь корреляцией, обусловленной другими факторами. Таким образом, наша главная задача — научиться учитывать эти факторы, когда мы устанавливаем отношения между обстоятельствами, которые хотим изучить.

Для этого нужно создать контрольную группу. Если мы случайным образом выберем людей, которые должны пойти служить, усредненный уровень образования и навыков (а также возраст, пол, темперамент, подход к жизни и т. д.) членов экспериментальной группы будет совпадать с уровнем образования и навыков членов контрольной группы, которые служить не пойдут. При достаточно большой выборке распределение всех наблюдаемых и ненаблюдаемых характеристик людей, отнесенных либо к экспериментальной, либо к контрольной группам, будет одинаково, что сделает сам эксперимент единственным условием любых различий в результатах двух групп. При прочих равных мы можем быть уверены, что ничто, кроме военной службы, не влияет на разницу в заработке участников эксперимента.

Проблема в том, что этот подход применим далеко не всегда. Ученому будет сложно оправдать исследование, в рамках которого случайных людей принуждают к военной службе. В таких случаях принято ориентироваться на так называемый «естественный эксперимент», который подразумевает наличие естественного источника случайной вариативности, что имитирует рандомизированный эксперимент.

Примером естественного эксперимента, на базе которого Джошуа Ангрист измерил, как военная служба влияет на уровень заработка, стала призывная лотерея, введенная среди американцев во время войны во Вьетнаме. Всем гражданам США мужского пола был присвоен лотерейный номер, эти номера выбирались случайным образом, и так определялось, кто из участников пойдет служить. Призывная лотерея в качестве естественного эксперимента случайным образом изменяла вероятность похода человека в армию. Ангрист использовал эту вариацию для оценки причинно-следственной связи между военной службой и заработной платой.

Подобным образом мы с Христосом Николаидесом взяли погоду в качестве основной составляющей естественного эксперимента, чтобы понять, как общение в социальных сетях влияет на спортивную активность. Несмотря на то что приверженцы бега обычно дружат с такими же увлеченными бегом людьми, варьирование погоды позволило нам оценить, как сообщения от друзей в социальных сетях влияют на частоту занятий бегом.

Когда вы углубитесь в данные и начнете экспериментировать, вы быстро обнаружите, что эффект от онлайн-рекламы не соответствует ожиданиям. Например, в ходе исследования, проведенного компанией Yahoo!, специалисты обнаружили, что медийная онлайн-реклама повышает продажи на 5%. Однако лояльные постоянные клиенты на это повышение практически никак не влияли: 78% переходов совершили люди, никогда до этого не кликавшие на рекламу, а 93% фактических продаж были реализованы позже в обычных розничных магазинах компании. Другими словами, стандартная модель причинно-следственных отношений в сфере онлайн-рекламы — когда просмотр воспринимается как клик, ведущий к покупке, — не совсем точно отражает влияние рекламы на действия потребителя.

Преимущества каузального маркетинга

Подобные открытия объясняют, как Procter & Gamble и Unilever, прародителям бренд-маркетинга, удалось поднять показатели цифрового маркетинга даже при сокращении бюджета на онлайн-рекламу. В 2017 году Марк Притчард, бренд-директор P&G, сократил бюджет на цифровую рекламу на $200 млн, или на 6%. В 2018-м специалисты компании Unilever пошли еще дальше и сократили объем цифровой рекламы почти на 30%. Что в результате? В 2019 году органический рост продаж P&G составил 7,5%, а у Unilever — 3,8%.

Это стало возможным благодаря тому, что обе компании сместили фокус с частоты показов, измеряемой в кликах и просмотрах, на охват, измеряемый в количестве людей, увидевших рекламное объявление. Согласно данным компании, ранее один человек мог видеть их рекламу в соцсетях от 10 до 20 раз за месяц. Такая «бомбардировка» приводила к снижению отдачи и даже вызвал раздражение у многих прежде лояльных клиентов. Тогда было решено снизить частоту показов на 10% и перенаправить эти деньги на охват новых клиентов, которые еще ни разу не видели рекламы.

Также они очень внимательно изучили новых клиентов, чтобы понять их покупательский мотив. Это позволило им довольно точно идентифицировать новые группы потенциальных клиентов. Например, на телеконференции по итогам четвертого квартала 2019 года они указали, что переходят от «общего демографического таргетирования — например, “женщины в возрасте 18—49 лет”» к более «умному» таргетированию рекламы — например, на впервые родивших женщин или людей, впервые купивших стиральную машину.

Огромная волна детализированных персональных данных, создаваемых онлайн-рекламой, дала нам ответ на вопрос, поставленный Джоном Уонамейкером. Теперь маркетологи смогут точно оценить эффективность онлайн-рекламы и понять, какие объявления работают, а какие нет. Следуйте примеру P&G и Unilever и не забывайте проводить разделительную черту между корреляцией и причинно-следственной связью, а также не таргетируйте рекламу на уже существующих лояльных клиентов.

Об авторе

Синан Арал (Sinan Aral) — директор Инициативы по цифровой экономике MIT и автор книги «The Hype Machine: How Social Media Disrupts our Elections, our Economy and our Health — and How We Must Adapt».

* деятельность на территории РФ запрещена