Mennyire pontosak a hirdetési költésbecslések? Mit tévesztenek a kémkedő eszközök

A versenyintelligencia-eszközökből származó hirdetési költésbecslések modellezett számok, nem megfigyelt tények, és a becsületes válasz arra, hogy mennyire pontosak: irányadóan hasznosak, de nem megbízhatóak dollárszinten. Egyetlen külső eszköz sem látja a hirdető tényleges számla- vagy ajánlati adatait. Amit lát, az a kreatív mennyiség, elhelyezési minták és becsült impressziószámok, majd ezeket átfuttatja a CPM-re vagy CPC-re vonatkozó feltételezéseken, hogy előállítson egy dollárösszeget, ami pontosnak tűnik, de több rétegnyi találgatáson alapul.

Hogyan épülnek fel a költésbecslések valójában#

Egy tipikus kémkedő eszköz költésbecslése egy ilyen láncot követ: számolja meg, hány elhelyezést vagy impressziót kapott egy hirdető kreatívja, szorozza meg egy feltételezett átlagos CPM-mel vagy CPC-vel az adott hálózatra és vertikumra, majd az eredményt "becsült havi költésként" mutatja be. A lánc minden lépése hibát vezet be:

1. Az impressziók számlálása maga is becslés. A legtöbb eszköz nem rendelkezik közvetlen impressziós adatokkal a hirdetéskiszolgálótól, hanem a kreatív megfigyelésének gyakoriságából és szélességéből következtet a mennyiségre, ami egy minta, nem pedig teljes körű felmérés.
2. A CPM/CPC feltételezések mindenkire alkalmazott átlagok. A valós aukciós árazás rendkívül változó a hirdető hírneve, a célzás pontossága, a földrajzi hely, az eszköz és az évszak függvényében. Egyetlen kevert ráta, amelyet egy teljes vertikumra alkalmaznak, szinte minden egyes hirdető esetében hibás lesz, néha nagy eltéréssel.
3. A hálózat és a formátum nincs mindig egyértelműen szétválasztva. Az asztali és mobilos készlet, a hírfolyam- és widget-elhelyezések, valamint az 1. és 3. szintű földrajzi árazás mind különböző valós árfolyamokkal jár, de sok publikált becslés ezeket egyetlen számba mossa össze.

E három közelítést egymásra rakva a kapott "költésbecslés" könnyen eltérhet egy nagy szorzóval bármelyik irányba egy adott hirdető esetében, még akkor is, ha átlagosan nagyjából helyes egy elég nagy mintán.

Miért nem ez a hiba, amit ki lehet tervezni#

Ez nem arról szól, hogy az egyik szolgáltató rosszul csinálja, a másik pedig jól. Szerkezeti: a hirdetőn és a hálózaton kívül senkinek nincsenek meg a tényleges ajánlati és kézbesítési adatai. Még maga a hálózat is csak azt tudja, hogy mit számlázott az adott hirdetőnek, nem azt, hogy mi lett volna a kémkedő eszköz átlagos feltételezése. Bármely eszköz, amely pontos, hirdetőnkénti dollárösszegeket állít, a modell kimenetét mutatja be nagyobb magabiztossággal, mint amennyit a mögöttes adatok alátámasztanak.

Mire jók valójában a költésbecslések#

A pontatlanság ellenére a modellezett költési számok nem értéktelenek, helyesen használva más, becsületesebb kérdésekre adnak választ:

• Relatív összehasonlítás. A hirdető A nagyjából többet költ, mint a hirdető B ugyanabban a vertikumban és hálózatban? Egy közös modellezési hiba általában hasonlóan érvényesül mindkettőre, így a köztük lévő rangsor gyakran megbízhatóbb, mint bármelyik abszolút szám.
• Trend irány. Növekszik vagy csökken egy hirdető becsült költése hónapról hónapra? Az irányadó mozgás jobban túléli a modellezési hibát, mint az abszolút érték.
• Durva méretezés. Egy öt számjegyű tesztköltségvetés és egy hét számjegyű tartós kampány megkülönböztetése általában elérhető még egy zajos modellel is; a 40 000 dollár megbízható megkülönböztetése 55 000 dollártól viszont nem.

Jelek, amelyek megbízhatóbbak, mint a költésbecslés#

Ha az igazi célja annak megértése, hogy egy versenytárs mennyire komolyan fektet be egy ajánlatba, számos megfigyelhető jel kevesebb modellezési hibát hordoz, mint egy származtatott dollárösszeg:

Ezek nem adnak önnek dollárösszeget, de becsületesebb képet adnak a méretarányról és az elkötelezettségről, mint egy modellezett költési szám, amely pontosnak van beállítva.

Hogyan használjuk felelősségteljesen a költésbecslést, ha egy eszköz biztosítja#

Ha bárhol megnéz egy közzétett költésbecslést, úgy kezelje, mint egy durva Fermi-becslést: hasznos a dolgok rendezésére, de veszélyes tényként idézni egy ügyfélnek vagy főnöknek szóló jelentésben. Néhány gyakorlati szabály:

• Soha ne mutasson be egyetlen hirdetőre vonatkozó költésbecslést kemény számként a külső jelentésekben; legfeljebb irányadó tartományként keretezze.
• Tulajdonítson nagyobb súlyt a becsléseknek, ha a mögöttes minta (kreatívok száma, megfigyelés időtartama) nagy; egy egyhetes adatból származó költési szám egyetlen kreatívról sokkal nagyobb hibát hordoz, mint egy hónapokig tartó folyamatos megfigyelésből épített szám.
• Ellenőrizze a közvetlenül megfigyelt jelekkel (hosszú élettartam, kreatívok száma, földrajzi eloszlás) a következtetések levonása előtt, és ha a közvetlenül megfigyelt jelek és a költésbecslés ellentmondanak egymásnak, bízzon a közvetlenül megfigyelt jelekben.

Egy kidolgozott példa a hiba halmozódására#

Tegyük fel, hogy egy eszköz megfigyeli, hogy egy hirdető kreatívja körülbelül 200 különböző kiadói elhelyezésen jelenik meg egy hónap alatt, és feltételez egy kevert natív CPM-et a vertikumra. Szorozza meg az elhelyezéseket egy feltételezett impressziószámmal elhelyezésenként, majd a feltételezett CPM-mel, és kap egy dollárösszeget. Most változtasson meg bármelyik bemenetet: a valódi CPM, amelyet ez a konkrét hirdető fizet, lehet a duplája vagy a fele a kevert átlagnak a célzás pontosságától és a kreatív minőségi pontszámától függően, a tényleges impressziók száma elhelyezésenként változhat a földrajzi hely és az eszközök mixe szerint, amit a modell nem lát, és a megfigyelt elhelyezések száma maga is egy minta a feltérképezésből, nem pedig a kiszolgált összes impresszió teljes körű felmérése. E három bemenet mindegyike önállóan eltérhet egy jelentős mértékben, és mivel a végső becslés ezeket összeszorozza, a hibák halmozódnak, nem pedig átlagolódnak. Ez a mechanikus oka annak, hogy egyetlen hirdető becsült költése magabiztosan pontosnak tűnhet egy irányítópulton, miközben valójában megbízhatatlan.

Miért nem tesz közzé OpenAdLibrary kitalált költési számokat#

Tekintettel arra, hogy mennyi találgatás van bármely modellezett dollárbecslés mögött, szándékosan nem gyártunk pontos költési számot, hogy egy hirdető profiljára tegyük. Amit viszont nyomon követünk és felszínre hozunk, az a ténylegesen megfigyelhető: kreatívok száma, futási idő, hálózati jelenlét, földrajzi és eszköz eloszlás, mindezt folyamatos rögzítésből hálózatokon keresztül, nem pedig egy árazási feltételezésből következtetve. Ha a munkafolyamata attól függ, hogy felmérje, mennyire komolyan fektet be egy versenytárs egy ajánlatba, akkor ezek a közvetlenül megfigyelt jelek, amelyeket részletesebben tárgyalunk a hogyan becsüljük meg a versenytárs natív hirdetési költését című cikkben, becsületesebb kiindulópontot jelentenek, mint bármely egyetlen dollárösszeg, amit egy eszköz ad. Az ad intelligence eszköztárunk ugyanerre a megfigyelt adatok elsődlegességére épül, nem pedig modellezett találgatások tényként való bemutatására.

Kérdések, amelyeket érdemes feltenni bármely költési számokat közzétevő eszköznek#

Ha egy szolgáltató költésbecsléseit értékeli, mielőtt támaszkodna rájuk, néhány közvetlen kérdés áthatol a marketingnyelven: Mi a mögöttes adatforrás, feltérképezett megfigyelés vagy licencelt adatfolyam? Hogyan származtatják a CPM vagy CPC feltételezést, és változik-e hálózatonként, földrajzi helyenként és vertikumonként, vagy egyetlen kevert ráta, amelyet mindenhol alkalmaznak? Mekkora a megfigyelési ablak bármely egyetlen hirdető adata mögött, egy hét feltérképezés sokkal zajosabb becslést eredményez, mint hónapokig tartó folyamatos nyomon követés. Az a szolgáltató, aki ezekre egyértelműen válaszolni tud, becsületesebb önhöz képest, mint az, aki csak egy takaros dollárösszeget mutat be, mellékelt módszertan nélkül.

A lényeg#

Bármely versenytárs eszközből származó hirdetési költésbecslések, a miénket is beleértve, ha közzétennénk őket, olyan feltételezésekre épülnek, amelyek több réteggel távolabb vannak a tényleges tranzakciótól. Irányadóan hasznosak lehetnek a hirdetők összehasonlításához vagy trendeltolódások észleléséhez, de egy adott dollárösszeg pontosnak tekintése az egyes hirdetők szintjén hiba, függetlenül attól, hogy melyik szolgáltató állította elő. A megbízhatóbb út a közvetlenül megfigyelt jelek nézése: kreatívmennyiség, hosszú élettartam, hálózati eloszlás, és ezekből való következtetés, ahelyett, hogy egy modellezett számban bízna, amely pontosabbnak tűnik, mint amilyen valójában.