Các nhà tiếp thị luôn muốn biết liệu thời gian, tiền bạc và công sức mà họ đã bỏ ra cho các hoạt động marketing có tạo ra chuyển đổi từ người dùng hay không? Để tìm ra câu trả lời, bạn cần phải có khả năng phân biệt lượng truy cập tự nhiên so với tác động của các chiến dịch quảng cáo trả phí.
Trong phân bổ quảng cáo ở lĩnh vực mobile app, mô hình last-touch point được xem là mô hình phổ biến mà hầu hết các công ty sử dụng để đánh giá hiệu quả chiến dịch của mình. Tuy nhiên mô hình này vẫn có những giới hạn khi luôn đề cao vai trò của điểm chạm chuối, trong khi mỗi điểm chạm đều có những đóng góp nhất định tạo ra chuyển đổi.
Theo marketing funnel cơ bản, user thường có xu hướng tìm kiếm bằng công cụ search về sản phẩm họ quan tâm trên kênh Google trước để tìm hiểu tính năng, công dụng hay sự phù hợp về tài chính, rõ ràng là Google đã mang lại cho họ gần như mọi thông tin để yêu thích sản phẩm đó. Sau đó những quảng cáo về sản phẩm đó trên Facebook xuất hiện dần và có những ưu đãi giảm giá khiến user chuyển đổi ngay lập tức. Như vậy việc coi Facebook là kênh hoàn toàn mang lại chuyển đổi có vẻ là không công bằng với Google, đòi hỏi một mô hình mang lại nhiều insight hơn về hiệu quả thực tế của mỗi kênh.
Thách thức ở đây là chỉ sử dụng việc phân bổ truyền thống mà không đủ để suy luận về nguyên nhân, nói đúng hơn là phân bổ không chính xác. Hơn nữa, còn có thể có những vấn đề bổ sung liên quan đến ngân sách và kế hoạch marketing từ việc đo lường hiệu suất tiếp thị chưa hoàn chỉnh.
Trong thời đại mà các phương pháp đo lường truyền thống ngày càng kém hiệu quả do những thay đổi về quyền riêng tư dữ liệu, bối cảnh công nghệ ngày càng phát triển và nhu cầu ngày càng tăng về các giải pháp đo lường và tối ưu hóa chính xác các chiến dịch tiếp thị ứng dụng. May mắn thay, mô hình gia tăng (Incrementality) sẽ giúp bạn giải quyết các thách thức này.
Mô hình Incrementality trong tiếp thị là gì?
Phương pháp đo lường gia tăng có thể đo lường ảnh hưởng của một quảng cáo đối với chuyển đổi so với hiệu suất tự nhiên mà không có quảng cáo. Phương pháp này cực kỳ đáng tin cậy vì nó loại trừ sự ảnh hưởng của lượng truy cập tự nhiên một cách khá hiệu quả. Thực chất của việc đo lường gia tăng nằm ở việc tạo ra hai nhóm có tính tương đồng về mặt thống kê. Một nhóm được chạy quảng cáo, trong khi nhóm kia thì không. Bằng cách so sánh sự khác biệt số lượng chuyển đổi giữa các nhóm này, ta có thể đo lường độ gia tăng.
Khái niệm về đo lường gia tăng được nghiên cứu cụ thể hơn thành hai phương pháp: phương pháp tăng cường và phương pháp điểm xác suất (PSM). Phương pháp tăng cường dựa trên việc kiểm soát các biến thử ngẫu nhiên, trong đó ta thực hiện các thử nghiệm với hai nhóm ngẫu nhiên được tạo ra, chỉ có một nhóm được tiếp xúc với quảng cáo. Mặc dù phương pháp tăng cường mang lại thông tin chính xác về hiệu suất quảng cáo, nó chưa hiệu quả về mặt chi phí và thời gian vì phương pháp này phải thực hiện trên thực tế.
Để giải quyết những vấn đề này, phương pháp điểm xác suất tiếp cận theo một cách khác. Việc tính toán tăng cường thông qua phương pháp này đòi hỏi đủ dữ liệu từ những lần thực hiện trước. Từ dữ liệu này, chúng ta có thể tính toán điểm xác suất và thu được hai nhóm thống kê giống nhau. Sự khác biệt về số lượng chuyển đổi giữa hai nhóm này được sử dụng như là chỉ số của độ gia tăng.
Cách thức đo mức độ gia tăng (Incrementality)
Có nhiều cách để đo sự gia tăng, nhưng phương pháp thử nghiệm (experimental) và phương pháp quan sát (observational) là hai phương pháp chính. Một nghiên cứu thí nghiệm chia người dùng thành nhóm thử nghiệm và nhóm kiểm soát để so sánh hiệu suất của hai nhóm và đo lượng tăng, trong khi một nghiên cứu quan sát sử dụng dữ liệu lịch sử để đưa ra các suy luận nguyên nhân.
Phương pháp thử nghiệm tạo ra kết quả chính xác hơn, nhưng cũng gặp khó khăn. Ví dụ, phải có các chuyên gia khoa học dữ liệu trong nhóm của bạn để tạo ra hai nhóm có các đặc điểm tương tự. Tuy nhiên, cho dù kế hoạch được lập kỹ lưỡng đến đâu, việc làm cho hai nhóm hoàn toàn giống nhau gần như là không thể. Để xử lý tình huống như vậy, bạn có thể nhờ sự giúp đỡ từ Meta và Google’s Randomized Controlled Trials (RCTs) cho việc thử nghiệm sự gia tăng, mà sẽ ngẫu nhiên phân bổ người dùng vào hai nhóm.
Tuy nhiên, các thí nghiệm không thể tránh khỏi một hạn chế khác – thời gian, chi phí và tài nguyên. Tắt quảng cáo cho nhóm kiểm soát trong quá trình nghiên cứu đồng nghĩa với việc bỏ lỡ cơ hội bán hàng. Hơn nữa, mất thời gian để xác nhận và phân tích kết quả, có nghĩa là việc áp dụng dữ liệu hôm qua trong việc ra quyết định hôm nay không phải là một lựa chọn. Đây là lý do tại sao nhiều công cụ martech như Airbridge đã chọn làm việc với phương pháp quan sát, cung cấp thông tin sâu về hành vi người dùng dựa trên máy học (machine learning).
1. Experimental (Thử nghiệm): Meta & Google
Các nền tảng quảng cáo hàng đầu Meta và Google cung cấp các công cụ đo lượng tăng mà kiểm soát việc hiển thị quảng cáo cho các nhóm có các đặc điểm tương tự. Dựa trên các thí nghiệm và dữ liệu thực tế, không chỉ kết quả được chuẩn hóa, chính xác và đáng tin cậy, mà chúng cũng hiệu quả thể hiện được hiệu ứng nguyên nhân. Hãy khám phá sâu hơn về cách mà mỗi nền tảng quảng cáo đánh giá sự gia tăng.
Các bài kiểm tra lợi nhuận của Meta giúp bạn nhìn thấy giá trị thực sự của quảng cáo Facebook của bạn. Thí nghiệm này chia đối tượng mục tiêu đã chọn của bạn thành các nhóm đã và chưa xem quảng cáo Facebook của bạn để hiểu về tác động nguyên nhân của chúng đối với các mục tiêu kinh doanh cụ thể như nhận thức thương hiệu hoặc doanh số bán hàng. Nhóm kiểm soát ở đây sẽ là những người phù hợp với đối tượng mục tiêu của bạn nhưng được giữ xa khỏi quảng cáo của bạn.
Có 03 loại kiểm tra lợi nhuận bạn có thể chạy trên Meta:
- Kiểm tra Lợi nhuận chuyển đổi (Conversion Lift tests): Xem lượng tăng bổ sung của quảng cáo Facebook của bạn cho các mục tiêu chuyển đổi.
- Kiểm tra Lợi nhuận Thương hiệu (Brand Lift tests): Tìm hiểu tác động bổ sung của quảng cáo Facebook đối với nhận thức thương hiệu.
- Thí nghiệm (Experiments): Trả lời các câu hỏi được xác định trước về quảng cáo Facebook của bạn.
Trên Google, bạn có thể thực hiện hai loại kiểm tra lợi nhuận:
- Kiểm tra Lợi nhuận Thương hiệu (Brand Lift): Đánh giá hiệu quả của quảng cáo video của bạn.
- Kiểm tra Lợi nhuận Chuyển đổi (Conversion Lift): Đo lường số lượng chuyển đổi, lượt truy cập trang web và các hành động khác trực tiếp do khán giả của bạn xem quảng cáo của bạn gây ra.
2. Quan sát (Observational): Kết hợp & Điều chỉnh điểm xác suất
- Kết hợp – Matching
Để thực hiện một suy luận nguyên nhân bằng dữ liệu quan sát, phương pháp kết hợp được sử dụng để ngẫu nhiên hóa các nhóm người dùng và từ đó giảm thiểu sai lệch lựa chọn. Với phương pháp kết hợp, các nhóm xử lý và kiểm soát có thể được điều chỉnh để duy trì một phân phối cân bằng của các biến.
Ví dụ, Heidi có thể kết hợp các người dùng trong nhóm xử lý với các người dùng trong nhóm kiểm soát dựa trên sự tương tự của các đặc điểm quan sát được, như số giờ dành trên điện thoại thông minh mỗi ngày. Bằng cách loại bỏ tất cả các người dùng không được kết hợp khỏi phân tích, phân phối của biến này có thể được cân bằng. Liệu chúng ta có thể xem xét hai nhóm này là tương tự? Vẫn còn nhiều biến khác như giới tính, độ tuổi, thu nhập hàng năm và nhiều hơn nữa. Nhiều biến cần được xem xét để kết hợp để tạo ra hai nhóm tương tự.
Người dùng có thể được kết hợp khác nhau tùy thuộc vào các biến được chọn để so sánh. Khi xem xét sự tương tự về số giờ dành trên điện thoại thông minh, Sunny sẽ được kết hợp với Alex. Nhưng khi xem xét sự tương tự về thu nhập hàng năm, cô ấy sẽ được kết hợp với Dana. Làm thế nào để kết hợp người dùng xem xét nhiều biến đồng thời? Khoảng cách Euclid có thể là câu trả lời. Khoảng cách Euclid là một công thức để xác định sự tương tự giữa các hàng dữ liệu có giá trị số. Nhưng vấn đề của khoảng cách Euclide là không xem xét sự khác biệt về tỷ lệ qua các biến, và do đó các biến có giá trị lớn sẽ chiếm ưu thế trong việc đo khoảng cách.
Dựa trên khoảng cách Euclid, Sunny và Dana sẽ được kết hợp. Sự khác biệt về số giờ dành trên điện thoại thông minh giữa Sunny và Dana là 12 giờ, và giữa Sunny và Alex, sự khác biệt là 1 giờ. Sự khác biệt về thu nhập hàng năm là 1.000 đô la giữa Sunny và Alex và 2.000 đô la giữa Sunny và Dana. Biến thu nhập hàng năm có giá trị số lớn hơn so với biến số giờ dành trên điện thoại thông minh, dẫn đến việc biến sau chiếm ưu thế trong việc đo khoảng cách.
Đó là lý do tại sao Sunny được kết hợp với Dana, không phải Alex, theo khoảng cách Euclid. Kết quả này là mâu thuẫn với logic. Tính logic, số giờ dành trên điện thoại thông minh nên là biến quyết định trong việc xác định sự tương tự giữa người dùng. Tất cả ba người dùng thuộc vào một nhóm thu nhập tương tự, trong khi sự khác biệt về số giờ dành trên điện thoại thông minh cho thấy sự khác biệt lớn giữa các lối sống của người dùng. Đây là lý do tại sao Heidi cần sự giúp đỡ của một phương pháp thống kê khác để kết hợp.
- Phương pháp điều chỉnh điểm xác suất – Propensity Score Matching (PSM)
Kết hợp điểm xác suất (PSM) là một kỹ thuật phổ biến khác sử dụng điểm để ước tính xác suất một người dùng tiếp xúc với một quảng cáo cụ thể. Sau khi kết hợp người dùng có giá trị điểm xác suất tương tự từ các nhóm thử nghiệm và kiểm soát, tất cả các người dùng không được kết hợp sẽ được loại bỏ và ảnh hưởng thực sự của một quảng cáo được tìm thấy bằng cách so sánh hiệu suất của hai nhóm.
Ví dụ, một điểm xác suất là 0.3 cho thấy xác suất của người dùng tiếp xúc với quảng cáo là 0.3 (30%), bất kể liệu người dùng đó thực sự đã tiếp xúc với quảng cáo hay không.
Ví dụ khác, một người dùng từ nhóm đã tiếp xúc với quảng cáo (nhóm xử lý) với điểm xác suất là 0.15 được kết hợp với một người dùng từ nhóm không tiếp xúc với quảng cáo (nhóm kiểm soát) có giá trị xác suất tương tự nhất, trong trường hợp này là người dùng có điểm xác suất là 0.1. Các người dùng không được kết hợp sẽ bị loại bỏ khỏi phân tích. Như vậy, hai nhóm trở nên tương tự theo một cách thống kê. Mọi thứ bây giờ đã sẵn sàng để tìm hiểu về hiệu quả thực sự của quảng cáo. Heidi có thể tính toán sự khác biệt trong doanh số bán hàng của hai nhóm đã xảy ra trong thời kỳ được chọn. Sự khác biệt chính là ảnh hưởng thực sự mà quảng cáo đã có đối với doanh số bán hàng.
Mô hình Incrementality giúp được gì cho bạn?
- Xác thực ngân sách tiếp thị của bạn
Lợi nhuận không thể chối cãi là mục tiêu kinh doanh cuối cùng. Để đạt được điều đó, các nhà tiếp thị cần đảm bảo rằng lợi tức đầu tư cao và rằng kết quả như vậy là do các hoạt động tiếp thị thúc đẩy. Vấn đề là mô hình phân bổ điểm chạm cuối cùng (LTA), mà hiện nay được coi là tiêu chuẩn ngành, có những hạn chế trong việc ghi nhận các hiệu ứng nguyên nhân vì nó phân bổ 100% tín dụng cho một chạm cuối cùng duy nhất cho một chuyển đổi. Mô hình này quá đơn giản hóa hành trình người dùng phức tạp và bỏ qua sự đóng góp của nhiều điểm tiếp xúc trước đó cũng như xu hướng tiềm ẩn của người dùng để chuyển đổi.
May mắn thay, phép đo sự gia tăng có thể là cách để giải quyết các hạn chế của LTA, làm nổi bật tầm quan trọng của các chiến dịch tiếp thị trong việc tạo ra chuyển đổi. Nếu bạn có thể chứng minh rằng chuyển đổi không xảy ra nếu thiếu các nỗ lực tiếp thị của bạn, bạn có thể giải thích tại sao công ty của bạn cần đầu tư vào tiếp thị.
- Tối ưu hóa chiến dịch marketing mix
Sự gia tăng cũng giúp trong việc phân tích ở cấp độ kênh. Bằng cách xác định các kênh hoạt động hiệu suất cao hơn, bạn có thể tập trung vào các nền tảng quảng cáo mang lại kết quả rõ ràng, từ đó ngăn chặn lãng phí ngân sách và cải thiện hiệu suất tiếp thị.
Luôn có sự chồng chéo giữa lưu lượng tự nhiên và chuyển đổi trả tiền, nhưng đường phân chia thường mờ nhạt, dẫn đến quyết định ít thông tin hơn. Đây là nơi mà phép đo sự gia tăng ra đời, để tiết lộ rằng thành phần tiếp thị của bạn đang tạo ra giá trị thực sự. Cụ thể, nó cung cấp câu trả lời cho các câu hỏi sau:
- Điều gì sẽ xảy ra nếu bạn ngừng chạy quảng cáo trên một kênh cụ thể?
- Một kênh, chiến dịch hoặc nội dung cụ thể đóng vai trò gì trong việc tăng doanh thu?
- Kênh, nền tảng, nhà xuất bản hoặc chiến dịch nào có ảnh hưởng lớn nhất đến các chỉ số như lợi nhuận và giá trị khách hàng trọn đời (LTV)?
- Bạn nên chi tiêu nhiều hơn hoặc ít hơn trên kênh nào để tối đa hóa hiệu suất?
- Làm việc với sự gia tăng cho phép bạn nhận được cái nhìn chính xác nhất, có thể hành động được vào ảnh hưởng của các hoạt động tiếp thị của bạn. Không chỉ bạn có thể thấy mối tương quan giữa các điểm tiếp xúc và chuyển đổi, bạn còn có thể xác định rõ nhất bộ quảng cáo trả tiền tốt nhất trên các kênh khác nhau.
Tại sao phải đo lường mức độ gia tăng?
Mục tiêu của mọi nhà tiếp thị là có được cái nhìn chân thực và toàn diện nhất về hiệu suất tiếp thị và thúc đẩy sự phát triển. Mặc dù mô hình LTA đã được rất nhiều yêu cầu nhờ tính tiện lợi của nó, nhưng đây không phải là cách đo lường hiệu suất tiếp thị hoàn hảo và cũng không phải là cách duy nhất, đặc biệt là khi đánh giá sức mạnh thực sự của các hoạt động tiếp thị của bạn. Việc đo lường tăng cường mang lại một góc nhìn toàn diện để xác định các chiến dịch hiệu quả nhất và tối ưu hóa chiến lược quảng cáo trả tiền.
