Home > ニュース > Nielsen Wire (日本語) > 予測学習曲線がいかにデジタル広告効果を高めることができるのか

2012/12/12

予測学習曲線がいかにデジタル広告効果を高めることができるのか

 

2012年 11月 28日
ニールセン アドバタイザーソリューション部門 グローバル統括責任者 ランドル・ビアード
ビアードの新しい著書「The Signal and the Noise」の中で、ニューヨークタイムズ紙の政治ブロガーであるネイト・シルバー氏は、彼が「予測学習曲線 (Prediction Learning Curve)」と呼んでいる、努力と予測精度の関係性をマッピングするためのモデルについて説明しています。当然ながらこの関係は、良く知られているパレートの法則に非常に似ており、すなわち、予測精度の 80% は、20% の最初の努力 (時間、お金、労力) から生み出されるということです。
これについてシルバー氏も、「基本的な事柄を正しく行うと、長い道のりを行くことができます。最初の 20%は、適切なデータ、テクノロジー、そしてインセンティブを持つことから始まる場合が多いものです。」と語っています。
ではこれが、デジタル広告とどのような関係があるのでしょうか。実施中のデジタル広告を最適化することは、実は予測をしていることと同じなのです。目標は、適切なテクノロジーおよびインセンティブを使用しながら既存のデータを取り込み、現在の結果よりも優れた予測結果に基づいてプランに変更を加えることです。予測の学習曲線同様に、努力の最初の 20% がデジタル広告効果に及ぼす影響は多大です。
適切なデータ、適切なテクノロジー、適切なインセンティブ
データ – リアルタイムのオンラインデータはここに当てはまります。今日、ブランドは、小規模のキャンペーンであっても、従来型広告及びオンラインビデオ広告に対するブランド想起、好感度、説得力などを、毎日計測することができます。
テクノロジー – 今日、広告効果測定テクノロジーは計測目的のために少量の広告在庫を確保することで機能しています。広告が打たれた後、広告が配信されたグループ (エクスポーズ、または「テスト」グループ) および、統計的に比較可能な、広告が配信されていないグループ (「コントロール」グループ) に対して単一質問調査が行われます。このテスト/コントロール設計は、広告主が、個々のクリエイティブ単位のパフォーマンスおよび、サイトパフォーマンスと露出頻度の単一変数の影響を理解するのに役立ちます。
インセンティブ – 連携最適化ツールは、広告代理店とオンライン媒体社が共同で作業し、良い結果をクライアントへ提供することを可能にします。広告代理店はオンライン媒体での広告のパフォーマンスを測定します。オンライン媒体はいずれの広告がサイト上でうまく機能するか、あるいはキャンペーンから外されるべきか、ということを理解しています。
では、その 20% ルールはどのようにしてデジタル広告を最適化できるのですか?
4つの基本的な要因が、デジタル広告効果を劇的に改善させます。
1. クリエイティブローテーション (Creative Rotation) – ほとんどの広告主がデジタル広告のコピー調査を実施していません。クリエイティブユニットにおける広告効果の違いを真に理解することなく、盲目的に複数のクリエイティブユニットを実行しています。クリエイティブのボトムパフォーマンスの 20% を特定し、クリエイティブのトップパフォーマンスを80%の広告露出に再配分します。
2. サイトローテーション(Site Rotation) – クリエイティブローテーションと類似していますが、サイトによりパフォーマンスは異なり、迅速に個々の広告パフォーマンスを評価し、サイトのボトムパフォーマンスの 20% を特定します。そして、より高いパフォーマンスサイトへそれらを配転します。
3. 露出フリケンシー (Exposure Frequency) – テレビとは異なり、デジタル広告主は消費者ごとに露出フリケンシーを制限することができます。ここで問題になるのは、どこに制限を設けるか、です。増分広告パフォーマンスがほとんど無い場所の露出フリケンシーを迅速に特定し、効果の薄い広告露出を制限します。
4. 連携の最適化 (Collaborative Optimization) – 広告パフォーマンス改善という共通の目標達成のために広告エコシステムの主要プレイヤーは協調し、Win-Win シチュエーションを作り出します。広告主は、広告代理店のデジタル広告パフォーマンスを評価することができます。広告主にパフォーマンスに特化した指標があるため、代理店は、パフォーマンス改善の強力なモチベーションを持つことになります。また、媒体社は広告のパフォーマンスが低ければ代理店が自社のサイトから該当広告を降ろすことを知っているため、広告代理店と協調する正当な理由を持っています。重要なのは、これら 3つの当事者全てが、広告パフォーマンスを最適化させるためのリアルタイムに連携するテクノロジープラットフォームが存在するという事です。
予測学習曲線 (Prediction Learning Curve) に沿い進む
これらの 4つの要因は、デジタル広告の「予測学習曲線」における 20% の努力を意味しています。「他の事はせずにこれら 4つの事のみをしていれば、貴社のデジタル広告パフォーマンスは改善されます。選択するのは貴社です。多くの広告主が今日行っているようなデジタルを実行するか、または、予測学習曲線に沿い進み、貴社のブランドに改善された結果を提供するか、です。
ランドル・ビアードが 12月 6日に「3R (反応 – Reaction - を上げるためのリーチ - Reach - およびリゾナンス - Resonance - の最適化) を使用し広告パフォーマンスを改善する」というタイトルのウェビナーを開催いたします。詳細はこちらをご覧ください。

2012年 11月 28日

ニールセン アドバタイザーソリューション部門 グローバル統括責任者 ランドル・ビアード

ビアードの新しい著書「The Signal and the Noise」の中で、ニューヨークタイムズ紙の政治ブロガーであるネイト・シルバー氏は、彼が「予測学習曲線 (Prediction Learning Curve)」と呼んでいる、努力と予測精度の関係性をマッピングするためのモデルについて説明しています。当然ながらこの関係は、良く知られているパレートの法則に非常に似ており、すなわち、予測精度の 80% は、20% の最初の努力 (時間、お金、労力) から生み出されるということです。

これについてシルバー氏も、「基本的な事柄を正しく行うと、長い道のりを行くことができます。最初の 20%は、適切なデータ、テクノロジー、そしてインセンティブを持つことから始まる場合が多いものです。」と語っています。

ではこれが、デジタル広告とどのような関係があるのでしょうか。実施中のデジタル広告を最適化することは、実は予測をしていることと同じなのです。目標は、適切なテクノロジーおよびインセンティブを使用しながら既存のデータを取り込み、現在の結果よりも優れた予測結果に基づいてプランに変更を加えることです。予測の学習曲線同様に、努力の最初の 20% がデジタル広告効果に及ぼす影響は多大です。

適切なデータ、適切なテクノロジー、適切なインセンティブ

データ – リアルタイムのオンラインデータはここに当てはまります。今日、ブランドは、小規模のキャンペーンであっても、従来型広告及びオンラインビデオ広告に対するブランド想起、好感度、説得力などを、毎日計測することができます。

テクノロジー – 今日、広告効果測定テクノロジーは計測目的のために少量の広告在庫を確保することで機能しています。広告が打たれた後、広告が配信されたグループ (エクスポーズ、または「テスト」グループ) および、統計的に比較可能な、広告が配信されていないグループ (「コントロール」グループ) に対して単一質問調査が行われます。このテスト/コントロール設計は、広告主が、個々のクリエイティブ単位のパフォーマンスおよび、サイトパフォーマンスと露出頻度の単一変数の影響を理解するのに役立ちます。

インセンティブ – 連携最適化ツールは、広告代理店とオンライン媒体社が共同で作業し、良い結果をクライアントへ提供することを可能にします。広告代理店はオンライン媒体での広告のパフォーマンスを測定します。オンライン媒体はいずれの広告がサイト上でうまく機能するか、あるいはキャンペーンから外されるべきか、ということを理解しています。

では、その 20% ルールはどのようにしてデジタル広告を最適化できるのですか?

4つの基本的な要因が、デジタル広告効果を劇的に改善させます。

1.クリエイティブローテーション (Creative Rotation) – ほとんどの広告主がデジタル広告のコピー調査を実施していません。クリエイティブユニットにおける広告効果の違いを真に理解することなく、盲目的に複数のクリエイティブユニットを実行しています。クリエイティブのボトムパフォーマンスの 20% を特定し、クリエイティブのトップパフォーマンスを80%の広告露出に再配分します。

2.サイトローテーション(Site Rotation) – クリエイティブローテーションと類似していますが、サイトによりパフォーマンスは異なり、迅速に個々の広告パフォーマンスを評価し、サイトのボトムパフォーマンスの 20% を特定します。そして、より高いパフォーマンスサイトへそれらを配転します。

3.露出フリケンシー (Exposure Frequency) – テレビとは異なり、デジタル広告主は消費者ごとに露出フリケンシーを制限することができます。ここで問題になるのは、どこに制限を設けるか、です。増分広告パフォーマンスがほとんど無い場所の露出フリケンシーを迅速に特定し、効果の薄い広告露出を制限します。

4.連携の最適化 (Collaborative Optimization) – 広告パフォーマンス改善という共通の目標達成のために広告エコシステムの主要プレイヤーは協調し、Win-Win シチュエーションを作り出します。広告主は、広告代理店のデジタル広告パフォーマンスを評価することができます。広告主にパフォーマンスに特化した指標があるため、代理店は、パフォーマンス改善の強力なモチベーションを持つことになります。また、媒体社は広告のパフォーマンスが低ければ代理店が自社のサイトから該当広告を降ろすことを知っているため、広告代理店と協調する正当な理由を持っています。重要なのは、これら 3つの当事者全てが、広告パフォーマンスを最適化させるためのリアルタイムに連携するテクノロジープラットフォームが存在するという事です。

予測学習曲線 (Prediction Learning Curve) に沿い進む

これらの 4つの要因は、デジタル広告の「予測学習曲線」における 20% の努力を意味しています。「他の事はせずにこれら 4つの事のみをしていれば、貴社のデジタル広告パフォーマンスは改善されます。選択するのは貴社です。多くの広告主が今日行っているようなデジタルを実行するか、または、予測学習曲線に沿い進み、貴社のブランドに改善された結果を提供するか、です。

 

 

お問い合わせ

広報、プレスリリース等 に関するお問い合わせ
広報担当宛
TEL:03-6837-6500(代表)
E-Mail:jpw_press@nielsen.com

Nielsen Wire(日本語)

一覧ページへ »