Skip to content Skip to sidebar Skip to footer

O weryfikowaniu danych w audience buyingu (na koniec epoki cookie)

Bezstratne dotarcie do ściśle wyselekcjonowanych publiczności brzmi jak bajka dla reklamodawców. Na tej pięknej idei cieniem kładą się jednak opinie o wątpliwej jakości danych i historie reklamodawców, którzy „przetargetowali” lub więcej wydali na targetowanie niż odnieśli korzyści z dokładnego dotarcia. Czy zatem audience buying to pieśń przeszłości? Jak się bronić przed oszustwami i weryfikować kupowane dane? Czytajcie szybko, bo już za trzy kwartały wszystkich czeka nas update tego wątku w post-cookiesowej rzeczywistości. 

Augustine Fou, popularny branżowy publicysta, znęca się regularnie nad oszukańczym – jego zdaniem – przetargetowaniem kampanii online. Byle jakie dane, pozyskane bez wiedzy użytkowników i zawężające do granic absurdu grupy celowe, z jakimi ostatecznie próbuje komunikować się marketer. Tezy Fou brzmią wiarygodnie, bo kto z nas nie miał dość reklamy butów, która prześladowała go jeszcze miesiąc po ich kupieniu? 

Ale czy to znaczy, że wizja względnie bezstratnego docierania do ściśle sprecyzowanych publiczności jest utopijna i pora ją pożegnać? 

Oczywiście nie. Wylewanie dziecka z kąpielą nie jest sposobem na rozwiązanie problemu targetowania w digitalu. Ale rzeczywiście – audience buying wymaga doświadczenia i czujności, które pozwolą nam nie kupić kota w worku. 

Jak więc zweryfikować czy kupujemy dotarcie rzeczywiście do tych segmentów, które nas interesują i na co zwrócić uwagę we współpracy z dostawcami danych? 

Deficyt danych

10 lat naprawdę dosyć mocno zmieniło skalę i rodzaje dostępnych danych. Jeśli chcielibyśmy docierać do kobiet w wieku 25-40 lat, zainteresowanych tematami około ciążowymi, planujących zakup wózków dziecięcych i lubiących markę La Roche Posay – to możemy. Jeśli chcielibyśmy docierać do mężczyzn 40-50, zainteresowanych kabrioletami i funduszami inwestycyjnymi, z dochodami powyżej 15 tys.  zł – to też damy radę. 

Trzeba jednak pamiętać, że ograniczona jest ilość „twardych” (w tym przypadku – deklaratywnych, nazwanych twardymi w kontrze do modelowanych) danych opisujących nam konkretnych internautów, do których chcemy dotrzeć.  A co za tym idzie, segmenty odbiorców, które możemy na bazie tych danych tworzyć nie są wystarczające, aby prowadzić szerokie działania reklamowe – nasza kampania dotarłaby do 300-30000 a nie kilku milionów użytkowników. Zatem musimy liczyć się z tym, że większość dostępnych cookiesowych segmentów, szczególnie demograficznych, jest modelowana w procesie wyszukiwania statystycznych „bliźniaków” interesujących nas odbiorców. 

To dostawca danych zazwyczaj podejmuje decyzję jaką jakość modelu przyjmuje za wystarczającą, aby dany segment sprzedać dalej.  W skrajnych przypadkach dane mogą nie być modelowane wcale i zamiast interesującego nas segmentu (np. kobiety w wieku 20-45 zainteresowane modą) sprzedawana jest przypadkowo dobrana pula cookie – to fraud w czystej postaci. Są też jednak mniej skrajne, a również ryzykowne sytuacje. 

Musimy pamiętać, że im bardziej precyzyjny segment, tym droższy. Dodatkowo, im bardziej precyzyjny segment, tym trudniej go zweryfikować za pomocą zewnętrznych dostawców i narzędzi. Sytuacja jednak nie jest beznadziejna, nawet w przypadku bardzo wąskiego targetowania. 

Wybór źródeł

Reklamodawca musi przemyślec z kim chce współpracować i od kogo chce kupować dane. 

Mogą być to zarówno dane dostępne do zakupu w predefiniowanych segmentach w DSP, jak i dane zakupione bezpośrednio od dostawców. 

W tym drugim przypadku, przy bezpośredniej współpracy, mamy szersze możliwości weryfikacji: więcej informacji na temat tego jak dane są zbierane (również pod katem zgodności z RODO), jak są modelowane, jak są weryfikowane, jaka jest ich skala. 

Agencja i reklamodawca mogą też we współpracy z dostawcą tworzyć segmenty specjalnie pod kątem swoich potrzeb. Wymaga to otwartości po obu stronach, jak również kompetencji po stronie reklamodawcy i agencji. By nie doszło do sytuacji, w której dostawca deklaruje, że posiada 7 mln cookie w segmencie automotive, my weźmiemy to za dobrą monetę, a okaże się, że tylko 500 tys. cookie jest nadal aktywnych i realnie możemy do nich dotrzeć w kampanii.  

Weryfikacja jakości segmentów

Czy Twoje kampanie przynoszą oczekiwane rezultaty? – to najważniejsze pytanie, które reklamodawca musi sobie zadać testując jakość segmentów używanych w emisji reklam. Jeśli wraz z wprowadzeniem nowych segmentów od nowego dostawcy widzimy spadki w kluczowych KPI kampanii, to niepokojący sygnał sugerujący, że mogliśmy kupić kota w worku. Przy czym należy tutaj brać pod uwagę KPI związane stricte z użytkownikiem i jego reakcją na kampanie (np. jakość wizyt, współczynniki konwersji), a nie KPI, które zależą głównie od samej powierzchni czy formatów (jak viewability). 

Jeśli chodzi o segmenty dostępne na rynku, to w kontekście weryfikacji, podzieliłabym je dwa rodzaje: 

• demograficzne (głównie wiek, płeć)  

• wszystkie inne (zainteresowania, intencje zakupowe itd.). 

W przypadku tych pierwszych mamy narzędzia i rozwiązania które umożliwiają nam weryfikację jakości tych segmentów. Mogą być to narzędzia stworzone dokładnie do realizacji właśnie tych celów (np. Nielsen DAR) albo rozwiązania bazujące na panelach badawczych. Trzeba jednak pamiętać, że w obu tych przypadkach, mimo że mówimy o zupełnie innej skali danych jaka jest dostępna po stronie weryfikatora, te dane są przez niego obrabiane, normalizowane, ekstrapolowane. Zatem porównujemy model do innego modelu. 

Co jeszcze możemy zrobić? 

1. W przypadku demografii możemy też patrzeć na overlap segmentów, czyli jak bardzo się one na siebie nakładają. Jeśli segment kobiet i segment mężczyzn mają spory zbiór wspólny, może to świadczyć o niskiej jakości algorytmów które go stworzyły, albo o niewielkiej ilości danych, dostępnych dla tych algorytmów. Takie analizy są możliwe do zrobienia w przypadku większości DSP.

2. Kolejny sposób to weryfikacja za pomocą narzędzi analitycznych strony (np. Google analytics) i badanie struktury ruchu, jaki przychodzi z działań wykorzystujących dany segment. Natomiast tu, tak jak w przypadku innych rozwiązań, przyjmujemy że dane narzędzie analityczne ma najlepszej jakości dane, czego też nie możemy w 100% zweryfikować. 

3. W przypadku weryfikacji innych segmentów jak zainteresowania czy intencje zakupowe, nie dysponujemy gotowymi, rozbudowanymi rozwiązaniami. Możemy jednak zestawić np. segment automotive pochodzący od jednego dostawcy i zweryfikować go za pomocą analogicznej grupy drugiego dostawcy. W takim przypadku musimy mieć pewność co do przewagi tego drugiego dostawcy w zakresie danych. 

4. Kolejnym sposobem jest zlecenie badania użytkowników strony naszego reklamodawcy przez dostawcę danych. Nie wszyscy dostawcy takie badania przeprowadzają, ale większość, szczególnie w przypadku bezpośredniej współpracy, może taką analizę przeprowadzić i opisać użytkowników strony za pomocą swoich danych. Standardowo w wyniku takiej analizy otrzymujemy informacje o strukturze demograficznej naszych użytkowników oraz ich zainteresowaniach i intencjach. Skala i poziom rozbudowania raportu zależy od ilości i różnorodności danych dostępnych po stronie dostawcy. Jeśli więc mamy stronę poświęconą np. produktom ciążowym, a analiza użytkowników wykaże w większości mężczyzn powyżej 50 roku życia, świadczy to o wątpliwej jakości danych po stronie dostawcy. Oczywiście należy mieć na względzie kwestie współużytkowania urządzeń czy ilość danych do analiz, natomiast jeśli ten ostatni warunek jest spełniony, to kwestia współużytkowania nie powinna wpłynąć rażąco na wyniki analizy.

Do dyspozycji reklamodawcy jest zatem kilka sposobów na weryfikację danych. Poczynając od wyboru partnerów aż po analizę wyników kampanii. Sceptyków wąskiego „targetowania” przekonanych o dziurawych danych powinien też przekonać przykład reklamodawców – znakomita większość, po przetestowaniu audience buyingu, nadal w niego inwestuje.

PS Aktualizacja tego tematu czeka nas oczywiście wraz z przejściem do rzeczywistości post-cookies. Wrócimy więc do sprawy 😊 

 
Magdalena Olejniczak
senior data and platform specialist, Xaxis (GroupM)
Pokaż komentarzeUkryj komentarze

Napisz komentarz