AdQuicks analytiska serie
Den här veckan pratar vi Causal Lift – hur kan du exakt avgöra om ditt ökade försäljningssteg, appnedladdningar etc. kom från din OOH-kampanj? Låt oss ta reda på…
Vecka 2: Causal Lift Analysis
Välkommen till vecka 2 i AdQuicks Analytics-serie!
Den här veckan ger vi dig en uppsjö av information om Causal Lift. Överflöd… vem använder det ordet?
Vi har mycket information till dig… Vad är orsakslyft, hur fungerar det och vilken information behöver du för att göra en analys av orsakslyft på din OOH-kampanj.
Låt oss börja med grunderna…
Vad är kausal lyftanalys?
Även känd som orsaksanalys, är detta ett sätt att uppskatta orsakseffekten av din marknadsföringskampanj utanför hemmet på ett önskat resultat, som försäljning, appinstallationer, webbkonverteringar eller besök i butik.
Även om det är bra för oss alla att aktivera vårt säljteam, skulle det inte också vara trevligt att kunna svara på frågor som ”hur många ytterligare dagliga klick eller omvandlingar genererades av en OOH-reklamkampanj?”
Jag såg det 👀
Hur det fungerar
Även om det kanske inte verkar så till en början, är det faktiskt ganska enkelt. Stanna med mig.
Vi använder en Bayesiansk strukturell tidsseriemodell som en metod som tittar på ett historiskt försäljningsmönster och bygger en förutsägelse av dess framtida kurs. Detta gör att vi kan jämföra vad som faktiskt hände efter vår intervention.
Tänk ”kontrollerad grupp” vs ”exponerad grupp” i ett kontrollerat experiment. Skillnaden representerar effekten av din medieinvestering utanför hemmet.
Låt oss gräva lite djupare – var kom förutsägelsen ifrån?
Tja, du vill använda så många datamängder som möjligt som är relaterade till ditt önskade resultat, men som inte kan påverkas av din kampanj.
Några exempel är en onlinesökning av din bransch, konkurrenters produkter eller försäljningsdata på flera andra marknader.
Dessa data används för att träna modellen som genererar vår förutsägelse.
Sedan körs skattningarna flera gånger, vilket är det som gör att vi kan skapa en fördelning av orsakseffekterna. Detta gör i sin tur att vi kan kvantifiera ett konfidensintervall för vår slutliga uppskattning.
Eftersom vi kan vara säkra på att din kampanj (och inte någon oidentifierad variabel) orsakade ökningen, gör det att vi kan beräkna avkastningen på din kampanj mycket mer exakt.
TL;DR- det är din tur att slå den gongen 🔔
Ok, det var ganska enkelt, eller hur? Om du har några frågor kan du boka ett samtal så går vi gärna igenom Causal Lift mer i detalj.
Tack för att du höll med mig, jag vet att detta var en överflöd av information.
Det betyder mycket 🫢
