Professional Documents
Culture Documents
Dịch - Samuel Murphy Case Study Firms and Markets
Dịch - Samuel Murphy Case Study Firms and Markets
1
Machine Translated by Google
Nội dung
Trang 1-6
Dữ liệu
Trang 7
Câu hỏi 1
Trang 8
Câu hỏi 2
Trang 9-10
Câu hỏi 3
Trang 11-12
Câu hỏi 4
Trang 13-19
Trang 21
Samuel Murphy
Dự án nghiên cứu 2
Machine Translated by Google
Cung cấp các dịch vụ quảng cáo kỹ thuật số. Tập trung vào việc sử dụng dữ liệu lớn và
AI để khai thác tiềm năng của đặt giá thầu thời gian thực (RTB) và trao đổi quảng cáo.
Clara Demidenko chuẩn bị cho buổi gặp gỡ khách hàng với TaskaBella (nhà sản
xuất phụ kiện sang trọng cho phụ nữ). Mục tiêu của cuộc họp là thuyết phục
TaskaBella rằng chiến dịch quảng cáo thử nghiệm mà Rocket sử dụng nhiên liệu
mới hoàn thành gần đây đã có hiệu quả và sau đó đưa ra bằng chứng rằng quảng
cáo của họ mang lại ROI dương. Cổ phần cao vì TaskaBella đang trong quá trình
phân bổ lại một phần lớn ngân sách quảng cáo của mình trên sản phẩm này.
Mục tiêu chính của chiến dịch là nhắm mục tiêu nửa triệu người tiêu
dùng trực tuyến bằng quảng cáo cho túi xách mới của TaskaBella. Trong cuộc họp
đầu tiên giữa hai công ty, phần lớn cuộc trò chuyện tập trung vào việc đo
lường mức độ thành công của chiến dịch. TaskaBella quan tâm nhất đến việc đạt
được tỷ lệ chuyển đổi đủ cao để số tiền quảng cáo dẫn đến đủ số lượng mua
hàng để biện minh cho việc chi tiêu.
Demidenko đưa ra chi phí hiển thị, làm rõ rằng giá mỗi nghìn (CPM) bị
ảnh hưởng bởi một số yếu tố nhưng với các trang web và dân số mục tiêu mà
TaskaBella lưu ý, họ nên trả 9 đô la cho 1.000 lần hiển thị. TaskaBella ước
tính rằng với giá 100 đô la của chiếc túi mới và với chi phí biến đổi liên quan
đến mỗi đơn vị, trung bình một người dùng chuyển đổi có giá trị 40 đô la.
Giá trị 40 đô la cho mỗi người dùng chuyển đổi được tính bằng cách lấy doanh thu cận biên (100 đô la) của mỗi chiếc túi
xách đã bán trừ đi chi phí cận biên liên quan đến mỗi chiếc túi xách (nguyên liệu, nhân công, hoa hồng, v.v.). Các chi phí
biến đổi này không bao gồm các chi phí cố định như quảng cáo.
3
Samuel Murphy
Nghiên cứu điển hình
Machine Translated by Google
Samuel Murphy
Nghiên cứu điển hình
4
Machine Translated by Google
Ví dụ 1.
Ví dụ 2.
Samuel Murphy
Nghiên cứu điển hình
5
Machine Translated by Google
Quá trình
1. Quảng cáo lần đầu tiên được tải vào mạng phân
phối nội dung của Rocket Fuel bởi một công ty liên
kết hoạt động, cho phép hiển thị nhanh quảng cáo ở mọi
nơi trên thế giới trong vòng mili giây.
tích hợp.
Samuel Murphy
Nghiên cứu điển hình
6
Machine Translated by Google
Dữ liệu
CPM $ 9
1069124 1 0 130 1 20
1119715 1 0 93 2 22
Kiểm tra: Liệu người dùng đã tiếp xúc với quảng cáo hay đang ở trong nhóm kiểm
soát (1 = tiếp xúc, 0 = kiểm soát).
Đã chuyển đổi: Người dùng có chuyển đổi hay không. 1 nếu người dùng mua túi
trong chiến dịch, 0 nếu không.
Tot_impr: Tổng số lần hiển thị mà người dùng gặp phải. Đối với người dùng trong
kiểm soát, đây là số lần họ gặp phải PSA. Đối với người dùng được tiếp xúc, đây là
số lần họ được hiển thị quảng cáo.
Mode_impr_day: Hiển thị ngày trong tuần mà người dùng có số lần hiển thị nhiều
nhất.
Mode_impr_hour: Hiển thị giờ trong ngày mà người dùng có số lần hiển
thị nhiều nhất.
Samuel Murphy
7
Nghiên cứu điển hình
Machine Translated by Google
Câu hỏi 1:
Chiến dịch quảng cáo có hiệu quả không? Những người tiêu dùng bổ sung có chuyển đổi do
kết quả của chiến dịch quảng cáo không?
Chiến dịch thử nghiệm diễn ra từ tháng 11 năm 2015 đến tháng 2 năm 2016.
Kiểm tra = 0 nếu người dùng ở trong nhóm kiểm soát (PSA)
Phần trăm chuyển đổi của những người dùng tiếp xúc = 2,5547%
Tỷ lệ chuyển đổi
3,00%
2,50%
0,769%
2,00%
1,50%
1,00%
0,50%
0,00%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Điều khiển Để lộ ra
Samuel Murphy số 8
Câu hỏi 2:
A. TaskaBella đã kiếm thêm được bao nhiêu tiền bằng cách chạy chiến dịch (không bao gồm chi
phí quảng cáo)?
A = Tỷ lệ chuyển đổi của những người dùng tiếp xúc - Tỷ lệ chuyển đổi của nhóm kiểm soát
B = Số lượng người dùng tiếp xúc
C = Giá trị của người dùng được chuyển đổi
A. Tính ROI của chiến dịch. Chiến dịch có sinh lời không?
Các tính toán trên minh họa rằng chiến dịch đã thực sự hiệu quả trong việc tăng tỷ lệ
chuyển đổi và thúc đẩy lợi nhuận của TaskaBella. Với ROI dương, chúng tôi kết luận chiến
dịch đã có lãi.
Samuel Murphy
Nghiên cứu điển hình
9
Machine Translated by Google
Câu hỏi 2:
D. Chi phí cơ hội của việc bao gồm một kiểm soát là bao nhiêu
tập đoàn; TaskaBella có thể làm được bao nhiêu nữa với một
nhóm kiểm soát nhỏ hơn hoặc hoàn toàn không có nhóm kiểm
soát?
=
A = Tỷ lệ chuyển đổi của những người dùng tiếp xúc - Tỷ lệ chuyển đổi của những người dùng kiểm soát
Samuel Murphy
Nghiên cứu điển hình
10
Machine Translated by Google
Câu hỏi 3
Số lần hiển thị mà mỗi người dùng nhìn thấy ảnh hưởng như thế nào
đến hiệu quả của quảng cáo?
6%
4%
2%
0%
1-30 31-60 61-90 91-120 121-150 151-180 181-210 210+
Để phân tích tác động của số lần hiển thị đến hiệu quả của quảng cáo, tôi đã
chia người dùng thành các nhóm. Bắt đầu từ 0-30 lần hiển thị và tăng lên sau 30
phút cho đến 210 lần hiển thị. Có ít hơn rất nhiều người đã xem hơn 210 lần
hiển thị và do đó những người nhận được 210 lần hiển thị trở lên tạo thành nhóm
trên. Để đo lường hiệu quả của quảng cáo, chúng ta chỉ cần nhìn vào tỷ lệ chuyển
đổi. Đây được tính bằng số chuyển đổi trong nhóm chia cho số người trong nhóm.
Lưu ý rằng ban đầu khi số lần hiển thị mà mọi người tiếp xúc tăng thì tỷ lệ
chuyển đổi cũng tăng theo. Tuy nhiên, chúng tôi dường như đạt được một bước
ngoặt với khoảng 150 lần hiển thị. Sau đó, có vẻ như nhiều lần hiển thị hơn
thực sự dẫn đến tỷ lệ chuyển đổi thấp hơn.
Samuel Murphy
Nghiên cứu điển hình
11
Machine Translated by Google
Câu hỏi 3
Số lần hiển thị mà mỗi người dùng nhìn thấy ảnh hưởng như thế nào
đến hiệu quả của quảng cáo?
2500
2000
1500
1000
500
0
1-30 31-60 61-90 91-120 121-150 151-180 181-210 210+
Biểu đồ trên cho thấy số lần hiển thị trung bình cho mỗi chuyển đổi trong mỗi
nhóm. Mô hình của nó dường như phản ánh mô hình của biểu đồ trước đó. Nó minh
họa rằng khi số lần hiển thị được hiển thị tăng lên, thì số lượng chuyển đổi
cũng vậy, có nghĩa là ban đầu khi số lần hiển thị tăng, số lần hiển thị được
hiển thị trên mỗi chuyển đổi thực sự giảm (và do đó hiệu quả của quảng cáo ngày
càng tăng). Như trong biểu đồ trước sau 150 lần hiển thị, mô hình này đảo ngược
có nghĩa là số lần hiển thị trung bình trên mỗi chuyển đổi tăng lên cho thấy
quảng cáo đang trở nên kém hiệu quả hơn.
Nhóm Số lần hiển thị được Chuyển đổi mỗi chuyển đổi
Samuel Murphy
Nghiên cứu điển hình
12
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày?
3,0%
2,5%
2,0%
1,5%
1,0%
0,5%
0,0%
1 2 3 4 5 6 7
Đầu tiên, tôi chỉ đơn giản là kiểm tra tỷ lệ chuyển đổi trong mỗi nhóm (tức là
tỷ lệ chuyển đổi của những người có chế độ là Thứ Hai, Thứ Ba, v.v.). Từ biểu đồ đơn
giản này, chúng ta có thể thấy rằng phản ứng của người tiêu dùng đối với quảng cáo
dường như đáng khích lệ nhất vào đầu tuần (tức là thứ Hai và thứ Ba), sau đó giảm dần
vào cuối tuần trước khi tăng trở lại một chút vào Chủ nhật. Có thể là những người có
chế độ là Thứ Hai đã thấy ít lần hiển thị hơn hoặc nhiều hơn nhiều. Vì vậy, để đo lường
hiệu quả, chúng ta cũng nên xem xét khối lượng hiển thị được hiển thị trên mỗi nhóm.
Samuel Murphy
Nghiên cứu điển hình
13
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày?
1400
1200
1000
800
600
400
200
0
1 2 3 4 5 6 7
Trong biểu đồ thứ hai này, tôi đã xem xét tổng số lần hiển thị mà mỗi nhóm đã
thấy (tức là tổng số lần hiển thị mà những người trong 'nhóm chế độ Thứ Hai' đã
nhìn thấy). Sau đó, số này được chia cho tổng số chuyển đổi trong nhóm đó để cung
cấp cho chúng tôi số lần hiển thị trung bình trên mỗi chuyển đổi trong mỗi nhóm.
Nói cách khác, con số này cho chúng ta biết số lượng quảng cáo trung bình mà mỗi
nhóm đã xem cho một chuyển đổi. Số liệu thấp hơn rõ ràng cho thấy quảng cáo hiệu quả hơn.
Do đó, biểu đồ này bổ sung cho mô hình đã chứng kiến trong biểu đồ trước đó.
Chúng tôi xác nhận rằng quảng cáo có vẻ hiệu quả hơn vào đầu tuần (Thứ Hai /
Thứ Ba với số lần hiển thị trung bình trên mỗi chuyển đổi là> 800) và kém hiệu
quả hơn vào cuối tuần (Thứ Sáu / Thứ Bảy với số lần hiển thị trung bình cho mỗi
chuyển đổi là ≈1,200.
Lưu ý rằng khi đơn giản xem xét tỷ lệ chuyển đổi, có vẻ như Thứ Năm, Linh Sam và
Thứ Bảy đều kém hiệu quả như nhau. Tuy nhiên, khi tính đến số lần hiển thị mà mỗi
nhóm đã thấy và do đó xem xét số lần hiển thị trên mỗi chuyển đổi, rõ ràng là Thứ
Sáu và Thứ Bảy có vẻ tệ hơn. Hai giải thích có thể là họ ở trong nhóm nhiều hơn
hoặc họ thấy ít lần hiển thị hơn. Lời giải thích rõ ràng nhất đối với tôi là họ
thấy ít lần hiển thị hơn ≈ 320.000 so với mức trung bình của Thứ Sáu / Thứ Bảy
Samuel Murphy
Nghiên cứu điển hình
14
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày?
Ngày chế độ Số lần hiển thị đã Phục vụ Chuyển đổi mỗi chuyển đổi
Samuel Murphy
Nghiên cứu điển hình
15
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày
3,0%
2,5%
2,0%
1,5%
1,0%
0,5%
0,0%
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Khi xem xét phản ứng của người tiêu dùng đối với quảng cáo tại các thời điểm khác nhau trong
, chúng
ngày, tôi đã sử dụng quy trình tương tự như đã được thực hiện trong
tôi
nhiều
xem ngày.
xét tỷTrước
lệ chuyển
tiên,
đổi giữa mỗi nhóm. Từ biểu đồ trên, có vẻ như quảng cáo hiệu quả hơn từ giữa chiều đến tối
(15: 00-21: 00). Trong khung thời gian này, tỷ lệ chuyển đổi trong mỗi nhóm luôn ở mức trên 2,5%
và đạt mức tối đa vào lúc 16:00, nơi nó tăng trên 3%. Không có gì ngạc nhiên khi quảng cáo dường
như kém hiệu quả nhất vào đầu giờ sáng, đạt mức đáy lúc 02:00, nơi tỷ lệ chuyển đổi là 0,7%.
Một lần nữa nó có thể là những người có chế độ là 12:00 đã thấy ít hơn hoặc nhiều hơn
nhiều lần hiển thị. Vì vậy, để đo lường hiệu quả, chúng ta cũng nên xem xét khối lượng
hiển thị được hiển thị trên mỗi nhóm.
Samuel Murphy
Nghiên cứu điển hình
16
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày
Samuel Murphy
Nghiên cứu điển hình
17
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày
Khi xem xét tổng số lần hiển thị mà mỗi nhóm đã thấy và chia cho tổng số chuyển đổi
trong nhóm đó, chúng tôi nhận được số lần hiển thị trung bình trên mỗi chuyển đổi
trong mỗi nhóm.
Nhìn vào biểu đồ, chúng ta thấy rằng một lần nữa quảng cáo có vẻ kém hiệu quả nhất
vào đầu giờ sáng. Đối với nhóm có giờ phương thức trung bình là 02:00, họ đã thấy
3387 lần hiển thị trên mỗi chuyển đổi. Điều này hoàn toàn trái ngược với buổi chiều
muộn, nơi đối với những người trong nhóm có giờ phương thức là 16:00, trung bình
chỉ nhận được 272 lần hiển thị trên mỗi chuyển đổi.
4000
3500
3000
2500
2000
1500
1000
500
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Samuel Murphy
Nghiên cứu điển hình
18
Machine Translated by Google
Câu hỏi 4:
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày
690 878
457 891
Samuel Murphy
Nghiên cứu điển hình
19
Machine Translated by Google
người dùng đã ảnh hưởng như thế nào đến hiệu quả của quảng cáo?
Tại đây, chúng tôi có thể chạy một hồi quy logistic đơn giản để thử và dự đoán
tác động của số lần hiển thị đối với xác suất chuyển đổi. Để giải thích cho sự
phi tuyến tính của mối quan hệ mà phân tích trước đây của chúng tôi chỉ ra
rằng tôi khuyên bạn nên có cả số lần hiển thị và số lần hiển thị2 .
1 2
Ngoài ra, chúng tôi có thể chia dữ liệu hiển thị thành các nhóm (như đã được thực
hiện trước đây) và có một biến cho mỗi nhóm.
Phản ứng của người tiêu dùng đối với quảng cáo khác nhau như thế nào vào các
ngày khác nhau trong tuần và các thời điểm khác nhau trong ngày?
Ở đây, chúng ta có thể đơn giản xây dựng dựa trên mô hình logistic được mô tả ở
trên bằng cách thêm vào 6 biến giả cho ngày và 23 cho giờ (lưu ý trong mỗi trường
hợp, chúng ta nên để một ngày / giờ ra khỏi mô hình để tránh sự cộng đồng hoàn hảo
giữa các biến độc lập). Ngoài ra, chúng tôi có thể thêm vào một thuật ngữ tương tác
giữa các biến giả này cho biết ngày / giờ, điều này sẽ cho phép chúng tôi xem liệu tác
động của thời gian trong ngày có thay đổi vào các ngày khác nhau hay không. Cuối cùng,
việc tương tác các biến giả này với biến giải thích 'số lần hiển thị' (cho phép các
độ dốc khác nhau) sẽ cho phép chúng tôi xem liệu lợi nhuận của số lần hiển thị có khác
nhau giữa các ngày hoặc giờ trong ngày hay không.
2
= + 1 + 3 1 ++ 210 2 + + 32 2 + 4 3 + +
9 1 + + [2. 2. 1 +
33 _ 2] +… +
Samuel Murphy
Nghiên cứu điển hình
20
Machine Translated by Google
Cấm quảng cáo cho các sản phẩm gây hại cho môi trường
cân nhắc, một hội đồng công dân do Tổng thống Pháp
Emmanuel Macron thành lập để khám phá các biện pháp cắt
giảm lượng khí thải carbon đã thúc giục nhà lãnh đạo
Pháp tổ chức các cuộc trưng cầu dân ý về việc bổ sung
bảo vệ môi trường vào Hiến pháp và hủy bỏ bản chất là
một tội ác. ”
Đi đầu trong các đề xuất của CCC là lời kêu gọi 'chất
diệt khuẩn sinh thái' (ecocide), hay thiệt hại trên
diện rộng của các hệ sinh thái, trở thành tội ác ở
Pháp. Nhóm gợi ý rằng quyết định đưa các biện pháp
bảo vệ khí hậu vào luật pháp của Pháp nên được thực
hiện bằng một cuộc trưng cầu dân ý.
Borne cho biết cô ấy ủng hộ cuộc trưng cầu dân ý về
các khuyến nghị của CCC nói rằng nó có thể giúp "chia
sẻ công việc" của công ước với người dân Pháp.
Các biện pháp khác được nhóm kêu gọi bao gồm
giới hạn mạnh mẽ hơn đối với quảng cáo, với lệnh
cấm các biển quảng cáo chào hàng các sản phẩm có
lượng khí thải carbon cao như xe SUV cỡ lớn; cấm
trồng cây biến đổi gen; thuế cao hơn đối với phân
bón nitơ; và giảm một nửa việc sử dụng thuốc trừ
sâu vào năm 2030 và cấm những thứ nguy hiểm nhất vào
năm 2035. Danh sách cũng đề xuất lệnh cấm sưởi ấm
sân thượng quán cà phê ngoài trời và giữ đèn cửa
hàng vào ban đêm.
Bộ trưởng chuyển đổi môi trường của Pháp, Elisabeth
Samuel Murphy
Nghiên cứu điển hình
21