Mindre kan være mere: Den dobbeltsidede effekt af multi-kanal reklame

Samtidig definerede denne undersøgelse multi-kanal eksponering som at være udsat for to kanaler i stedet for én. Men i virkeligheden er antallet af kanaler, hvorigennem mærker distribuerer deres reklameudgifter, (meget) større. På hver af disse kanaler konkurrerer kreative fra andre annoncører også om forbrugerens opmærksomhed og tilføjer en vis mængde “støj”, der gør det sværere for mærker at formidle deres budskab klart. Dette rejser spørgsmålet om, hvorvidt det at sprede sine reklamebestræbelser over et stort antal kanaler stadig vil efterlade tilstrækkeligt tryk per kanal til stadig at skille sig ud – og faktisk “bryde igennem støjen”.

Disse to modsatrettede argumenter om, hvorfor det at tilføje flere kanaler til ens medieblanding kan eller ikke kan vise sig at være fordelagtigt for reklamemærket, fik os interesseret i at vurdere i hvilket omfang – og hvordan – effektiviteten af markedsføringskampagner er afhængig af antallet af kanaler. Derfor satte vi os for at besvare dette spørgsmål gennem en meta-analyse, som beskrevet yderligere nedenfor.

Vi ønskede at finde ud af, hvordan og i hvilket omfang reklamens effekt er drevet af antallet af kanaler, hvorpå man annoncerer. Derfor byggede vi et (uge-niveau) datasæt, der blev hentet fra vores brand trackere. Dette datasæt inkluderer følgende information:

Hjulpet reklamebevidsthed: For hvert mærke og uge i vores datasæt, indfanger denne variabel andelen af undersøgelsesrespondenter, der vælger det mærke efter at være blevet spurgt “For hvilket mærke(r) husker du at have set eller hørt nogen reklame i de seneste uger?”.

Medietryk (på tværs af 8 kanaler): For hvert mærke og uge i vores datasæt, reflekterer disse variabler antallet af mediekontakter, der blev realiseret af det pågældende mærkes reklamebestræbelser. Vi tager 8 forskellige kanaler i betragtning: 1) TV, 2) Radio, 3) Print, 4) Udendørs, 5) Pre-rolls, 6) Sociale medier, 7) Online søgning, 8) Online display.

Vi udvider derefter dette datasæt ved at konstruere to yderligere variabler:

RPS (Reality Performance Score): Hos DVJ Insights bruger vi RPS til at repræsentere det samlede medietryk, der realiseres af et mærkes ugentlige reklamebestræbelser (i forhold til størrelsen på markedet, hvori det opererer). RPS tager højde for, at:

1. 1. Hver kanal varierer i sandsynligheden for, at reklamer bliver bemærket og husket af forbrugerne.
   2. Forbrugere er som regel i stand til at huske reklamer i mindst noget tid efter at have set eller hørt dem. Derfor har en del af reklamebestræbelserne i en uge stadig værdi i de følgende uger.

   Samtidig definerede denne undersøgelse multi-kanal eksponering som værende eksponeret for to kanaler i stedet for én. Men i virkeligheden er antallet af kanaler, hvorigennem mærker distribuerer deres reklameudgifter, (meget) større. På hver af disse kanaler konkurrerer kreative fra andre annoncører også om forbrugerens opmærksomhed og tilføjer en vis mængde “støj”, der gør det mere vanskeligt for mærker at formidle deres budskab klart. Dette rejser spørgsmålet om, hvorvidt det at sprede ens reklameindsats over et stort antal kanaler stadig vil efterlade tilstrækkeligt tryk pr. kanal til stadig at skille sig ud – og faktisk “bryde igennem støjen”.

   Disse to modsætninger i argumenter om, hvorfor det at tilføje flere kanaler til ens medieblanding kan eller ikke kan vise sig at være fordelagtigt for reklamemærket, fik os interesserede i at vurdere i hvilket omfang – og hvordan – effektiviteten af markedsføringskampagner er afhængig af antallet af kanaler. Derfor satte vi os for at besvare dette spørgsmål gennem en meta-analyse, som yderligere beskrives nedenfor.

   Vi ønskede at finde ud af hvordan og i hvilket omfang reklamens indvirkning er drevet af antallet af kanaler, hvorover man annoncerer. Derfor byggede vi et (uge-niveau) datasæt, der blev indhentet fra vores brand trackere. Dette datasæt indeholder følgende oplysninger:

   Støttet reklamebevidsthed: For hvert mærke og uge i vores datasæt fanger denne variabel andelen af undersøgelsesrespondenter, der vælger det mærke efter at være blevet spurgt “For hvilket mærke(r) husker du at have set eller hørt nogen reklame i løbet af de seneste uger?”.

   Medietryk (på tværs af 8 kanaler): For hvert mærke og uge i vores datasæt reflekterer disse variabler antallet af mediekontakter, der blev realiseret af det pågældende mærkes reklameindsats. Vi tager 8 forskellige kanaler i betragtning: 1) TV, 2) Radio, 3) Print, 4) Udendørs, 5) Pre-rolls, 6) Social, 7) Online søgning, 8) Online display.

   Vi udvider derefter dette datasæt ved at konstruere to yderligere variabler:

   RPS (Realitets Præstations Score): Hos DVJ Insights bruger vi RPS til at repræsentere det samlede medietryk, der realiseres af et mærkes ugentlige reklameindsats (i forhold til markedets størrelse, hvor det opererer). RPS tager højde for, at:

   1. Hver kanal varierer i sandsynligheden for, at reklamer bliver bemærket og husket af forbrugerne.
   2. Forbrugere er normalt i stand til at huske reklamer i mindst noget tid efter at have set eller hørt dem. Derfor har en del af reklameindsatsen i en uge stadig værdi i de følgende uger.

   Flere anvendte kanaler: Vi opnår antallet af kanaler, der er involveret i et mærkes ugentlige reklameindsats ved at tælle de kanaler, hvor mere end 0 blev realiseret. Vi tæller kontakter på tværs af 8 forskellige kanaler som nævnt ovenfor.

   Vores datasæt omfatter 34 mærker, på tværs af 8 produktkategorier og 8 lande. Tabel 1 nedenfor viser, hvilke kategori/land kombinationer der er dækket af vores datasæt.

   Tabel 1: Antal mærker dækket i hver kategori/land kombination

   

   Antallet af kanalers modererende rolle

   For at vurdere rollen af antallet af anvendte kanaler i bestemmelsen af reklameeffektivitet følger vi en konceptuel model, der er visuelt repræsenteret i figur 1 nedenfor:

   Figur 1: Konceptuel model for antallet af kanalers rolle i bestemmelsen af reklameeffektivitet

   

   Pil 1 er rygraden i denne model. Den repræsenterer, hvordan et mærkes uge-til-uge reklameindsats (RPS) efterfølgende påvirker forbrugernes evne til at huske mærkets medienærvær (reklamebevidsthed). Således repræsenterer pil 1 reklamens indvirkning, og vores konceptuelle model antager, at den nøjagtige magnitude af denne indvirkning kan afhænge af flere faktorer.
   Efter vores hovedforskningspørgsmål er vi primært interesseret i pil 2. Denne pil symboliserer, hvordan antallet af kanaler, der anvendes til at opnå et bestemt niveau af medietryk, påvirker (eller med andre ord modererer) effekten beskrevet af pil 1, f.eks. indvirkningen af dette medietryk på reklamebevidsthed.

   Disse relationer vil blive analyseret ved hjælp af en regressionsmodel af RPS (uafhængig variabel) på reklamebevidsthed (afhængig variabel), hvor antallet af kanaler fungerer som en moderator. Både RPS og flere kanaler inkorporeres i modellen gennem både en lineær og en kvadreret term. Gennem denne tilgang forbliver vi fleksible med hensyn til den (mulige) form af disse relationer, såsom stigende eller faldende skalaeffekter eller “omvendte U”-kurver.

   Vi forventer, at reklameeffektiviteten også er højst kampagnespecifik (f.eks. på grund af forskelle i kreativ styrke eller realiseret andel-af-stemme) og/eller mærkespecifik (f.eks. da forbrugere måske finder det lettere at huske reklamer fra mærker, der er velkendte). Derfor har vi brug for at kontrollere for disse forskelle i reklameindvirkning (pile 3 og 4) på tværs af mærker og kampagner, før vi kan opnå et pålideligt estimat af den nøjagtige rolle, som antallet af kanaler spiller.

   Vi gør dette ved at estimere regressionsmodellen som en såkaldt “blandet model”. Det vil estimere RPS-parametrene som tilfældige snarere end fastsatte effekter (på tværs af både mærker og kampagner, hvor sidstnævnte defineres som isolerede perioder i tid, hvor medietryk overstiger nul). Desuden kan mærker variere betydeligt i deres “grundniveau” af reklamebevidsthed. Dette betyder, at forbrugere stadig kan hævde at have set eller hørt reklame for (stærke) mærker, selvom disse mærker faktisk ikke har annonceret for en stund. Derfor følger vi en lignende tilfældig-effekt tilgang for modellens “intercept” også (pil 5).

   Leder efter et optimum: Hvilket antal kanaler fungerer bedst?

   Først estimerede vi den ovenfor beskrevne regressionsmodel. Efterfølgende fandt vi som forventet, at mærker varierer betydeligt med hensyn til deres grundniveau af reklamebevidsthed – med minimums- og maksimumsniveauer på henholdsvis 2% og 51%. Dette betyder i bund og grund, at afhængigt af mærket, kan op til ±50% af forbrugerne hævde at have set og/eller hørt reklame for mærket for nylig – selvom der ikke var nogen kampagne i gang på det tidspunkt.
   Vi fandt også betydelig variabilitet i, hvordan denne reklamebevidsthed påvirkes af RPS. Et niveau af ugentligt medietryk svarende til en kontakt (i gennemsnit) med hver person i målgruppen er fundet at resultere i en stigning i reklamebevidsthed på mellem 0,1 og 2,3 procentpoint. Som sådan bekræfter dette vigtigheden af at kontrollere for mærke- og kampagnespecifikke forskelle.

   Dernæst retter vi opmærksomheden mod, hvordan det (gennemsnitlige) indtryk af medietryk på reklamebevidsthed afhænger af antallet af kanaler, som man annoncerer på. For at gøre dette anvender vi modellens parametre til at beregne forventede løft i reklamebevidsthed under forskellige mængder af kanaler og grader af (ugentligt) medietryk. For sidstnævnte definerer vi et “meget lavt” niveau af medietryk som et antal ugentlige kontakter, der ligger under det store flertal (90%) af kampagner i vores datasæt. Vi definerer også et “meget højt” niveau af medietryk som et antal ugentlige kontakter, der ligger over det store flertal (90%) af kampagner i vores datasæt. De “lage”, “mellem” og “høje” niveauer skalerer derefter mellem de “meget lave” og “meget høje” niveauer, ved at bruge nøjagtigt samme trin størrelse mellem hvert par af niveauer.

   Figur 2 viser resultaterne af disse beregninger. Bemærk venligst, at for hvert af de fem niveauer af medietryk, beregner vi kun forventede løft for kanalmængder, som vi faktisk observerer for det niveau i datasættet.

   Figur 2: Forventede løft i reklamebevidsthed under forskellige niveauer af medietryk og mængder af kanaler (brugt til at realisere dette medietryk)

   
   Et først slående resultat er, at når vi bevæger os fra det “meget lave” niveau af medietryk mod det “meget høje” niveau, resulterer hver stigning i niveau i en mindre stigning i løftet af reklamebevidsthed (da linjerne i grafen bliver tættere og tættere på hinanden) – på trods af at stigningen i faktisk medietryk altid var den samme. Dette signalerer eksistensen af aftagende “skalaafkast”. Jo mere man annoncerer, desto mere vil disse yderligere bestræbelser resultere i at nå de samme forbrugere med en højere frekvens snarere end at nå nye forbrugere, og desto lavere vil det yderligere indtryk på reklamebevidsthed være.

   Dernæst bevæger vi os til den faktiske rolle, som antallet af kanaler spiller. Under meget lavt (ugentligt) medietryk, på trods af at det optimale antal kanaler formelt ligger på 2, ser vi i praksis ingen forskel i effektstørrelse (da det altid er meget tæt på +0%) på tværs af de forskellige mængder af kanaler. Dette niveau af medietryk er sandsynligvis altid for lavt til at have nogen væsentlig indvirkning på reklamebevidsthed, uanset antallet af kanaler, der bruges til at realisere det. Men herfra, jo højere niveauet af medietryk er, desto tydeligere bliver et optimum afsløret med hensyn til antallet af kanaler, der skal bruges.

   Under dette optimale beløb, kan man måske ikke (endnu) blive bemærket af de forbrugere, der kun kan nås ved at tilføje visse kanaler til medieblandingen (f.eks. unge “kun digitale” forbrugere). Over dette optimale beløb er man dog mindre tilbøjelig til at “bryde igennem støjen” på de kanaler, hvor man annoncerer. Dette skyldes, at antallet af kontakter, der kan allokeres til hver enkelt kanal, simpelthen bliver for lavt. Efter denne ræsonnement, er det måske ikke så overraskende, at vi ser det optimale antal kanaler stige sammen med niveauet af medietryk – fra 2 kanaler på et lavt niveau, til 3 kanaler på et mellem- eller højt niveau, og til 4 kanaler på et meget højt niveau. Jo højere det samlede medietryk bag en kampagne, desto flere kanaler kan man allokere et tilstrækkeligt antal kontakter til for at “bryde igennem”; udnytte de yderligere forbrugere, som man er i stand til at nå på denne måde.

   Dernæst skal det understreges, at selvom vi observerer adskillige kampagner, der bruger “hele spektret” af otte kanaler, synes det optimale antal kanaler til at øge reklamebevidstheden aldrig at overstige fire – selv ved meget høje niveauer af medietryk. Dette antyder, at inden for et betydeligt antal kampagner, kan mærker være “spredt for tyndt ud” for at deres reklame virkelig kan skille sig ud på hver af kanalerne i deres medieblanding – hvilket fører til en lavere andel af forbrugere, der er i stand til at huske kampagnen over en længere periode.

   “En balance af kanaler”

   Resultaterne af vores meta-analyse afslører, at effektiviteten af en reklamekampagne, med et fastsat niveau af medietryk, kan afhænge af antallet af kanaler, der anvendes til at realisere dette tryk.
   Stadigvæk forbliver rollen spillet af antallet af kanaler begrænset i bedste fald for meget små skala kampagner, som oplever alvorlige vanskeligheder med at “bryde igennem” blandt deres publikum uanset det nøjagtige antal af anvendte kanaler. Dog begynder valget af det optimale antal kanaler at gøre mere af en forskel (og bliver således stadig vigtigere) jo større en kampagne er i form af medietryk.

   At finde dette optimum er først og fremmest et spørgsmål om at tilføje nok kanaler til medieblandingen for at komme i kontakt med de forbrugere, der ellers ikke ville blive nået. Samtidig bør man også undgå fælden ved at sprede reklamebudgettet over for mange kanaler, for at de kan forblive effektive i at bryde igennem støjen.

   I takt med at ens kampagne øges i skala, gør antallet af kanaler, der kan indarbejdes for at opnå maksimal effektivitet, det også. Samtidig finder vi, at dette antal aldrig synes at overstige fire, selv under meget høje medietryk. Som et resultat er det måske ikke så overraskende, at vi observerer mange kampagneuger (omkring 40%) i vores datasæt, der enten “under- eller overudnytter” det antal kanaler, der er til rådighed for dem. Dette fører til suboptimal memorisering af kampagnen blandt dens tiltænkte publikum.

   Selvfølgelig bør vi bemærke, at i denne undersøgelse var vores operationalisering af kampagneeffektivitet baseret på løft i reklamebevidsthed, hvilket ikke er et typisk slutmål. Stadig ligger den første nøgle til en succesfuld kampagne ofte i dens evne til at blive husket af sit tiltænkte publikum, og i den forstand konkluderer vi, at “mindre” meget vel kan være “mere”. Dette understreger vigtigheden af en velovervejet beslutning om, hvilke kanaler der skal inkluderes i – og udelukkes fra – medieblandingen. Bliv afstemt for en opfølgning på denne meta-analyse senere på året, hvor vi vil give flere indsigter i denne sag!

   Share this article