▐ 分析背景 品牌向目标消费者进行新品推广、内容种草、心智提升时，关注的并不是短期销量，而是期望通过大规模曝光与受众沟通，传达品牌形象、产品功能，影响消费者态度，提升品牌认知度，从而影响长期购买决策，增加销量实现市场份额的提升。在品效合一的营销策略中，品牌效应也是重点衡量的部分。 我们从受众沟通能力和品牌认知提升两个方面来衡量营销媒介的品牌效果，而受众沟通能力评价也可适用于在投放前对目标人群的媒介覆盖能力评估，选择合适的媒介。 ▐ 解决方案 受众沟通能力 受众沟通能力是以品牌触达为目标，衡量渠道对目标人群的覆盖能力。我们可以从目标受众覆盖力模型和覆盖增量模型来评价本次营销活动中媒介渠道的受众沟通能力。 目标受众覆盖力模型 目标受众覆盖力是品牌在渠道上对目标受众曝光的规模、效率、程度的衡量。通过覆盖力模型，广告主了解到本次投放对目标受众的覆盖是否达到要求，是否有潜力媒体需要加大投放，是否有表现不足的媒体需要放弃。 衡量规模的指标： 目标受众到达人数，目标受众到达次数，目标受众到达率，毛评点igrp衡量深度的指标： 目标受众人均曝光频次 、目标受众人均停留时长等分析方法 通过选择用户细分指定目标受众后，我们通过绘制气泡图，来对投放渠道的覆盖力进行评价。 横轴x 是规模指标，比如目标受众到达人数， 纵轴y是效率指标，比如目标受众浓度，气泡大小是深度指标，比如目标受众人均曝光频次，每个气泡代表一种渠道或渠道组合。 气泡图可以直观的对渠道的多个覆盖力维度进行综合评价，通过参考线将渠道气泡划成四个象限，对优质、低质、问题、潜力渠道进行甄别。 解读举例 第一象限： 高目标受众到达人数、高受众浓度， 这里的渠道是优质渠道，流量覆盖量大而且利用效率高，可以继续保持投放。第二象限： 低目标受众到达人数，高受众浓度，这里的渠道是潜力渠道，流量利用率高，但是覆盖率不足，可以优先筛选气泡大即人均频次的渠道去加大投放力度，获得更多覆盖。第三象限： 低目标受众到达人数，低受众浓度，这里的渠道是低质渠道，在预算不足情况下可以考虑放弃。第四象限： 高目标受众到达人数，低受众浓度，这里的渠道是问题渠道，可以寻找原因是本身渠道特征中目标受众比例少，还是投放竞价没有争取到目标受众，优化投放策略。覆盖增量模型 覆盖增量分析是评价品牌通过增加渠道投放，对目标受众到达量增量的衡量。广告主希望通过在合理成本内获得更多目标受众的覆盖到达， 该模型可以帮助广告主了解哪些渠道组合能够最快达成覆盖目标。 分析方法 分析者依次选择投放的媒体，第一个媒体作为基准媒体，通常他具有最大的目标受众到达人数，之后的媒体以此为基准，每增加一个媒体，能覆盖多少额外的目标受众。分析结果以瀑布图的形式展示了增量过程，最右的柱子代表的所选的渠道一共覆盖了多少目标受众。 下图选择为：
目标人群：我品牌的目标人群
基准媒体：渠道A
增量媒体：渠道B、渠道C、渠道D、渠道E
解读举例 某品牌对本次营销活动中各渠道的目标受众到达情况进行了解，期望以尽量少的媒体达到期望的目标受众到达覆盖。 以A渠道为基础渠道，它到达覆盖1530万目标受众，增加了B渠道以后， A和B渠道的到达群去重后，相比仅A渠道增加了1011万目标受众。依次增加C,D,E 渠道，最终获得2974万目标受众。其中E渠道相对于ABCD渠道一起，能新增的目标受众量很少, 可以考虑舍弃。 品牌认知度提升 品牌广告尤其是展示、视频类广告，投放目的是提升品牌知名度和兴趣程度，并不是为了促进直接转化。因此需要通过目标受众的知名度和购买意愿提升度来衡量渠道上品牌广告的效果。 分析方法 在线衡量品牌提升可以通过两种方式，用户线上行为衡量和发送线上调研问卷测量。 线上行为衡量 以上行为在营销活动效果中都可以称为转化行为，通过对比目标受众曝光组较控制组的回搜率、购买意愿指数的比值差异LIFT值，来评价品牌广告是否提升了目标受众的知名度和兴趣程度。 LIFT%= 曝光组转化率/控制组转化率-1
通常未曝光组的选择需要是曝光组的同质人群。通过渠道、频次、目标受众、人群属性的对比，还可以了解 在线调研 在线调研是对品牌曝光的人群随机发送问卷，获取受众对品牌以及品牌广告的心理认知，包括品牌形象、产品信息、喜爱度、美誉度等，并与非曝光组进行对比，评估品牌广告对受众心理认知的提升。问卷有专业团队按品牌专门定制，这里不多做赘述。 模型介绍 在最简单的场景下，圈定目标人群，直接对比看过广告曝光组和没看过广告的控制组的品牌认知行为，获得差异及提升率。但这样的对比其实有缺陷， 主要是因为看过广告和没看过广告的人群有差异，不是同质的。看到广告的人可能在广告平台更活跃、或者被本身更适合品牌才获得了更多曝光可能性，同时这些特征也会导致曝光的人最终更容易与品牌发生互动，导致计算出的认知度提升，并不仅仅是由广告曝光引起的。要获得更合理科学的评价广告触达后的转化提升效应，需要使用因果推断模型，下面我们介绍两种常用的方式：事前随机化的ABtest试验，事后随机化的倾向分匹配模型。
处理组（treatment) : 看到指定广告的人群 控制组 (control): 未看到指定广告的人群 ABtest方法 AB 测试也称为在线对照试验 (Online Controlled Experiments) ，是事前随机化的实验方法。通过针对性的实验设计，考察处理因素与结果变量间的因果关系，获得效果提升增量。
衡量广告片的品牌词回搜效果为例， 首先要计算样本量，将广告位用户流量随机分割成 A/B 两组，一组处理组，一组控制组，两组用户特点一致。同时运行试验，处理组曝光指定广告，控制组曝光不含产品信息的白板广告，比如公益广告。试验运行一段时间后分别统计两组用户的表现，再将数据结果进行对比，可以得出广告对品牌认知提升作用。
常见的ABtest方式 倾向分匹配模型（PSM) 并不是所有营销场景，均可以使用事前随机化的方式对人群进行控制，比如想衡量某期节目中植入广告对品牌认知的影响，分析者无法事先指定一群人不准他们看节目。因此，我们采用已有的观察数据进行事后随机化，进行因果推断分析。 场景举例：
某护肤品牌在某期综艺节目中植入广告进行品牌推广，想衡量本期综艺中的广告创意对品牌认知度的提升作用。 图片仅作植入广告形式说明，与案例无关 处理组： 有效观看该节目的人（广告曝光)
控制组： 没有观看该节目的人 （未广告曝光）
Treatment： 有效观看该节目=1
我们知道，综艺节目有内容受众人群，观看该节目的人和不看的人会有特征上的差异，这些差异会导致广告曝光的品牌认知提升效果衡量出现偏差。 问题：在研究自变量（曝光）对因变量（成交）的关系时，由于存在混淆变量，影响个体被自变量影响的概率，使得处理组和控制组不同质，影响自变量对因变量的“净效果”。混淆变量的影响成为选择性误差。 被曝光到的群体，如果当时没有被曝光到，会是怎样的结果？ 实际的处理效应（因果）=曝光者的效果- 曝光者假如没有被曝光时候的效果
在一个个体上最终只有一个结果会出现并被观察到，也就是和个体所接受的处理相对应的那个结果。“假如没有曝光“是可能结果，是想象出来的，所以我们称为反事实。一个应该被曝光到的人，被曝光到和没被曝光到都是潜在结果，但最终的观察事实只有一种，另一个潜在结果是观察不到的。我们能观察到的是，被曝光的处理组，不被曝光的控制组。 因此倾向分匹配模型，就是要从控制组中找出一批和曝光组同质的人群进行对比。 倾向分匹配模型步骤：
选择混杂变量，这些变量可能影响曝光或转化的概率，比如性别、年龄、城市等级、购物偏好、网站活跃情况等
将混杂因素作为自变量，处理因素作为因变量进行逻辑回归，对样本被处理（曝光）到的可能性进行评分 ，即倾向分
分值最接近个体进行配对，为每个处理组样本找到“最同质“的控制组样本
匹配后做样本平衡性检定，混杂变量在两组样本中均衡可比，近似代替自身反事实状态下结果，相当于一次事后随机化，从而减少选择性误差。
估计处理组平均效应 ATT（average treatment effect on the treated）=处理组效果-控制组效果
解读举例
某护肤品牌在某期综艺节目中植入广告进行品牌推广，想衡量本期综艺中的广告创意对品牌认知度的提升作用。 对节目上线一周内有效观看者作为处理组，同期在改视频网站上访问但没有看该节目的人作为原始控制组，通过倾向分匹配模型找出处理组的同质控制组，并评价他们在节目有效观看后品牌回搜率的差异。 人群同质化前: 处理组 vs 原始控制组 品牌回搜率处理效应0.129%，提升率153%。控制了人群选择效应以后：处理组 vs 同质人群品牌回搜率处理效应为0.063% ，提升率为42%。 当然，事后随机化只是在无法做事前随机化时一种弥补措施，由于无法穷举所有的混杂因素，分析者仅能在已选的混杂因素上去控制两组平衡。
▐ 关于我们 阿里妈妈SDS(Strategic Data Solutions)团队，致力于用数据让商家和平台的增长战略更加科学有效。我们为阿里妈妈全线广告客户提供营销洞察、营销策略、价值量化及效果归因的技术服务。
投递简历邮箱：
alimama_tech@service.alibaba.com
延展阅读： 【阿里妈妈营销科学系列】开篇：C.M.O——“人群.渠道.机会”营销分析导论
【阿里妈妈营销科学系列】第一篇：消费者资产分析
【阿里妈妈营销科学系列】第二篇：消费者行为分析