Việc quảng cáo được cá nhân hóa có hoạt động tốt như các công ty công nghệ tuyên bố không?

Một số công ty công nghệ lớn gần đây đã xây dựng các nền tảng tuyên bố sẽ giáo dục các công ty về cách tốt nhất để tiếp thị bản thân và sản phẩm của họ trực tuyến. Các ví dụ bao gồm Meta for Business (trước đây là Facebook for Business; “Nhận hướng dẫn từng bước, thông tin chi tiết về ngành và các công cụ để theo dõi tiến trình của bạn ở tất cả ở một nơi”), Think with Google (“Tiếp thị của bạn xa hơn với Google”), và Twitter for Business (“Phát triển doanh nghiệp của bạn với quảng cáo Twitter”).

Những trang web kết trên tỏ ra rất rất hấp dẫn trong việc cung cấp cho các công ty vừa và nhỏ vô số thông tin thực sự hữu ích về cách kinh doanh trực tuyến và tất nhiên, họ cung cấp nhiều công cụ và dịch vụ quảng cáo được thiết kế để giúp các công ty đó tăng hiệu suất.

Tất cả các trang web này đều có cùng một mục tiêu cơ bản rằng họ muốn bạn hiểu các công cụ và dịch vụ của họ là mạnh mẽ và được cá nhân hóa cao - và họ muốn bạn đầu tư số tiền tiếp thị của mình vào chúng.

Không đơn giản như vẻ ngoài

Facebook có lẽ là công ty tích cực quảng cáo về dịch vụ của họ nhất trong số ba công ty được trích dẫn ở trên. Trong những tuần gần đây, công ty đã phát sóng các quảng cáo kể đủ loại câu chuyện đầy cảm hứng về các doanh nghiệp nhỏ mà họ đã hỗ trợ với các dịch vụ mới của mình. Có thể bạn đã thấy một số quảng cáo này tại sân bay, trên tạp chí hoặc trên các trang web. My Jolie Candle - một nhà sản xuất nến người Pháp - “ họ tìm được lên tới 80% khách hàng châu Âu của họ thông qua các nền tảng Facebook.” Chicatella - một công ty mỹ phẩm của Slovenia - “phân bổ tới 80% doanh số bán hàng của họ cho các ứng dụng và dịch vụ của Facebook”. Mami Poppin - một nhà cung cấp đồ dùng trẻ em của Đức – đã nói:“Sử dụng quảng cáo trên Facebook để thúc đẩy một nửa doanh thu của họ”.

Điều đó nghe có vẻ ấn tượng nhưng liệu các doanh nghiệp có thực sự mong đợi những hiệu ứng lớn như vậy từ quảng cáo? Thực tế là khi Facebook, Google, Twitter và các công ty Big Tech khác “giáo dục” các doanh nghiệp nhỏ về dịch vụ của họ thì họ thường khuyến khích những kết luận không chính xác về tác động nhân quả của quảng cáo.

Hãy xem xét trường hợp của một khách hàng tư vấn của Bart de Langhe - là phó giáo sư chuyên ngành Marketing tại Trường Kinh doanh ESADE, Đại học Ramon Llull, ở Barcelona tại Tây Ban Nha – và Stefano Puntoni - là giáo sư marketing tại Trường Quản lý Rotterdam, Đại học Erasmus tại Hà Lan - là một công ty sản xuất hàng tiêu dùng tại châu Âu trong nhiều năm đã định vị thương hiệu của mình dựa trên sự bền vững. Công ty này muốn khám phá xem liệu một quảng cáo trực tuyến đưa ra tuyên bố về sự tiện lợi có thể thực sự hiệu quả hơn quảng cáo trực tuyến tuyên bố về tính bền vững hay không? Với sự trợ giúp của Facebook for Business, công ty đã chạy thử nghiệm một bài kiểm tra A / B (Nếu A thì x, nếu B thì y) trên hai quảng cáo và sau đó so sánh lợi tức chi tiêu quảng cáo giữa hai điều kiện. Thử nghiệm cho thấy lợi nhuận cao hơn nhiều đối với quảng cáo tính bền vững. Điều đó có nghĩa là công ty nên đầu tư vào đó phải không? Trên thực tế, các nhà nghiên cứu trên không biết.

Có một vấn đề cơ bản với những gì Facebook đang làm ở đây: Các bài kiểm tra mà Facebook đang cung cấp với tiêu đề là bài kiểm tra “A / B” thực sự không phải là bài kiểm tra A / B. Ngay cả các nhà tiếp thị kỹ thuật số cũng không hiểu rõ được vấn đề này.

Vậy điều gì thực sự đang xảy ra trong những thử nghiệm này? Đây là một ví dụ:

1) Facebook chia một lượng lớn khán giả thành hai nhóm - nhưng không phải tất cả mọi người trong các nhóm đều sẽ nhận được sự chăm sóc cần thiết (Có nghĩa là, nhiều người thực sự sẽ không bao giờ nhìn thấy một quảng cáo).

2) Facebook bắt đầu chọn 1 số người từ mỗi nhóm và nó cung cấp một cách xử lý khác nhau tùy thuộc vào nhóm mà một người được lấy mẫu. Ví dụ: một người được chọn từ Nhóm 1 sẽ nhận được quảng cáo màu xanh lam và người được chọn từ Nhóm 2 sẽ nhận được quảng cáo màu đỏ.

3) Facebook sau đó sử dụng các thuật toán máy học để tinh chỉnh chiến lược lựa chọn của mình. Thuật toán có thể học trong trường hợp những người trẻ tuổi có nhiều khả năng nhấp vào quảng cáo màu đỏ hơn vì vậy sau đó Facebook sẽ bắt đầu phân phát quảng cáo đó nhiều hơn cho những người trẻ tuổi.

Bạn có thấy điều gì đang xảy ra ở đây không? Thuật toán máy học mà Facebook sử dụng để tối ưu hóa việc phân phối quảng cáo thực sự làm mất hiệu lực thiết kế của thử nghiệm A / B.

Sau đây là những ý kiến rút ra của nhóm nghiên cứu. Các bài kiểm tra A / B được xây dựng dựa trên ý tưởng phân công ngẫu nhiên. Nhưng các bài tập được thực hiện ở Bước 3 ở trên có ngẫu nhiên không? Không và điều đó có ý nghĩa tương đối quan trọng. Nếu bạn so sánh những người được chăm sóc từ Nhóm 1 với những người được chăm sóc từ Nhóm 2, bạn sẽ không thể đưa ra kết luận về tác động nhân quả của việc chăm sóc này bởi vì những người được chăm sóc từ Nhóm 1 hiện khác với những người được chăm sóc từ Nhóm 2 trên nhiều khía cạnh hơn là chỉ điều trị. Ví dụ: những người được đối xử từ Nhóm 2 đã được phân phát quảng cáo màu đỏ, cuối cùng sẽ trẻ hơn những người được đối xử từ Nhóm 1 đã được phân phát quảng cáo màu xanh lam. Dù bài kiểm tra này là gì, nó không phải là một bài kiểm tra A / B.

Điều này xảy ra không chỉ với Facebook. Trang Think with Google gợi ý rằng các chỉ số giống như ROI là quan hệ nhân quả trong khi trên thực tế chúng chỉ mang tính chất kết hợp.

Hãy tưởng tượng rằng một doanh nghiệp muốn tìm hiểu xem một chiến dịch quảng cáo có hiệu quả trong việc tăng doanh số bán hàng hay không. Để trả lời câu hỏi này, trang web gợi ý rằng việc này liên quan đến sự kết hợp đơn giản giữa công nghệ cơ bản và toán học đơn giản.

Đầu tiên, bạn thiết lập theo dõi chuyển đổi cho trang web của mình. Điều này cho phép bạn theo dõi liệu những khách hàng đã nhấp vào quảng cáo có tiếp tục mua hàng hay không. Thứ hai, bạn tính tổng doanh thu từ những khách hàng này và chia cho (hoặc trừ) chi phí quảng cáo của mình. Đó là lợi tức đầu tư của bạn và theo Google, đây là “phép đo quan trọng nhất đối với các nhà bán lẻ vì nó cho thấy tác động thực sự của Google Ads đối với doanh nghiệp của bạn”.

Trên thực tế thì không phải vậy. Phân tích của Google còn thiếu sót vì nó thiếu điểm so sánh. Để thực sự biết liệu quảng cáo có tạo ra lợi nhuận cho doanh nghiệp của bạn hay không, bạn cần biết doanh thu sẽ như thế nào nếu không có quảng cáo.

Twitter for Business đưa ra một đề xuất có liên quan hơn.

Đầu tiên, Twitter làm việc với một nhà môi giới dữ liệu để có quyền truy cập vào cookie, email và thông tin nhận dạng khác từ khách hàng của thương hiệu. Sau đó Twitter thêm thông tin về cách những khách hàng này liên quan đến thương hiệu trên Twitter - chẳng hạn như họ có nhấp vào các tweet quảng bá của thương hiệu hay không. Điều này được cho là cho phép các nhà phân tích tiếp thị so sánh doanh thu trung bình từ những khách hàng đã tương tác với thương hiệu với doanh thu trung bình từ những khách hàng không sử dụng thương hiệu. Nếu sự khác biệt đủ lớn theo lý thuyết thì nó sẽ chứng minh rằng chi phí quảng cáo đã bỏ ra là xứng đáng.

Biện pháp phân tích được sử dụng ở đây là so sánh nhưng chỉ như với ý nghĩa so sánh táo và cam. Những người thường xuyên mua mỹ phẩm không phải vì họ thấy những dòng tweet quảng cáo mỹ phẩm. Họ nhìn thấy các tweet quảng cáo cho mỹ phẩm vì họ thường xuyên mua mỹ phẩm. Nói cách khác, những khách hàng nhìn thấy các tweet được quảng cáo từ một thương hiệu là những người rất khác với những người không xem.

Sự nhầm lẫn về nhân quả

Các công ty có thể trả lời hai loại câu hỏi bằng cách sử dụng dữ liệu: Họ có thể trả lời các câu hỏi dự đoán (chẳng hạn như “Khách hàng này sẽ mua chứ?”) Và các câu hỏi suy luận nhân quả (như trong “Quảng cáo này có khiến khách hàng này mua không?”). Những câu hỏi này khác nhau nhưng dễ nhầm lẫn. Trả lời các câu hỏi suy luận nhân quả yêu cầu thực hiện so sánh ngược thực tế (như trong "Liệu khách hàng này có mua hàng mà không có quảng cáo này không?"). Các thuật toán thông minh và công cụ kỹ thuật số được tạo ra bởi các công ty Big Tech thường đưa ra các phép so sánh giữa quả táo với quả cam để hỗ trợ các suy luận nhân quả.

Big Tech nên nhận thức rõ sự khác biệt giữa dự đoán và suy luận nhân quả và tầm quan trọng của việc phân bổ nguồn lực hiệu quả - xét cho cùng thì trong nhiều năm, họ đã tuyển dụng một số người thông minh nhất trên hành tinh này. Nhắm mục tiêu người mua có khả năng bằng quảng cáo là một vấn đề dự đoán thuần túy. Nó không yêu cầu suy luận nhân quả và rất dễ thực hiện với dữ liệu và thuật toán ngày nay. Việc thuyết phục mọi người mua khó hơn rất nhiều.

Các công ty Big Tech nên được khen ngợi vì những tài liệu và công cụ hữu ích mà họ cung cấp cho cộng đồng doanh nghiệp, nhưng các doanh nghiệp vừa và nhỏ nên lưu ý rằng các nền tảng quảng cáo đang theo đuổi lợi ích riêng của họ khi họ cung cấp đào tạo và thông tin và những lợi ích này có thể hoặc có thể không phù hợp với của các doanh nghiệp nhỏ.

Anh Đức