廣告要跑多久?規劃行銷活動前必學的誤差與抽樣

廣告要跑多久?規劃行銷活動前必學的誤差與抽樣

大家好,我是 Eric。

身為數位行銷公司,最常被問到一個問題是:「我應該花多少預算?」

先說結論,大部分的中小型商家,其實沒有能力透過數位廣告,了解市場全貌。因為統計上的誤差,會讓你需要非常多的樣本,才能做出有效的推論。

換句話說,你大約需要準備 100-200 萬的預算,才能推測整個市場的「轉換率」。

為什麼會得出這樣的結果?我們會在本文後面的〈如何知道美妝產業需要的投放數〉中做詳細的計算。

今天這篇文章,要跟大家說明進行測試時最重要的「抽樣」概念。首先知道為什麼要了解樣本數,以及如何計算、應用在測試的場合。

讀完這篇文章後,你能夠了解:如何透過抽樣的概念,決定廣告活動至少需要多少曝光,才能真的判斷它的成效好/不好。

為什麼要了解樣本數

一樣是 10%,不同的樣本數可以感受到的準確度不同

先讓我們想像一個概念:轉換率 10%。

以下兩個情境,用比例來看都是 10%,但意義上截然不同:

  1. 今天在路邊擺攤,10 個人到攤位,只有 1 個人購買。
  2. 今天在路邊擺攤,100 個人來攤位,有 10 個人購買。

後者的 10% 感覺更穩定,也更可信。為什麼呢?因為我們的抽樣人數更多,更能代表實際群體的狀況。

在投遞網路廣告時,客戶往往會因為點擊率或轉換率改善或惡化 0.5% 而感到不安。然而,如果我們用統計學的角度來看,很多時候這樣的差異只是在誤差範圍內。

如何計算樣本數

使用 SurveyMonkey 計算樣本數

關於樣本數的計算,統計學有基本定義,這邊並不會去做深入的數學推導,因此我們直接使用網路上現有的工具輔助計算。

本文將透過 SurveyMonkey 提供的工具:Sample Size Calculator 來計算所需的樣本數。

在使用 Sample Size Calculator 時,需要先了解 3 個統計學上的詞彙:

母體 (Population)

母體與樣本的關係

抽取樣本的參考群體,統計學的功能,在於透過抽樣的結果,回頭估算母體參數。

以總統大選民調來說,母體就會是全台灣擁有選舉權的公民,我們希望透過民調的抽樣,來預估母體實際上的選民分佈;而以廣告來說,我們想要透過單次廣告活動的成效,來回頭估算「當全部受眾都曝光」時,我們鎖定的目標受眾會實際產生反應的比例。

母體在數位廣告中,就相當於你設定的受眾總人口

以孕婦產品為例,在決定母體時,我們可以藉由參考台灣近幾年的平均生育年齡、人口比例來估算;以大學生與研究生為目標對象的產品,則可以透過大專校院校務資訊公開平台提供的註冊人數統計來估算,約有 121 萬有學籍的學生。

信心水準 (Confidence Level)

信心水準與信賴區間,由於兩者是一體兩面的概念,因此在初學統計時,相當容易搞混。

而信心水準則是指,在我們多次抽樣的情況下,由同樣誤差範圍所組成的信賴區間中,有多高的機會能夠包含我們所在意的母體參數 (Parameter),以廣告來說,就是對所有潛在受眾曝光後的廣告點擊率或是轉換率。

一般來說,我們都會以 95% 作為信心水準。當然,如果你對信心水準的要求降低,那麼你需要的樣本數就會比較少。

信賴區間指的是我們根據樣本的統計量,加上誤差範圍後所形成的區間。不同的信心水準,會有相對應的信賴區間。我們一樣以廣告為例,我們單次的廣告活動得到的點擊率是 2%,而誤差範圍是 0.5% 時,代表這次抽樣的信賴區間是 1.5% 到 2.5% (或者計為 [0.15,0.25])。

誤差範圍 (Margin of Error)

顧名思義,就是可能產生的最大誤差。

以廣告點擊率為例,如果在 95% 的信心水準底下,這個廣告活動的點擊率是 2%,誤差範圍是 0.5% 的話,那我們可以推論:當廣告曝光給整個母體看的時候,實際上的點擊率很有可能落在 1.5% 到 2.5% 這個區間。

順帶一提,根據尼爾森的電視收視率調查簡介,台灣的收視率誤差大約是在 1.75% 左右。換句話說,收視率 3% 與收視率 1.3% 的差異,其實應該被視作誤差範圍。

對上述的詞彙理解後,我們接下來可以看看要如何實際運用在廣告的世界中。

如何知道需要的投放數:以美妝產業為例

利用 Facebook 廣告工具取得受眾母體的預估值

以競爭激烈的「美妝產業」為例,我們可以先透過 Facebook 的廣告受眾洞察報告,得出「台灣地區 35-54 歲對『化妝品』有興趣的女性,大約有 250-300 萬人」這樣的估計值。

我們先取中間值 275 萬,填入 Sample Size Calculator 的 Population 欄位。

信心水準採用業界標準 95%。

當我們能夠容許 1% 的誤差範圍時,需要 9,571 個樣本 (點擊數)。換句話說,當我們搜集到 9,571 次進站人數 (使用者) 後,我們才能在 1% 的轉換率誤差底下,看到轉換率的表現情況。

如果在 9,571 次進站人數後,我們得到的轉換率是 1%,那麼我們可以推估「當全台灣 275 萬人的美妝興趣受眾都進站後,我們可以預期整體轉換率在 0-2% 之間」。

想要再精確到 0.5% 的轉換率誤差,需要 37,887 次的進站人數

此時,我們以 Facebook 的 CPC 30 到 60 元換算,在 Facebook 上大約是 100-200 萬左右的預算。

以上是針對「轉換率」作為測試目標時,可能需要耗費的成本。我相信對大多數的中小企業而言,都是一筆負擔不小的費用。這也是為什麼一開始我們說「大部分的中小型商家,其實沒有能力執行轉換率的測試」。

但整體來說,如果是要以「購買率」、「轉換率」為測試目標,而你要測試的目標轉換率太低的時候,並非是「我想要投個 10 萬塊試試水溫」這麼簡單的。

當然,上述的情況是在整體轉換率低,大約只有 1% 時才會需要顧慮的成本。如果今天產品的轉換率歷史轉換率在 10%,而我們可以容許的誤差範圍擴大到 2% 時,我們只需要 2,399 的樣本 (進站數)。

結語:弄清楚你的測試標的是什麼

在數位廣告的世界中,所謂的測試,與自然科學、社會科學等嚴謹控制的實驗有很大的差異,因為許多變項更難以控制,產生的誤差也就更難預估。

上述的估算中,我們得知,想要透過投放廣告的方式,去估算市場的整體轉換率,需要付出相當龐大的代價。但難道小預算的廣告就沒有任何價值嗎?

當然有價值。

事實上,我們可以透過下面兩種方式來解讀「樣本」與「誤差」:

以廣告素材的點擊率為測試標的

如果是針對廣告創意、廣告文案來進行點擊率的市場測試,我們需要的樣本將會從「進站數」變為「廣告觸及人數/曝光次數」,成本將會大幅降低。以上述美妝產業的例子來說,我們只需要 37,887 次的曝光,便能設計出誤差範圍在 0.5% 的測試。

放寬轉換目標與擴大容許的誤差範圍

將轉換的規則放寬,檢視較上層的轉換 (例如:加入購物車),並且擴大誤差範圍 (例如 2%),即可大幅降低你的測試成本。以上述的美妝產業為例,如果將誤差範圍擴大到 2%,你便可以將測試成本控制在 7-14 萬元間。

統計學在整個行銷環節中,是一項「工具」,並不應該是目的本身,因此我們同樣不鼓勵將追逐統計顯著性視為實驗設計的目標。這篇文章的目的,在於讓大家了解執行測試時,因為誤差而產生的成本,並藉成本意識,進一步去反思「應該要測試什麼」、「應該要預估多長的測試時間」。

一旦你掌握了誤差的概念,你將會發現:把廣告成效的日報表當成股票指數,每天提心吊膽並沒有道理。如果你沒有一天花費 100 萬,累積大量曝光與流量的話,一天的進站人數並不足以推論你的廣告成效。

行銷業界是一份販賣 know-how 的產業,因此許多時候,大家通常不太願意公開自己的計算模型。本次 applemint 提供一系列的計算模型,一方面是希望將「誤差」的概念帶入實際廣告操作的情境,另一方面也是希望藉由將計算模型開源,讓這些模型能夠被大眾檢驗。如果對內容有任何疑問,或是認為這些計算方式有誤,隨時歡迎與我們聯繫

下次,我們將說明廣告中更重要的另一個概念:A/B 測試,以及其對應的統計概念:檢定力分析。

從這裡聯絡 applemint

Eric Chuang

相關文章

Load More

獲得最新的台灣數位行銷、台灣跨境電商、線下集客、B2B 與創業資訊!

Languages
contact applemint 聯繫