Pacvue が「TikTok Shop 」のハロー効果をどのように解決したか |Pacvue

読書時間：5分

TikTokで商品を見つけ、Amazon で情報を調べ、いずれかのプラットフォームを通じて購入する人が増えています。しかし、ほとんどのプラットフォーム測定ツールは、各チャネルが独立して運営されていた時代を想定して開発されたものです。

TikTokはTikTokでのコンバージョンを表示します。Amazon はAmazon での売上を表示します。しかし、どちらも、すべてのCMOが抱いている「TikTokへの投資は実際にどのような成果をもたらしているのか」という疑問に対する答えを提供してはいません。

これは選挙運動上の問題ではなく、測定上の問題です。

測定のギャップ

ダッシュボードはアプリ内での直接的なコンバージョンを測定するものであるため、TikTokでの認知度がAmazon での検索行動や購入決定を促す「波及効果」（別名「ハロー効果」）は捕捉できません。つまり、ネイティブレポートでは、「顧客がTikTokのリンクをクリックしたことがない場合でも、Amazon の売上高のうち、どれだけの部分がTikTokキャンペーンの影響を受けたのか」という重要な疑問には答えられません。この測定上のギャップは、さまざまな形で現れる可能性があります：

誤ったアトリビューション：顧客が TikTokの動画を視聴したものの、アプリ内でのクリックやコンバージョンには至らなかった。しかし、数日後にAmazon で検索を行い、貴社のブランドから購入した。Attribution は、このコンバージョンをTikTokではなく、Amazon 広告またはオーガニック検索によるものと見なしてしまう。

目に見えない効果：TikTokのスタンダード広告からは 直接的なコンバージョンが1件も発生しなかったため、ダッシュボードには$0と表示されていますROAS 。一方で、これらの動画によって、Amazon のブランドページ閲覧数は15％、下流の売上は8％増加しました。キャンペーンは成功していたのです。ただ、その効果が目に見えなかっただけでした。

プラットフォーム独自のレポート機能だけに頼っていると、そのチャネルがもたらす真の貢献度を把握できないまま、手探りの状態で進んでいることになります。

私たちが構築したもの

Pacvue では、当社のデータサイエンスチームがハロー効果を測定するためのハローモデルを構築しました。クリック数を追跡するのではなく、TikTokのシグナルとAmazon の成果を組み合わせた混合マーケティングモデルを用いて、全体像を把握しています。

ハローモデルを活用することで、Amazon の収益のうち、TikTokからどれだけの割合がもたらされたかを、キャンペーンごと、週ごとに把握することができます。

また、売上、ページビュー、検索ボリュームという3つの異なる成果指標も測定しています。これが重要なのは、TikTokキャンペーンによってページビューの大幅な増加（ハロー効果）が見られるものの、売上の伸びがごくわずかである場合、その商品ページがエンゲージメントと認知度の向上に寄与していることが分かるからです。一方、トラフィックの急増を伴わずに売上の増加（ハロー効果）が見られる場合は、ブランド認知度が高く、忠実な顧客に直接リーチできている可能性が高いと言えます。これらのパターンの違いを理解することが、キャンペーンの最適化において鍵となります。

当社のHaloソリューションは、単一の主力製品や複数の製品をプロモーションする場合でも、より広範なブランド認知度の向上を目指す場合でも、ビジネスニーズに合わせて柔軟に対応します。UI内では、製品レベルの分析情報とブランドレベルの分析情報のいずれかを選択でき、各レポートにはキャンペーンごとの内訳や、チームが予算計画の参考にできる週次集計データが含まれています。

技術的な内訳

当社のパイプラインは、ベイジアン・メディアミックス・モデルに適合しており、Amazon の毎日のKPIを、加法的な構成要素に分解します：

$Y_{t} = {ベースライン}_{t} + {Halo}_{t}^{ソーシャル} + 𝜀_{t}$

ベースラインは、オーガニックな活動（TikTokがなかった場合に 予想される結果。季節性、プロモーション、およびAmazon独自の広告エコシステムを含む）を反映しています。「ハロー」という指標は、TikTok Social Adsによる増分効果を表しており、遅延効果も考慮されています。今週掲載された広告は、2週間後の売上にも影響を与える可能性がありますが、その効果は次第に薄れていきます。事前分布は、ブランド独自の過去データに基づいて調整され、現実的な業界の範囲に照らし合わせて設定されているため、このモデルはプラットフォームのROAS を盲信することも、根拠のない推測を行うこともありません。

このモデルは、KPIごと、ブランドごと、地域ごとに毎日適用しています。その結果として生成されるのは、ベースラインにソーシャル貢献度を加算した値が、観測されたAmazon KPIと等しくなる日次表です。

しかし、MMMの有効性は、その安全対策の質にかかっています。そこで、私たちは3つの安全対策を構築しました：

キャリブレーション：事前分布は自身の実績に基づいて設定され、現実的なクロスプラットフォーム・ハローが実際にどのようなものかとの照合が行われます。ある日に一切の費用を投じていないチャネルは、その日に何の貢献もしていないため、モデルのレポートはメディアバイヤーのダッシュボードと矛盾することなく、整合性を保つようになっています。
分解のルール： 構成要素が完全に整合するように、ベースラインは 自由に適合されることはありません。もしモデルが、実際の売上高よりも多くの売上をTikTokの貢献として算定しようとした場合、そのモデルは自動的にフラグが立てられ、より厳格な仕様で再実行されます。それでも失敗した場合は、結果の配信が保留されます。
KPI間の相互検証： 単に売上が伸びたかどうかだけを見るわけではありません 。ページビューや検索ボリュームといった他の指標とも照らし合わせ、その傾向が整合性を持っているかを確認します。この複合的な検証プロセスにより、個々のKPIだけを見れば一見整合性が取れていても、指標全体を見渡した際にその「ハロー効果」のストーリーが成り立たないケースを捕捉することができます。