品牌推广视频助力提升销售额和点击率
作者： 高级媒体和分析经理 Zee Shah、应用科学家 German Schnaidt，以及技术撰稿人 Ashton Brown
亚马逊通过这项对偶方法研究发现，将品牌推广视频与已经受益于相得益彰的“商品推广 + 品牌推广”方案的广告活动相结合时，销售额和点击率均得到了提升。
案例要点：
在过去的几年中，亚马逊研究了不同广告产品的效果。首先分别测试了商品推广和品牌推广的效果。接下来还测试了“品牌推广 + 商品推广”的综合效果。亚马逊的分析发现，这两个方案结合使用时效果更好。在此分析中，亚马逊进行了进一步的研究，具体方法是：测试在将这两个方案结合使用并增加第三个方案（品牌推广视频）的情况下，销售额（同比）和点击率是增长、下降还是保持不变。
为了测试在初始的两个广告活动中增加视频的因果影响，亚马逊会控制其他广告活动属性（例如总销售额、已售商品数量、平均售价和广告总花费），也就是说，亚马逊创建了两个类别的广告主，即使用原始组合的广告主和增加了视频的广告主。然后，利用这些属性对来评估采用视频的因果影响。
为了进行分析，亚马逊选择了美国和欧洲（法国、德国、意大利、西班牙、英国）境内正在使用“商品推广 + 品牌推广”但尚未采用品牌推广视频的品牌。确定品牌后，亚马逊使用机器学习和建模进行了两项因果分析测试：
- 短期（2019 年 12 月至 2020 年 11 月）： 观察了在广告活动中增加品牌推广视频的因果影响。这项短期分析观察了将品牌推广视频与“商品推广活动 + 品牌推广活动”相结合的品牌的环比指标影响。
- 长期（2019 年 1 月至 2020 年 12 月）： 观察了使用“品牌推广视频 + 商品推广 + 品牌推广”的品牌（与仅使用“商品推广 + 品牌推广”的品牌相比）的同比销售额影响（同时控制其他变量，例如售价、广告总花费等）。
有关亚马逊如何进行这项研究的更多信息，请参阅本文末尾的方法部分。
从短期看，首次采用品牌推广视频的品牌次月的销售额增长了 21%（与未采用品牌推广视频的品牌相比）
在观察因果关系时，一定要确定结果是否出现以及何时出现。为了测试首次增加视频时是否出现结果或何时出现结果，亚马逊进行了一项短期研究，分析了增加品牌推广视频对次月的影响。亚马逊发现，采用品牌推广视频并将其与先前存在的“商品推广活动 + 品牌推广活动”相结合的品牌的销售额在之后的一个月增长了 21%。
将品牌推广视频与“品牌推广活动 + 商品推广活动”结合使用后次月的销售额增幅百分比
从长期看，在商品推广和品牌推广活动中增加了品牌推广视频的品牌的销售额增长了 10%，点击率增长了 25%
为了确定品牌推广视频对广告活动的影响，亚马逊找到并比较了使用这三种产品达 12 个月的品牌和仅使用“商品推广 + 品牌推广”的品牌。亚马逊发现，将品牌推广视频纳入其产品组合的品牌的销售额同比增长 10%，点击率同比增长 25%。
在广告活动中增加品牌推广视频所带来的长期影响
将品牌推广视频添加到已使用“商品推广 + 品牌推广”的广告活动后的长期销售额增幅百分比
将品牌推广视频添加到已使用“商品推广 + 品牌推广”的广告活动后的长期点击率增幅百分比
结语
使用对偶方法，亚马逊测试了将相得益彰的“商品推广 + 品牌推广”方案与品牌推广视频结合时产生的结果（有关销售额和点击率）是增加、减少还是保持不变。亚马逊的分析显示，采用品牌推广视频的品牌在短期和长期内都产生了积极的因果影响。
方法
为了进行这项研究，亚马逊采用了对偶方法，包括短期因果分析，重点是确定将品牌推广视频与“商品推广 + 品牌推广”相结合的品牌是否能提升销售额或点击率（次月）；以及长期因果分析，重点关注销售额和点击率的同比增幅。
下面将详细介绍这两种方法。
短期因果关系方法
为了衡量首次采用品牌推广视频的广告主的因果影响，亚马逊采用了机器学习因果推理方法（受技术 [1]、[2]、[3] 启发）来确定在短期内（一个月）采取某一项行动对广告主业绩所产生的影响。亚马逊当前采用的方法是二阶 GP 法，也称为二阶高斯过程 (2-stage Gaussian Process)，运用于广告效果分析时，与现有方法（例如，双重机器学习算法 [1] 及因果森林算法 [2]）相比，该方法在各种因果效果指标上表现出了更佳的效果。
在这项研究中，亚马逊在美国站点中选择了 78000 位广告主，并使用此方法对其中 25000 位广告主进行了匹配。78000 名广告主是用于评估的输入数据集，25000 个样本（经过处理和未经处理）被用于倾向评分。
长期因果关系方法
为了衡量长期的销售额和点击率 (CTR) 影响，亚马逊采用了因果分析技术来确定在 12 个月内采取某一项行动对广告主业绩的影响。首先，亚马逊创建了两个统计组。在组 1 中，所有广告主都使用了“商品推广 + 品牌推广”。在组 2 中，广告主将品牌推广视频与“商品推广 + 品牌推广”结合使用。为了控制其他广告活动属性，亚马逊确保品牌在广告活动属性方面（例如总销售额、已售商品数量、平均售价和广告总花费）是相似的。
这使亚马逊能够比较采用品牌推广视频的概率相似的组集。为此，亚马逊使用机器学习，基于每个品牌的广告花费、总销售额、已售商品总量、总展示量、总点击量和平均售价来衡量其倾向评分。
倾向评分计算中使用的属性： 2020 年总销售额、2019 年已售商品总量、2020 年平均售价、2019 年总展示量、2019 年总点击量、2019 年广告总花费、2020 年广告总花费和 2020 年总销售额的自然对数。
反应变量： 点击率的自然对数，2020 年总销售额增长率的自然对数。
来源
- Alaa, A. M. and van der Schaar, M.“Bayesian nonparametric causal inference: Information rates and learning algorithms.” IEEE Journal of Selected Topics in Signal Processing, 12(5):1031–1046, 2018.
- Hill, J.L.“Bayesian nonparametric modeling for causal inference.” Journal of Computational and Graphical Statistics, 20(1):217–240, 2011.
- Pauwels, K., M. Caddeo, and G. Schnaidt.2022.数字展示广告对广告主绩效的因果影响。In: Proceedings of the European Marketing Academy, 51st (108183)： EMAC。http://proceedings.emac-online.org/pdfs/A2022-108183.pdf
- Van der Schaar, M. and Alaa, A.“Bayesian inference of individualized treatment effects using multi-task gaussian processes.” NIPS, 2017.
