Econometric analysis of the effect of TV advertisements on organic webpage visits

Lukáš Veverka

Master's thesis

Ekonometrická analýza efektu TV reklam na přirozenou webovou návštěvnost

Abstract:

Reagují lidé na TV reklamu nebo ji jen sledují? K zodpovězení této otázky je zapotřebí zkombinovat data s minutovou frekvencí o přirozené webové návštěvnosti z Google Analytics a data o televizních spotech od společnosti Nielsen. Vzhledem k tomu, že webová návštěvnost má silný intradenní průběh, je zapotřebí ho odstranit pomocí jádrového vyhlazení a vzniklá rezidua poté využít při určování signifikantních odchylek způsobených reklamami. Jelikož reklama má všeobecně zpožděný efekt, musí se k časové řadě přistupovat jako k dynamickému modelu. Koyckova transformace, hojně využívaná při určování dynamické spojitosti mezi reklamou a její odezvou, má však určité nevýhody a proto je navržena metoda eliminující tato omezení. Obě metody jsou porovnány a navržená metoda vypadá slibně. Výsledky odhadů vlivu reklamy na webovou návštěvnost potvrzují schopnost TV generovat okamžité reakce. To znamená, že lidé jsou ochotní vzít mobilní telefon a vyhledat si informace obsažené ve spotu. Na druhou stranu většina reklam nezpůsobuje signifikantní nárůst provozu na webové stránce, což vede na otázku zaměřující se na určení vlastností reklam, které jsou schopné vyvolat největší nárůst. Velikost odhadnutého efektu silně závisí na počtu impresí způsobené reklamou a proto je efekt očištěn od vlivu impresí pomocí lineární regrese ještě před další analýzou (to se ukázalo jako robustní řešení). Následně je vybudován náhodný les, který má za úkol odhalit komplexní a nelineární závislosti. Jelikož je těžké interpretovat téměř všechny modely strojového učení, bylo zapotřebí použít metodu zobrazení dílčích závislostí k porozumění výstupů z náhodného lesa. Mimo silné závislosti na počtu impresí měl na schopnost reklamy generovat provoz na webové stránce signifikantní vliv motiv, TV kanál a hodina. Ná základě těchto znalostí je možné optimalizovat proces televizního nákupu za účelem získání co nejvíc webových návštěvností generovaných reklamou.

Abstract:

Do people react to TV ads or do they just watch them? To answer that, data about organic webpage visits with a minute frequency from Google Analytics and data about TV spots from Nielsen is combined. Since the webpage visits have a strong diurnal pattern, it is decomposed by Kernel smoothing and the residuals are passed into the extraction of significant deviations caused by ads. Since ads, in general, have a lagged effect, the time series have to be treated as a dynamic model. However, the Koyck transformation which is commonly used to establish the dynamic link between advertising and the following response has some limitations, therefore a method eliminating them is proposed. The two methods are compared and the proposed one looks promising. The results of the estimation confirm the ability of TV to drive an immediate response which means that people are willing to turn to their phone to look up some information communicated in the TV spot. On contrary, most of the ads do not have a significant effect on the website traffic which opens another question – which ad qualities cause the highest incremental uplift? The estimated ad effects strongly depend on the amount of impressions caused by the ad. Hence, before further research, the impact of impressions is separated with a linear regression (which proves to be a robust solution). Thereafter, a random forest is built to reveal the complex and non-linear dependencies. As it is difficult to interpret almost all machine learning models, it is necessary to use the method of plotting partial dependencies to understand the outputs from the random forest. Apart from the strong effect of the number of impressions generated by the ad, the motive, TV channel and hour were found significant ad qualities affecting the ability to generate the website traffic. Based on this knowledge it is possible to optimize the TV buying process in order to get the most traffic out of the ads.

Keywords

Koyckova transformace, Data-driven marketing, Jádrové vyhlazení, Dynamické modely, Náhodný les

Keywords

Data-driven marketing, Dynamic models, Random forest, Kernel smoothing, Koyck transformation

Language used: English

Date on which the thesis was submitted / produced: 2. 10. 2019

Thesis defence

• Date of defence: 3. 2. 2021
• Supervisor: Vladimír Holý
• Reader: Jan Zouhar

Vysoká škola ekonomická v Praze

Master programme / field:
Kvantitativní metody v ekonomice / Ekonometrie a operační výzkum