تابع واکنش به تکرار

یک مدیر می‌گه «هرچه تبلیغ را بیشتر تکرار کنیم، اثرش بیشتر می‌شه.» مدیر دیگری می‌گه «مخاطب تا سه بار نبینه اصلاً پیام را نمی‌گیره.» هر دو دارن درباره یک فرض مهم حرف می‌زنن: اثر مواجهه اول، دوم و دهم یکسانه یا نه؟

Frequency Response Function رابطه تعداد مواجهه با تبلیغ و نتیجه موردنظر را مدل می‌کنه. این نتیجه می‌تونه آگاهی، یادآوری، کلیک، قصد خرید یا فروش باشه.

چرا این به‌دردت می‌خورد

• ارزش مواجهه‌های بعدی را تخمین بزنی
• بودجه را بین Reach و Frequency تقسیم کنی
• Wear-in و Wear-out را تشخیص بدی
• Effective Frequency را با منطق تعیین کنی
• از خرید Impressionهای کم‌اثر جلوگیری کنی
• فرض رسانه‌ای را قابل‌آزمایش و شفاف کنی

سه مدل اصلی

مدل خطی

در مدل خطی هر مواجهه تا نقطه اشباع سهم یکسانی از اثر می‌سازه.

اگه هشت مواجهه برای رسیدن به اثر کامل در نظر گرفته بشه، هر مواجهه ۱۲٫۵٪ اثر می‌سازه. این مدل ساده و قابل‌فهمه، اما معمولاً بیش از حد خوش‌بینانه‌ست؛ چون مواجهه دهم اغلب به اندازه مواجهه دوم ارزش نداره.

مدل یادگیری یا S-Curve

در این مدل مواجهه اول ممکنه فقط توجه اولیه بسازه. با تکرار، مخاطب پیام را می‌شناسه و ارتباط اجزای آن را می‌فهمه؛ سپس بعد از نقطه‌ای، بیشتر افراد قابل‌تأثیر پیام را گرفتن و بازده کاهش پیدا می‌کنه.

این اعداد قانون نیستن؛ فقط شکل مدل را نشون می‌دن.

مدل آستانه‌ای

در مدل Threshold فرض می‌کنی تبلیغ تا رسیدن به حد مشخص اثر هدف را نمی‌سازه و از آن نقطه اثر فعال می‌شه.

اگه آستانه چهار باشه، افراد با سه مواجهه «غیرمؤثر» و افراد با چهار مواجهه «مؤثر» حساب می‌شن. این مدل برای برنامه‌ریزی ساده‌ست، اما واقعیت معمولاً این‌قدر دوحالتی نیست.

Wear-in و Wear-out

• Wear-in: تعداد مواجهه لازم تا پیام شروع به اثرگذاری کنه.
• Wear-out: نقطه‌ای که تکرار بیشتر اثر را کم یا حتی منفی می‌کنه.

Wear-out ممکنه به‌خاطر خستگی، مزاحمت، بی‌اعتمادی یا فرسودگی خلاقه رخ بده. بنابراین بعضی منحنی‌ها بعد از اشباع فقط صاف نمی‌شن؛ نزولی هم می‌شن.

مثال تصمیم بودجه

داده آزمایشی یک کمپین نرخ پاسخ تجمعی زیر را نشون می‌ده:

داده به یک منحنی یادگیری با بازده نزولی نزدیکه. مواجهه سوم قوی‌ترین اثر افزایشی را ساخته و بعد از پنجم نشانه Wear-out دیده می‌شه. این اطلاعات برای Cap و Creative Rotation ارزشمندتر از یک Frequency متوسط ساده‌ست.

چطور تابع را تخمین بزنیم؟

• آزمایش کنترل‌شده با سطح‌های Frequency متفاوت
• تحلیل Cohort بر اساس تعداد مواجهه
• مدل‌سازی داده تاریخی با کنترل زمان و Segment
• Split Market یا Geo Experiment
• بررسی نتیجه افزایشی، نه فقط همبستگی خام

مخاطبانی که خودشان علاقه بیشتری دارن ممکنه هم تبلیغ بیشتری ببینن و هم بیشتر خرید کنن. بدون کنترل این انتخاب، اثر Frequency بیش از واقعیت برآورد می‌شه.

چه چیزی شکل منحنی را عوض می‌کند؟

• شناخته‌شده یا جدیدبودن برند
• سادگی یا پیچیدگی پیام
• طول چرخه خرید
• نوع رسانه و مدت مواجهه
• تفاوت Segmentها
• کیفیت و تنوع خلاقه
• شدت تبلیغ رقبا

خطاهای رایج

• فرض خطی‌بودن اثر بدون آزمون
• انتخاب آستانه فقط از روی عرف بازار
• نادیده‌گرفتن Wear-out
• استفاده از میانگین Frequency به‌جای سطح فردی
• نسبت‌دادن همبستگی خام به اثر علی
• انتقال منحنی یک کمپین به خلاقه یا Segment جدید
• ساخت مدل بسیار دقیق با داده کم

متریک‌های مکمل

• Average Frequency: سطح متوسط مواجهه
• Effective Frequency: حد انتخاب‌شده برای اثر کافی
• Effective Reach: تعداد افراد بالاتر از آن حد
• Response Rate: نتیجه رفتاری در هر سطح
• Advertising Elasticity: پاسخ تقاضا به تغییر هزینه کل

جمع‌بندی

Frequency Response Function یک متریک ساده نیست؛ ساختار فرض تو درباره ارزش تکرار تبلیغه. مدل خطی، یادگیری و آستانه‌ای سه روایت متفاوت می‌سازن و بودجه متفاوتی پیشنهاد می‌دن. تا حد ممکن منحنی را با داده افزایشی بساز و Wear-in، اشباع و Wear-out را جدا ببین.

اگر خواستی بیشتر بخوانی

بخش ۹.۴ کتاب Marketing Metrics سه مدل Linear، Learning Curve و Threshold را مقایسه می‌کنه و آن‌ها را پایه محاسبه Effective Frequency و Effective Reach می‌دونه.