راهنمای سنجش اثر واقعی کمپین‌های غذایی؛ از فروش منتسب تا فروش افزایشی
کمپین تمام شده است.
گزارش فروش می‌گوید محصول در چهار هفته اجرای کمپین، ۱۸ درصد بیشتر از چهار هفته قبل فروخته شده است.
گزارش تبلیغات دیجیتال نیز عدد خوبی نشان می‌دهد.
شبکه اجتماعی میلیون‌ها نمایش داشته، فروشگاه اینترنتی تعداد زیادی خرید را به تبلیغات نسبت داده و بازگشت هزینه تبلیغات هم ظاهراً قابل قبول است.
اولین نتیجه‌ای که ممکن است در جلسه مطرح شود این است:
«کمپین موفق بود؛ فروش ۱۸ درصد رشد کرد.»
اما هنوز یک سؤال مهم بی‌پاسخ مانده است:
اگر این کمپین اصلا اجرا نمی‌شد، فروش چقدر بود؟
شاید همان دوره:
تخفیف جدیدی شروع شده؛
محصول وارد هزار فروشگاه بیشتر شده؛
فصل مصرف آن آغاز شده؛
رقیب اصلی با کمبود موجودی مواجه شده؛
قیمت نسبی محصول تغییر کرده؛
نمایش قفسه بهتر شده؛
یک تعطیلات یا مناسبت مصرف را بالا برده؛
یا کل گروه محصول در بازار رشد کرده باشد.
در این صورت، افزایش فروش هم‌زمان با کمپین اتفاق افتاده است.
اما الزاماً به دلیل کمپین اتفاق نیفتاده است.
این همان مرزی است که گزارش‌کردن فعالیت را از سنجش واقعی اثربخشی جدا می‌کند.
مسئله اصلی اندازه‌گیری تبلیغات، فروش نیست؛ «علیت» است
تقریباً هر برند می‌تواند بفهمد در دوره کمپین چقدر فروخته است.
مسئله دشوارتر این است:
چه مقدار از این فروش بدون کمپین هم اتفاق می‌افتاد و چه مقدار واقعاً به‌واسطه کمپین ایجاد شده است؟
در ادبیات اندازه‌گیری بازاریابی، بخش دوم را اثر افزایشی یا Incrementality می‌نامند.
IAB و IAB Europe در دستورالعمل رسمی سال ۲۰۲۵ خود، اندازه‌گیری اثر افزایشی را بر سه پایه قرار می‌دهند:
وجود یک سناریوی معتبر برای اینکه بدون تبلیغات چه اتفاقی می‌افتاد؛
کنترل سوگیری‌های اندازه‌گیری؛
و جداکردن اثر واقعی از نوسان و نویز آماری.
این تعریف شاید در ظاهر فنی باشد، اما سؤال پشت آن بسیار ساده است:
کمپین چه چیزی ایجاد کرد که در نبود آن اتفاق نمی‌افتاد؟
این باید یکی از مهم‌ترین سؤال‌های هر کمپین غذایی باشد.
چهار عددی که نباید با یکدیگر اشتباه گرفته شوند
برای شروع بهتر است چهار مفهوم را از هم جدا کنیم.
۱- فروش کل
تمام فروش ثبت‌شده در دوره کمپین.
این عدد برای کسب‌وکار مهم است، اما به‌تنهایی چیزی درباره اثر تبلیغات نمی‌گوید.
۲- فروش منتسب به تبلیغات
فروشی که یک سامانه تبلیغاتی یا خرده‌فروش بر اساس قواعد خودش به تبلیغ نسبت می‌دهد.
مثلاً مشتری:
تبلیغ را دیده؛
روی آن کلیک کرده؛
یا در یک بازه زمانی مشخص پس از مواجهه با تبلیغ خرید کرده است.
این داده مفید است.
اما هنوز نمی‌گوید آیا آن مشتری بدون دیدن تبلیغ هم خرید می‌کرد یا نه.
۳- فروش افزایشی
فروشی که برآورد می‌کنیم در نبود کمپین رخ نمی‌داد.
Circana نیز در تعریف Sales Lift دقیقا روی همین تمایز تأکید می‌کند: افزایش فروش واقعی زمانی معنا پیدا می‌کند که بتوانیم فروش ایجادشده توسط تبلیغات را از خریدهایی که مشتریان در هر صورت انجام می‌دادند جدا کنیم. در یک پیمایش ۲۰۲۵ که Circana به آن استناد می‌کند، ۵۲ درصد بازاریابان کالاهای تندمصرف، فروش افزایشی را یکی از شاخص‌های مهم موفقیت کمپین معرفی کرده‌اند.
۴- سود افزایشی
حتی فروش افزایشی هم پایان تحلیل نیست.
ممکن است کمپین فروش جدید ایجاد کرده باشد، اما هزینه:
رسانه،
تخفیف،
نمونه‌دهی،
کارمزد خرده‌فروش،
آژانس،
تولید محتوا
و سایر هزینه‌های اجرای کمپین
بیشتر از حاشیه سود حاصل از آن فروش باشد.
پس سؤال نهایی در بسیاری از کمپین‌های تجاری این نیست:
چقدر فروش ساختیم؟
بلکه:
چقدر ارزش اقتصادی جدید ساختیم؟
یک مثال ساده نشان می‌دهد چرا این تفاوت مهم است
فرض کنیم یک برند غذایی ۲۰۰ میلیون تومان برای تبلیغات هزینه کرده است.
سامانه تبلیغاتی گزارش می‌دهد:
یک میلیارد و دویست میلیون تومان فروش به تبلیغات منتسب شده است.
در نگاه اول:
بازگشت هزینه تبلیغات = ۶ برابر
به نظر عالی می‌رسد.
اما یک آزمایش یا مدل معتبر نشان می‌دهد که از آن یک میلیارد و دویست میلیون تومان، حدود ۹۰۰ میلیون تومان احتمالاً بدون تبلیغات هم اتفاق می‌افتاد.
پس فروش واقعاً افزایشی فقط:
۳۰۰ میلیون تومان
بوده است.
در این حالت بازگشت افزایشی هزینه تبلیغات تقریباً:
۱٫۵ برابر
است، نه ۶ برابر.
حالا فرض کنیم حاشیه سود ناخالص محصول ۳۵ درصد باشد.
۳۰۰ میلیون تومان فروش افزایشی تقریبا ۱۰۵ میلیون تومان حاشیه سود ناخالص تولید می‌کند؛ در حالی که فقط هزینه رسانه ۲۰۰ میلیون تومان بوده است.
از منظر سود کوتاه‌مدت، داستان ناگهان کاملاً متفاوت می‌شود.
البته حتی این نتیجه هم پایان تحلیل نیست. شاید کمپین تعداد زیادی خریدار جدید جذب کرده باشد که در ماه‌های آینده دوباره خرید کنند یا اثر برند بلندمدت ایجاد شده باشد.
اما نکته همین است:
یک عدد ظاهراً درخشان می‌تواند با تغییر سؤال اندازه‌گیری، معنای کاملاً متفاوتی پیدا کند.
چرا اندازه‌گیری کمپین‌های غذایی دشوارتر می‌شود؟
فروش محصولات غذایی تحت تأثیر تعداد زیادی متغیر است که هم‌زمان با تبلیغات حرکت می‌کنند.
برای مثال:
قیمت
کاهش یا افزایش قیمت می‌تواند مستقیما حجم خرید را تغییر دهد.
ترویج فروش
تخفیف، بسته هدیه، خرید چندتایی و کوپن ممکن است هم‌زمان با رسانه اجرا شوند.
توزیع
اگر محصول از ۲ هزار فروشگاه به ۳۸۰۰ فروشگاه برسد، طبیعی است فروش بالا برود؛ حتی اگر تبلیغ هیچ اثری نداشته باشد.
NIQ در راهنمای ۲۰۲۶ خود درباره اندازه‌گیری اثر افزایشی دقیقاً از همین مثال استفاده می‌کند و تأکید دارد که بدون اطلاع از تغییرات توزیع، تفکیک اثر رسانه از اثر دسترسی تقریباً غیرممکن می‌شود.
فصل و تقویم
بستنی، نوشیدنی، شکلات، محصولات ویژه رمضان، مواد اولیه آشپزی یا محصولات مناسبتی چرخه‌های کاملا متفاوتی دارند.
موجودی
تبلیغ ممکن است تقاضا ایجاد کند، اما نبود محصول روی قفسه مانع تبدیل آن به فروش شود.
رقبا
تغییر قیمت، تبلیغات، معرفی محصول تازه یا حتی کمبود موجودی رقیب می‌تواند فروش برند را تغییر دهد.
وضعیت قفسه
افزایش تعداد چیدمان، قرارگرفتن در انتهای راهرو یا جایگاه بهتر می‌تواند اثر بزرگی داشته باشد.
انبارکردن توسط مصرف‌کننده
در تخفیف‌های شدید، مشتری ممکن است به‌جای مصرف بیشتر، فقط خرید ماه آینده را جلو بیندازد.
جابه‌جایی فروش درون سبد برند
فروش محصول A بالا می‌رود اما بخشی از آن از کاهش فروش محصول B همان برند آمده است.
اگر این عوامل ثبت نشوند، ممکن است تبلیغات اعتباری بگیرد که متعلق به عوامل دیگری بوده است.
برای فهم اثر واقعی، به یک «دنیای بدون کمپین» نیاز داریم
مشکل اینجاست که چنین دنیایی را نمی‌توان مستقیماً مشاهده کرد.
یک شهر نمی‌تواند در یک زمان هم:
کمپین را ببیند و هم کمپین را نبیند.
بنابراین باید سناریوی دوم را برآورد کنیم.
در علم اندازه‌گیری علی، به این سناریوی فرضی Counterfactual گفته می‌شود.
یعنی:
بهترین تخمین ما از آنچه در نبود مداخله اتفاق می‌افتاد.
معادله مفهومی بسیار ساده است:
فروش واقعی − فروش برآوردشده بدون کمپین = فروش افزایشی
اما تقریباً تمام دشواری علم اندازه‌گیری در این قسمت قرار دارد:
فروش بدون کمپین را چگونه برآورد کنیم؟
مقایسه «قبل و بعد» مفید است؛ اما اثبات علیت نیست
یکی از رایج‌ترین روش‌ها این است:
فروش چهار هفته قبل: ۱۰ میلیارد
فروش چهار هفته کمپین: ۱۲ میلیارد
نتیجه:
کمپین ۲۰ درصد فروش ایجاد کرده است.
این نتیجه الزاماً معتبر نیست.
چون بین دو دوره ممکن است:
قیمت،
توزیع،
فصل،
تعطیلات،
رقبا،
موجودی،
پروموشن
یا عوامل اقتصادی
تغییر کرده باشند.
تحلیل قبل و بعد همچنان مفید است.
می‌تواند نشان دهد چه اتفاقی افتاده است.
اما به‌تنهایی نمی‌تواند با اطمینان توضیح دهد چرا اتفاق افتاده است.
این تمایز پایه یک سیستم اندازه‌گیری حرفه‌ای است:
تحلیل توصیفی می‌گوید چه تغییر کرد؛ تحلیل علی تلاش می‌کند بفهمد چه چیزی آن تغییر را ایجاد کرد.
حتی مقایسه با سال قبل هم همیشه پاسخ کافی نیست
ممکن است بگوییم:
«پس فروش را با همین هفته سال گذشته مقایسه کنیم.»
این کار اثر بخشی از فصل را کنترل می‌کند.
اما باز هم ممکن است:
تورم و قیمت متفاوت باشد؛
تعداد فروشگاه‌ها تغییر کرده باشد؛
رقبا تغییر کرده باشند؛
روزهای تعطیل جابه‌جا شده باشند؛
ترکیب محصولات متفاوت شده باشد؛
اقتصاد یا قدرت خرید تغییر کرده باشد.
برای همین «فروش سال قبل» می‌تواند یکی از ورودی‌های تحلیل باشد، نه لزوماً گروه کنترل.
آزمایش کنترل‌شده؛ قوی‌ترین مسیر وقتی امکان‌پذیر باشد
از نظر استنباط علی، آزمایش تصادفی همچنان معیار مرجع محسوب می‌شود.
Google نیز در مستندات رسمی مدل Meridian تأکید می‌کند که آزمایش‌های تصادفی، در صورت طراحی و اجرای مناسب، بهترین روش برای تخمین اثر علی هستند.
منطق آن ساده است.
یک گروه:
کمپین را دریافت می‌کند.
گروه دیگری:
تا حد ممکن شرایط مشابه دارد اما کمپین را دریافت نمی‌کند.
اگر دو گروه پیش از شروع به‌درستی قابل مقایسه باشند و تفاوت مهم دیگری در دوره آزمایش رخ ندهد، اختلاف رفتار بعد از کمپین می‌تواند نشانه بسیار قوی‌تری از اثر واقعی تبلیغات باشد.
در غذا، آزمایش جغرافیایی می‌تواند بسیار کاربردی باشد
فرض کنیم برند در چندین استان یا منطقه فروش دارد.
می‌توان مناطق مشابه را پیدا کرد و برخی را:
گروه آزمون
و برخی را:
گروه کنترل
قرار داد.
در گروه آزمون کمپین اجرا می‌شود.
در گروه کنترل، آن فعالیت مشخص اجرا نمی‌شود.
سپس تفاوت فروش دو گروه، با درنظرگرفتن رفتار تاریخی آن‌ها، بررسی می‌شود.
Google سال‌هاست از آزمایش‌های جغرافیایی برای سنجش اثر تبلیغات استفاده می‌کند و پژوهش‌های آن نشان داده‌اند اختصاص تصادفی مناطق به آزمون و کنترل می‌تواند برای تخمین اثر علی تبلیغات استفاده شود. پژوهش‌های بعدی نیز روش‌هایی برای جفت‌کردن بازارهای مشابه و تخمین بازگشت افزایشی هزینه تبلیغات توسعه داده‌اند.
اما اجرای آن به این سادگی نیست.
باید مراقب باشیم:
مناطق کنترل واقعاً به تبلیغات ملی دسترسی نداشته باشند؛
پروموشن‌ها متفاوت نباشند؛
توزیع مشابه باشد؛
اختلاف موجودی شدید وجود نداشته باشد؛
و بازارهای انتخاب‌شده پیش از آزمایش رفتار قابل مقایسه‌ای داشته باشند.
یک نمونه واقعی از صنعت غذا: HiPRO
یک مطالعه موردی Circana درباره برند ماست HiPRO مثال خوبی از ترکیب اندازه‌گیری برند و فروش است.
در آن کمپین، برای سنجش بخش بالای قیف از مطالعه ارتقای برند استفاده شد و برای اثر فروش، چهار منطقه از اجرای کمپین کنار گذاشته شدند تا به‌عنوان گروه کنترل در یک آزمایش جغرافیایی استفاده شوند.
Circana در این مطالعه موردی، ۷٫۱ درصد افزایش فروش افزایشی را گزارش کرده است.
این عدد نباید به‌عنوان «اثر معمول شبکه اجتماعی بر فروش مواد غذایی» خوانده شود.
این فقط نتیجه همان کمپین، همان محصول، همان بازار و همان طراحی آزمایش است.
ارزش نمونه در جای دیگری است:
تیم فقط نپرسید «چند نفر تبلیغ را دیدند؟»
هم‌زمان پرسید:
آیا ادراک برند تغییر کرد؟
و
آیا فروش در مناطقی که تبلیغ اجرا شد بیشتر از چیزی بود که بدون تبلیغ انتظار داشتیم؟
این معماری اندازه‌گیری، مهم‌تر از خود عدد ۷٫۱ درصد است.
گاهی فروش پایین می‌آید اما کمپین واقعا اثر مثبت داشته است
این مسئله در نگاه اول عجیب به نظر می‌رسد.
فرض کنیم:
فروش منطقه‌ای که کمپین دیده، ۲ درصد کاهش پیدا کرده است.
اگر فقط همان عدد را ببینیم، کمپین شکست خورده است.
اما فرض کنیم در مناطق کنترل، همان محصول ۸ درصد افت کرده است.
در این صورت احتمال دارد کمپین بخشی از افتی را که در شرایط عادی اتفاق می‌افتاد مهار کرده باشد.
به بیان ساده:
بدون کمپین ممکن بود فروش بسیار بیشتر کاهش یابد.
پس «فروش منفی» و «اثر کمپین منفی» الزاماً یک چیز نیستند.
و برعکس: فروش می‌تواند بالا برود و کمپین اثر منفی داشته باشد
فرض کنیم فروش بازار آزمون:
۱۰ درصد رشد کرده است.
عالی به نظر می‌رسد.
اما بازارهای کنترل در همان دوره:
۱۲ درصد رشد کرده‌اند.
این می‌تواند نشان دهد محصول در کل بازار به دلیل:
فصل،
رشد دسته،
تخفیف،
یا عامل دیگری
در حال رشد بوده و منطقه کمپین حتی از روند طبیعی بازار عقب‌تر مانده است.
بنابراین:
جهت تغییر فروش و جهت اثر افزایشی الزاماً یکسان نیستند.
همین مثال کوچک نشان می‌دهد چرا اندازه‌گیری علی تا این حد ارزشمند است.
اگر آزمایش تصادفی ممکن نباشد چه؟
در دنیای واقعی، همیشه امکان ایجاد یک گروه کنترل کامل وجود ندارد.
کمپین ممکن است ملی باشد.
تلویزیون قابل محدودکردن نباشد.
تولیدکنندگان محتوا در همه مناطق دیده شوند.
تعداد مناطق کم باشد.
یا خرده‌فروش اجازه نگه‌داشتن گروه کنترل را ندهد.
در این حالت روش‌های مدل‌محور وارد می‌شوند.
IAB در دستورالعمل ۲۰۲۵ خود چند خانواده اصلی را برای سنجش اثر افزایشی معرفی می‌کند:
آزمایش‌ها؛
سناریوهای بدون کمپین مبتنی بر مدل؛
مدل‌های اقتصادسنجی؛
و روش‌های ترکیبی.
یکی از رویکردها می‌تواند ساختن یک بازار کنترل مصنوعی باشد.
مدل با استفاده از:
فروش تاریخی،
مناطق کنترل،
روند دسته،
قیمت،
پروموشن،
فصل
و متغیرهای مرتبط
تلاش می‌کند برآورد کند اگر کمپین اجرا نمی‌شد چه اتفاقی می‌افتاد.
پژوهش منتشرشده در Annals of Applied Statistics نیز همین منطق را برای تخمین اثر علی مداخلات بازاریابی از طریق مدل‌های سری زمانی ساختاری بررسی کرده است.
مدل آمیخته بازاریابی کجای این تصویر قرار می‌گیرد؟
مدل آمیخته بازاریابی یا Marketing Mix Modeling تلاش می‌کند سهم عوامل مختلف را در یک نتیجه تجاری مانند فروش تخمین بزند.
برای مثال:
تلویزیون،
شبکه اجتماعی،
جستجو،
رسانه خرده‌فروشی،
تخفیف،
قیمت،
فصل،
اقتصاد،
رقابت
و سایر متغیرها.
این مدل برای پاسخ به سؤال‌هایی مانند:
کدام سرمایه‌گذاری‌ها در بلندمدت بیشتر به فروش کمک کرده‌اند؟
بودجه بین کانال‌ها چگونه تقسیم شود؟
اگر بودجه کانال A افزایش یابد چه اتفاقی ممکن است بیفتد؟
بسیار ارزشمند است.
Google در Meridian نیز MMM را صریحاً به‌عنوان ابزاری برای استنباط علی معرفی می‌کند، اما هم‌زمان تأکید دارد که اعتبار این استنباط وابسته به فرض‌های مدل، انتخاب متغیرهای مخدوش‌کننده و در صورت امکان کالیبراسیون با آزمایش‌ها است.
پس بهتر است MMM را «ماشین حقیقت» تصور نکنیم.
یک مدل است.
و کیفیت پاسخ آن به کیفیت:
داده،
طراحی،
فرض‌ها
و اعتبارسنجی
وابسته است.
آزمایش و مدل رقیب یکدیگر نیستند
یکی از حرفه‌ای‌ترین رویکردهای اندازه‌گیری این است که به‌دنبال «یک ابزار برنده» نباشیم.
آزمایش می‌تواند در یک بازه مشخص تخمین علی قدرتمندی بدهد.
مدل آمیخته بازاریابی می‌تواند تصویر وسیع‌تری از:
کانال‌ها،
قیمت،
پروموشن،
فصل
و روند بلندمدت
ایجاد کند.
مطالعات ارتقای برند می‌توانند تغییر:
آگاهی،
یادآوری،
تداعی،
مطلوبیت
یا قصد خرید
را بررسی کنند.
داده خرده‌فروشی می‌تواند رفتار واقعی خرید را نشان دهد.
داده تکرار خرید می‌تواند کیفیت فروش ایجادشده را روشن‌تر کند.
بنابراین به‌جای پرسیدن:
«کدام روش درست است؟»
سؤال بهتر این است:
«برای تصمیمی که می‌خواهیم بگیریم، به چه سطحی از شواهد نیاز داریم؟»
ROAS مفید است؛ اما فقط اگر بدانیم چه چیزی در صورت آن قرار دارد
بازگشت هزینه تبلیغات یا ROAS یکی از محبوب‌ترین اعداد گزارش کمپین است.
مشکل خود عدد نیست.
مشکل این است که در شرکت‌های مختلف ممکن است چیزهای متفاوتی با همین نام گزارش شود.
NIQ در تحلیل ۲۰۲۶ خود درباره رسانه خرده‌فروشی هشدار می‌دهد که ROAS الزاماً اثر افزایشی را نشان نمی‌دهد و روش محاسبه آن میان خرده‌فروشان می‌تواند متفاوت باشد. این شرکت last-touch و multi-touch attribution را ابزارهایی برای توضیح مسیر ثبت خرید می‌داند، نه لزوماً پاسخ به سؤال علیت.
IAB/MRC نیز در استانداردهای اندازه‌گیری Retail Media بر شفافیت درباره تعریف شاخص‌ها و بازه زمانی انتساب خرید تأکید می‌کند.
پس وقتی گزارشی می‌گوید:
ROAS = 5
باید بپرسیم:
پنج برابر چه چیزی؟
فروش مشاهده‌شده؟
فروش منتسب؟
یا فروش واقعاً افزایشی؟
آیا خریدهای آفلاین در آن هست؟
کدام خرده‌فروش‌ها؟
بازه زمانی انتساب چند روز است؟
بازدید تبلیغ هم حساب شده یا فقط کلیک؟
فروش محصولات دیگر برند نیز لحاظ شده؟
قبل از مقایسه ROAS دو رسانه، این تعریف‌ها باید یکسان باشند.
«آخرین کلیک» می‌تواند بیش از حد اعتبار بگیرد
فرض کنید مشتری:
یک ویدیوی معرفی محصول می‌بیند.
چند روز بعد محصول را در فروشگاه می‌بیند.
در خانه نام آن را جستجو می‌کند.
بعد وارد سایت یک خرده‌فروش می‌شود.
روی تبلیغ جستجو کلیک می‌کند.
و خرید می‌کند.
سامانه آخرین کلیک ممکن است تقریباً تمام اعتبار فروش را به همان تبلیغ جستجو بدهد.
اما سؤال این است:
آیا تبلیغ جستجو تقاضا ایجاد کرد؟
یا فقط تقاضایی را گرفت که رسانه‌ها و تجربه‌های قبلی ساخته بودند؟
این همان تفاوت میان:
انتساب
و
علیت
است.
انتساب می‌پرسد:
این خرید را به کدام نقطه تماس ثبت کنیم؟
اندازه‌گیری علی می‌پرسد:
بدون این نقطه تماس، آیا خرید همچنان اتفاق می‌افتاد؟
این دو سؤال یکی نیستند.
برای برند غذایی، فقط «چقدر فروختیم؟» کافی نیست
حتی اگر ثابت کنیم کمپین فروش افزایشی ایجاد کرده، هنوز کیفیت آن فروش مهم است.
چند سؤال دیگر باید پرسیده شود.
آیا خریدار جدید جذب کردیم؟
یک کمپین ممکن است فقط مشتریان وفادار را وادار کند خریدشان را چند روز جلو بیندازند.
یا ممکن است خانوارهایی را وارد برند کند که پیش از این هرگز آن را نمی‌خریدند.
این دو اثر از نظر رشد برند یکسان نیستند.
Circana نیز در مطالعات Sales Lift خود، سهم فروش افزایشی ناشی از خریداران جدید را جداگانه بررسی می‌کند.
آیا فروش دسته را رشد دادیم یا فقط از محصول دیگری گرفتیم؟
فرض کنید کمپین برای طعم جدید یک نوشیدنی اجرا می‌شود.
فروش طعم جدید ۵۰۰ میلیون تومان بالا می‌رود.
اما فروش طعم قدیمی همان برند ۳۵۰ میلیون تومان کاهش پیدا می‌کند.
در این صورت، اثر خالص بر برند بسیار کمتر از فروش ظاهری محصول تازه است.
این همان مسئله هم‌نوع‌خواری یا Cannibalization در سبد محصول است.
در طرف مقابل، ممکن است کمپین محصول A را تبلیغ کند اما فروش محصول B همان برند نیز بالا برود.
آن را می‌توان اثر سرریز یا Halo در نظر گرفت.
اندازه‌گیری حرفه‌ای باید تا جای ممکن اثر سطح کالا، برند و دسته را از هم جدا کند.
آیا مصرف بیشتر شد یا خرید آینده جلو افتاد؟
در مواد غذایی انبارپذیر، تخفیف شدید می‌تواند مشتری را تشویق کند:
سه بسته بخرد
به‌جای یک بسته.
فروش هفته کمپین بالا می‌رود.
اما اگر این مشتری طی دو ماه آینده کمتر خرید کند، بخشی از آن افزایش فقط جابجایی زمانی تقاضا بوده است.
بنابراین بررسی چند هفته بعد از کمپین می‌تواند به اندازه خود دوره کمپین مهم باشد.
آیا خرید دوباره اتفاق افتاد؟
برای محصولی که در مقاله اول این بخش درباره لانچ بررسی کردیم، Trial اهمیت دارد.
اما اگر کمپین خریداران زیادی ایجاد کند و تقریباً هیچ‌کدام بازنگردند، ارزش آن فروش اولیه محدودتر می‌شود.
در مقابل، ممکن است کمپین فروش اولیه متوسطی ایجاد کند اما درصد بالایی از خریداران تازه به مشتری تکراری تبدیل شوند.
بنابراین تحلیل خریدار می‌تواند شامل:
خریدار جدید،
خریدار قبلی،
دفعات خرید،
زمان تا خرید دوم،
و ارزش خرید بعدی
باشد.
اثر برند را نباید فقط به فروش هفته کمپین تقلیل داد
این مقاله روی سنجش فروش افزایشی تمرکز دارد.
اما این به معنی آن نیست که هر کمپین باید فوراً فروش ایجاد کند.
بعضی کمپین‌ها برای:
افزایش آگاهی،
اصلاح یک برداشت،
ورود به مجموعه انتخاب،
ساختن تداعی جدید،
یا افزایش برجستگی ذهنی
طراحی می‌شوند.
در چنین شرایطی مطالعه ارتقای برند یا Brand Lift می‌تواند بررسی کند آیا میان گروه مواجه‌شده و کنترل، شاخص‌هایی مانند:
آگاهی،
یادآوری تبلیغ،
مطلوبیت،
تداعی برند
یا قصد خرید
تغییر کرده‌اند.
Kantar برای همین منظور از مطالعات Brand Lift استفاده می‌کند و آن‌ها را در کنار اندازه‌گیری فروش و اثرات بلندمدت قرار می‌دهد.
اما اینجا نیز باید محتاط بود.
افزایش قصد خرید به معنی تضمین فروش نیست.
افزایش آگاهی نیز به‌تنهایی اثبات نمی‌کند کمپین سودآور بوده است.
شاخص برند باید همان چیزی را اندازه بگیرد که کمپین واقعاً قرار بوده تغییر دهد.
کوتاه‌مدت و بلندمدت را با هم قاطی نکنیم
فرض کنیم یک کمپین تلویزیونی یا ویدئویی برای افزایش برجستگی برند ساخته شده است.
اگر فقط فروش هفته اول را اندازه بگیریم، شاید بخش مهمی از اثر را نبینیم.
از طرف دیگر، اگر هر فروش آینده را بدون طراحی مناسب به «اثر بلندمدت برند» نسبت دهیم، ممکن است بیش از حد به تبلیغات اعتبار بدهیم.
Kantar در تحلیل‌های جدید خود تأکید می‌کند که بخشی از سرمایه‌گذاری برند می‌تواند اثراتی فراتر از فروش فوری داشته باشد و مدل‌های بازاریابی باید در صورت هدف‌گذاری بلندمدت این موضوع را در نظر بگیرند.
نکته حرفه‌ای این نیست که:
«تبلیغات برند حتماً در آینده جواب می‌دهد.»
بلکه:
افق اندازه‌گیری باید با افق اثر مورد انتظار کمپین هماهنگ باشد.
اندازه‌گیری باید قبل از کمپین طراحی شود
یکی از بدترین زمان‌ها برای تصمیم‌گیری درباره روش اندازه‌گیری:
بعد از تمام‌شدن کمپین است.
چون آن زمان ممکن است:
گروه کنترل نداشته باشیم؛
داده قبل از کمپین کافی جمع نکرده باشیم؛
توزیع را ثبت نکرده باشیم؛
تعریف شاخص عوض شده باشد؛
یا تیم‌ها بین چند عدد مختلف، بهترین عدد را انتخاب کنند.
یک برنامه حرفه‌ای بهتر است قبل از اجرا مشخص کند:
فرضیه چیست؟
مثلاً:
کمپین باید Trial را میان خانوارهای فاقد خرید قبلی افزایش دهد.
شاخص اصلی چیست؟
مثلاً:
فروش افزایشی میان خریداران جدید.
شاخص‌های پشتیبان چیست؟
آگاهی، جستجو، ترافیک محصول، Trial، تکرار خرید.
واحد آزمایش چیست؟
فرد؟
فروشگاه؟
شهر؟
استان؟
دوره قبل از آزمایش چقدر است؟
باید به اندازه‌ای باشد که بتوان رفتار عادی و تفاوت گروه‌ها را شناخت.
دوره اثر چقدر است؟
برای یک نوشیدنی و یک کیسه بزرگ برنج یکسان نیست.
چه متغیرهایی باید کنترل شوند؟
قیمت، پروموشن، موجودی، توزیع، رقابت، فصل.
«توان آماری» را پیش از آزمایش فراموش نکنیم
فرض کنیم فقط دو فروشگاه بسیار کوچک را کنترل و دو فروشگاه را آزمون قرار دهیم.
فروش روزانه آن‌ها به‌شدت نوسان دارد.
کمپین ممکن است واقعاً ۳ درصد اثر ایجاد کند، اما نویز طبیعی فروش آن‌قدر زیاد باشد که نتوان آن را تشخیص داد.
در طراحی آزمایش باید از قبل پرسید:
کوچک‌ترین اثری که برای کسب‌وکار مهم است چیست و آیا آزمایش ما توان تشخیص آن را دارد؟
این مسئله در آزمایش‌های جغرافیایی به‌ویژه مهم است؛ زیرا تعداد مناطق معمولاً محدود و اندازه بازارها متفاوت است. پژوهش‌های Google درباره آزمایش‌های جغرافیایی نیز دقیقاً به مشکلاتی مانند تعداد کم مناطق و ناهمگونی شدید آن‌ها پرداخته‌اند.
یک آزمایش کوچک و کم‌توان ممکن است بعد از چند هفته فقط به این نتیجه برسد:
«نمی‌دانیم.»
که البته از یک نتیجه‌گیری اشتباه بهتر است، اما با طراحی مناسب شاید قابل پیشگیری بود.
عدم قطعیت را پنهان نکنیم
اندازه‌گیری حرفه‌ای به‌ندرت باید بگوید:
«اثر کمپین دقیقاً ۴٫۳۷ درصد بود.»
مدل‌ها و آزمایش‌ها عدم قطعیت دارند.
بهتر است همراه تخمین اثر، محدوده عدم قطعیت نیز گزارش شود.
مثلاً نتیجه ممکن است بگوید:
بهترین تخمین ما افزایش ۵ درصدی است، اما محدوده‌ای از اثرهای محتمل حول آن وجود دارد.
اگر عدم قطعیت بسیار زیاد باشد و اثر مثبت از نویز قابل تفکیک نباشد، نتیجه حرفه‌ای ممکن است این باشد:
شواهد کافی برای اثبات اثر نداریم.
این با جمله:
کمپین هیچ اثری نداشته است
فرق دارد.
نداشتن شواهد کافی و اثبات صفر بودن اثر یک چیز نیستند.
در کمپین یکپارچه، احتمال دوباره‌شماری بسیار زیاد است
مقاله قبلی درباره اتصال کانال‌ها بود.
همین اتصال، اندازه‌گیری را دشوارتر می‌کند.
فرض کنید مشتری:
تبلیغ ویدئویی،
شبکه اجتماعی،
تولیدکننده محتوا،
تبلیغ فروشگاه
و رسانه خرده‌فروشی
را دیده است.
ممکن است گزارش هر کانال بخشی از همان خرید را برای خودش حساب کند.
اگر اعداد کانال‌ها را جمع کنیم، شاید مجموع «فروش منتسب» حتی از فروش واقعی برند بیشتر شود.
بنابراین بهتر است میان دو سؤال فرق بگذاریم:
سؤال سطح کمپین
آیا مجموعه سرمایه‌گذاری بازاریابی فروش افزایشی ایجاد کرد؟
سؤال سطح کانال
هر کانال چه سهم یا نقشی در آن اثر داشت؟
سؤال دوم معمولاً از اولی سخت‌تر است.
گاهی ابتدا باید اثر کل کمپین را با یک آزمایش معتبر بسنجیم و سپس برای تفکیک کانال‌ها از:
آزمایش‌های اضافی،
مدل آمیخته بازاریابی،
یا مدل‌های ترکیبی
استفاده کنیم.
اندازه‌گیری را با «داشبورد» اشتباه نگیریم
ممکن است برند داشبوردی بسیار پیشرفته داشته باشد که هر ساعت نمایش دهد:
نمایش،
کلیک،
نرخ مشاهده،
ترافیک،
جستجو،
فروش،
ROAS،
و نرخ تبدیل.
این یعنی برند داده زیادی دارد.
الزاماً یعنی اثر را درست می‌سنجد؟ خیر.
NIQ در تحلیل ۲۰۲۶ خود می‌گوید مسئله بسیاری از برندها کمبود داده نیست؛ مسئله هماهنگ‌کردن داده‌های:
رسانه،
فروش،
قیمت،
ترویج،
فروشگاه دیجیتال،
توزیع
و سایر عوامل برای رسیدن به یک تخمین معتبر از اثر است.
یک داشبورد می‌تواند با دقت توضیح دهد چه اتفاقی افتاده است.
اما برای پاسخ به:
«اگر کمپین نبود چه اتفاقی می‌افتاد؟»
به طراحی اندازه‌گیری نیاز داریم.
بهتر است یک «نردبان شواهد» برای کمپین داشته باشیم
همه کمپین‌ها نیاز به گران‌ترین و پیچیده‌ترین مطالعه ندارند.
اما باید بدانیم هر روش چه ادعایی را پشتیبانی می‌کند.
روش | چه چیزی به ما می‌گوید؟ | قدرت برای ادعای علی |
|---|---|---|
| نمایش، کلیک و مشاهده | آیا رسانه تحویل شد و تعامل اولیه داشت؟ | بسیار پایین |
| فروش دوره کمپین | چه اتفاقی افتاد؟ | پایین |
| قبل و بعد | چه تغییری نسبت به گذشته رخ داد؟ | پایین |
| فروش منتسب | کدام خریدها به قواعد انتساب مرتبط شدند؟ | پایین تا متوسط |
| خط پایه مدل‌شده | بدون کمپین احتمالاً چه اتفاقی می‌افتاد؟ | وابسته به مدل |
| بازارهای تطبیق‌یافته | آیا بازار آزمون نسبت به بازار مشابه متفاوت شد؟ | متوسط تا قوی |
| آزمایش تصادفی | آیا تفاوت میان آزمون و کنترل ناشی از مداخله بود؟ | بسیار قوی در صورت اجرای صحیح |
| مدل آمیخته بازاریابی | سهم عوامل مختلف در مقیاس بزرگ‌تر چگونه بوده؟ | وابسته به داده و فرض‌ها |
| ترکیب آزمایش + مدل | آیا تخمین‌های مدل با شواهد آزمایشی سازگارند؟ | معمولاً قوی‌تر |
IAB نیز در راهنمای ۲۰۲۵ خود همین منطق کلی را دنبال می‌کند: روش اندازه‌گیری باید متناسب با نوع تصمیم و میزان سخت‌گیری علی موردنیاز انتخاب شود.
یک چارچوب کامل‌تر برای سنجش کمپین غذایی
به‌جای یک KPI، می‌توان عملکرد را در چند لایه بررسی کرد.
لایه اول: آیا تبلیغ تحویل شد؟
پوشش.
تعداد مواجهه.
مشاهده.
دسترسی به مخاطب موردنظر.
این مرحله درباره اجرای رسانه است.
لایه دوم: آیا چیزی در ذهن تغییر کرد؟
آگاهی.
یادآوری.
تداعی.
مطلوبیت.
توجه به محصول.
قصد بررسی.
این مرحله درباره اثر ارتباطی است.
لایه سوم: آیا رفتار تغییر کرد؟
جستجو.
بازدید صفحه محصول.
یافتن فروشگاه.
Trial.
اضافه‌کردن به سبد.
این مرحله درباره رفتار میانی است.
لایه چهارم: آیا فروش افزایشی ساخته شد؟
این مرحله نیازمند سناریوی معتبر بدون کمپین است.
لایه پنجم: چه نوع فروشی ساختیم؟
خریدار تازه؟
خریدار موجود؟
افزایش دفعات؟
فقط جابه‌جایی زمان خرید؟
هم‌نوع‌خواری محصولات؟
اثر سرریز؟
لایه ششم: آیا فروش از نظر اقتصادی ارزش داشت؟
درآمد افزایشی.
حاشیه سود.
هزینه رسانه.
هزینه ترویج.
هزینه تولید کمپین.
لایه هفتم: آیا اثر ماندگار شد؟
تکرار خرید.
رفتار بعد از پایان تخفیف.
حفظ خریداران جدید.
اثر احتمالی برند.
این معماری تصویر بسیار کامل‌تری از واژه مبهم:
«کمپین موفق بود»
می‌سازد.
برای هر کمپین لازم نیست همه این‌ها را اندازه بگیریم
اگر هدف یک کمپین کوچک فقط:
معرفی یک دستور تازه در شبکه اجتماعی
باشد، شاید مطالعه کامل فروش افزایشی اقتصادی نباشد.
اگر یک برند چند میلیون دلار برای یک کمپین ملی محصول جدید هزینه می‌کند، سطح دیگری از اثبات منطقی است.
IAB نیز تأکید دارد روش اندازه‌گیری باید با:
هدف تجاری،
تصمیمی که قرار است گرفته شود،
مقیاس سرمایه‌گذاری
و میزان سخت‌گیری لازم
هماهنگ باشد.
پس «اندازه‌گیری حرفه‌ای» به معنی پیچیده‌ترین روش ممکن نیست.
یعنی:
به‌اندازه اهمیت تصمیم، شواهد معتبر جمع کنیم.
یک گزارش حرفه‌ای کمپین باید به تصمیم ختم شود
فرض کنیم مطالعه نشان می‌دهد:
فروش افزایشی مثبت است.
اما بیشتر آن از مشتریان فعلی آمده.
چه می‌کنیم؟
یا:
فروش افزایشی متوسط است اما خریداران تازه، نرخ تکرار خوبی دارند.
آیا باید بودجه را افزایش دهیم؟
یا:
Brand Lift قوی است اما فروش فوری تغییر نکرده.
آیا کمپین قرار بود فروش فوری بسازد؟
یا:
Retail Media بازگشت منتسب بالایی دارد، اما آزمایش نشان می‌دهد اثر افزایشی پایین است.
آیا بودجه باید جابه‌جا شود؟
اندازه‌گیری زمانی ارزشمند می‌شود که به یکی از این تصمیم‌ها کمک کند:
ادامه دهیم؟
بیشتر سرمایه‌گذاری کنیم؟
کم کنیم؟
پیام را اصلاح کنیم؟
مخاطب را تغییر دهیم؟
کانال را عوض کنیم؟
محصول یا قیمت مشکل دارد؟
آزمایش دیگری لازم است؟
اگر یک گزارش ۷۰ صفحه عدد تولید کند اما هیچ تصمیمی را تغییر ندهد، ممکن است تحلیل خوبی باشد؛ اما ابزار مدیریتی خوبی نیست.
۱۵ سؤال قبل از اینکه بگوییم «این کمپین فروش ساخت»
پیش از نتیجه‌گیری درباره اثربخشی یک کمپین غذایی، این سؤال‌ها ارزش بررسی دارند:
۱- هدف اصلی کمپین قبل از اجرا چه بوده است؟
۲- آیا فروش، شاخص اصلی بوده یا هدف اصلی برند و آگاهی بوده است؟
۳- فروش گزارش‌شده کل است، منتسب است یا افزایشی؟
۴- اگر کمپین اجرا نمی‌شد، بر چه اساسی برآورد کرده‌ایم چه اتفاقی می‌افتاد؟
۵- آیا گروه آزمون و کنترل معتبر داریم؟
۶- آیا قیمت و پروموشن در دوره اندازه‌گیری کنترل شده‌اند؟
۷- آیا تغییرات توزیع و موجودی را در مدل دیده‌ایم؟
۸- آیا فصل، مناسبت و روند کل دسته محصول لحاظ شده‌اند؟
۹- آیا فعالیت رقبا می‌تواند بخشی از نتیجه را توضیح دهد؟
۱۰- آیا بازه انتساب و تعریف ROAS میان رسانه‌ها یکسان است؟
۱۱- چقدر از فروش افزایشی از خریداران جدید آمده است؟
۱۲- آیا کمپین فروش محصولات دیگر خود برند را کاهش داده است؟
۱۳- بعد از پایان تخفیف یا تبلیغات چه اتفاقی افتاد؟
۱۴- آیا حاشیه سود افزایشی، هزینه واقعی کمپین را توجیه می‌کند؟
۱۵- محدوده عدم قطعیت نتیجه چیست و این یافته دقیقاً چه تصمیمی را باید تغییر دهد؟
اگر نتوانیم به چند مورد از این سؤال‌ها پاسخ دهیم، شاید هنوز بتوانیم درباره عملکرد کمپین چیزهای مفیدی بگوییم.
اما بهتر است در استفاده از جمله:
«کمپین باعث این فروش شد»
محتاط باشیم.
هدف اندازه‌گیری، اثبات موفقیت تیم بازاریابی نیست
این شاید مهم‌ترین نکته مقاله باشد.
وقتی اندازه‌گیری پس از کمپین فقط برای ساختن یک گزارش موفقیت انجام شود، سیستم ناخودآگاه به دنبال بهترین اعداد می‌گردد:
بیشترین Reach.
بهترین ROAS.
بیشترین رشد فروش.
بالاترین نرخ تعامل.
اما وظیفه واقعی اندازه‌گیری چیز دیگری است:
کم‌کردن عدم قطعیت درباره اینکه چه چیزی واقعاً کار کرده است.
گاهی نتیجه می‌گوید کمپین عالی بوده است.
گاهی می‌گوید رسانه درست بوده اما محصول در دسترس نبوده است.
گاهی نشان می‌دهد فروش بالا رفته اما تبلیغات علت اصلی نبوده است.
گاهی نشان می‌دهد فروش ظاهراً افت کرده ولی کمپین جلوی افت بزرگ‌تری را گرفته است.
و گاهی حرفه‌ای‌ترین نتیجه این است:
«با داده موجود هنوز نمی‌توانیم اثر را با اطمینان ثابت کنیم.»
این شکست اندازه‌گیری نیست.
برعکس، تفاوت میان تحلیل و داستان‌سازی همین‌جاست.
در نهایت سؤال درست «چقدر فروختیم؟» نیست
فروش مهم است.
اما برای سنجش کمپین، سؤال کامل‌تر این است:
«چه مقدار از این فروش به دلیل کمپین ایجاد شد، چه نوع فروشی بود و آیا ارزش اقتصادی و رفتاری آن ادامه پیدا کرد؟»
برای پاسخ‌دادن به آن باید:
فروش را از فروش منتسب جدا کنیم؛
فروش منتسب را با فروش افزایشی اشتباه نگیریم؛
یک سناریوی معتبر برای نبود کمپین بسازیم؛
قیمت، توزیع، ترویج، فصل و رقابت را ببینیم؛
در صورت امکان آزمایش کنیم؛
مدل‌ها را با فرض‌های روشن استفاده کنیم؛
اثر برند و فروش را متناسب با هدف کمپین بسنجیم؛
و به جای یک عدد، کیفیت فروش ایجادشده را هم بررسی کنیم.
در چنین سیستمی، موفقیت دیگر این نیست که بتوانیم بعد از کمپین یک اسلاید سبز با فلش رو به بالا بسازیم.
موفقیت این است که بتوانیم با شواهد قابل دفاع بگوییم:
چه چیزی تغییر کرد؛
چقدر تغییر کرد؛
با چه درجه‌ای از اطمینان؛
چرا فکر می‌کنیم کمپین در آن نقش داشته؛
و مهم‌تر از همه:
دفعه بعد بر اساس این یادگیری چه تصمیم متفاوتی خواهیم گرفت.
این همان نقطه‌ای است که اندازه‌گیری از گزارش‌دهی جدا می‌شود.
و کمپین از یک هزینه بازاریابی به یک آزمایش قابل یادگیری برای رشد برند تبدیل می‌شود.
منابع
- IAB & IAB Europe — Guidelines for Incremental Measurement in Commerce Media, 2025. چارچوب صنعتی برای تعریف اثر افزایشی، ساخت سناریوی بدون کمپین، کنترل سوگیری و انتخاب میان آزمایش، مدل‌های اقتصادسنجی و روش‌های ترکیبی.
- IAB/MRC — Retail Media Measurement Guidelines. استانداردهای مربوط به تعریف اثر افزایشی، شفافیت بازه انتساب، تکرار خرید و قابل‌مقایسه‌بودن شاخص‌های Retail Media.
- NielsenIQ — How Brands Can Measure Incrementality and Prove Retail Media Impact, 2026. درباره تفاوت انتساب و علیت، محدودیت ROAS، اهمیت قیمت، ترویج، توزیع و داده‌های خرده‌فروشی در سنجش اثر واقعی.
- Circana — How to Measure Sales Lift and ROAS to Prove Advertising Effectiveness, 2025. درباره فروش افزایشی، خط پایه، بازگشت افزایشی هزینه تبلیغات و سهم خریداران جدید.
- Google Research — Measuring Ad Effectiveness Using Geo Experiments و پژوهش‌های بعدی درباره iROAS. مبانی طراحی آزمایش‌های جغرافیایی و تخمین علی اثر تبلیغات در مناطق آزمون و کنترل.
- Google Meridian — Causal Inference and Model Validation Documentation, 2026. درباره استفاده از مدل آمیخته بازاریابی برای استنباط علی، اهمیت کنترل متغیرهای مخدوش‌کننده و نقش آزمایش در اعتبارسنجی مدل‌ها.
- Brodersen et al. — Inferring Causal Impact Using Bayesian Structural Time-Series Models, Annals of Applied Statistics. درباره ساخت سناریوی بدون مداخله از طریق سری‌های زمانی و کنترل مصنوعی در شرایطی که آزمایش تصادفی در دسترس نیست.
- Circana — HiPRO Yoghurt Case Study. نمونه کاربرد هم‌زمان Brand Lift و آزمایش جغرافیایی برای بررسی اثر بالای قیف و فروش افزایشی؛ نتایج گزارش‌شده مختص همان کمپین هستند.
- Kantar — Media Effectiveness and Brand Lift Research. درباره تفکیک شاخص‌های برند از فروش، اندازه‌گیری اثر کانال‌ها و توجه به اثرات کوتاه‌مدت و بلندمدت در ارزیابی رسانه.