¡Descarga planificacion medios y más Apuntes en PDF de Publicidad y Promoción solo en Docsity!
TEMA 9: PLANIFICACIÓN DE MEDIOS
9.1. PROBLEMAS Y OBJETIVOS
La planificación de medios se lleva a cabo para solucionar los problemas del cliente , que son principalmente 2:
• Qué va a decir en su campaña.
• Cómo invierte el dinero para que el mensaje llegue al público objetivo
(PO).
Para resolver estos problemas, el cliente tiene que cumplir 2 objetivos :
• COBERTURA : llegar al mayor número de personas del PO. COBERTURA.
• OTS : que esa campaña llegue por término medio el número de veces
adecuado para que se produzca la comunicación, porque si llego más veces de las que son necesarias malgastará el dinero; y si llega menos veces tan sólo dejará afectada a la población de alguna manera.
Estas dos variables, COBERTURA Y OTS, van en sentido contrario sin variar el presupuesto. Si quiero llegar a mucha gente, tiene que ser a costa de llegar pocas veces a cada persona, y viceversa. Buscar el equilibrio es la esencia de la publicidad (la otra esencia de la publicidad es la creatividad). P.e.: campaña de Hacienda: lo mejor es llegar a mucha gente pocas veces.
Para cumplir estos objetivos se emplean 2 tipos de modelos : modelo de evaluación y modelo de optimización.
1. Modelo de evaluación. El modelo se alimenta de las 2 bases de datos que tiene a su disposición, EGM y Audimetría. En estos modelos introducimos con el input la definición del PO , un plan de medios y las tarifas. El modelo evalúa esto y da 2 resultados ( output ): COBERTURA y OTS. P.e.:
COBERTURA 60%
OTS’ 4,
El usuario, que se considera experto de este modelo, dice que no le gustan los resultados: quiere aumentar la cobertura, que como sabemos es a costa de reducir los OTS. Va al plan de medios y lo cambia. Tendrá que eliminar soportes que dupliquen entre sí (p.e. As y Marca ) para aumentar la cobertura. Quita soportes que duplican y bajan, por tanto, los OTS y sube la COBERTURA. Introduce esto en el input. Vuelve a evaluar y sale:
COBERTURA 67%
OTS’ 3,
No queda tranquilo y sigue haciendo cambios hasta que consigue lo que quiere.
2. Modelo de optimización: ocurre algo casi contrario a lo que sucede en el modelo de evaluación. En el input introducimos el PO , las tarifas y un nuevo concepto: la curva de respuesta , que es la manera en que el PO va a asimilar/ aprender la campaña de publicidad.
PAGE 1
Este modelo da como output , de modo reiterativo, los soportes e inserciones que deben incluirse en el plan. P.e.: 1er^ paso: anuncio en El País ; 2º paso: anuncio en El Mundo ; 3 er^ paso: anuncio en El País ; etc.
No obstante, pese a que diferenciamos estos 2 modelos, el 95% de los usuarios utilizan el modelo de evaluación. ¿Motivos?
- Porque se consideran expertos del modelo de evaluación y saben qué es lo que hay que matizar o cambiar para lograr los resultados deseados.
- Porque la optimización es un asunto matemáticamente difícil.
- Porque la optimización tiene ciertas pegas, como p.e., que se obsesionen con un soporte. P.e.: 7º paso: anuncio en El País ; 8º paso: anuncio en El País ; 9º paso: anuncio en El País ; etc.
9.2. MODELO DE EVALUACIÓN
Toma de las bases de datos 2 datos: el dato de audiencia y el de hábitos de audiencia.
MATRIZ DE AUDIENCIA
**S 1 S 2 S 3 …………… Si …………… S3.
. . .**
j ……… ………… ……….. …………… AUDIENCIA . . . 45.
- Si = El País. El EGM pregunta: ¿ayer leyó El País? A los que lo han leído se les pone 1 y a los que no 0.
MATRIZ DE HÁBITOS DE AUDIENCIA
S 1 S 2 S 3 ……………^ Si ……………^ **S3.
. . .**
j ……… ………… ……….. …………… HÁBITOS DE AUDIENCIA . . . 45.
PAGE 1
La probabilidad de contacto (PC) , por su parte, es la probabilidad que tiene el individuo de contactar ‘h’ veces en las próximas ‘n’ apariciones de El País. Tras conocer la PC, el modelo de evaluación da como output la curva de distribución de contactos probables.
CONTACTO
INDIVIDUO 3
A partir de la curva o distribución de frecuencias , el programa calcula los datos de cobertura, los contactos, los OTS y los GRPS:
- DATOS DE COBERTURA : 70%: hemos llegado a 700 personas: CONTACTOS 3 + 2 + 1 = INDIVIDUOS 200 + 400 + 100 = 700.
- CONTACTOS : 1500. Lo obtenemos de (3·200) + (2·400) + (1·100) = 1500.
- OTS : nº medio contactos por persona contactada: 2,14. Lo obtenemos de dividir los contactos entre la cobertura: 1500/700 = 2,.
- GRP. Cuanto más GRP mejor. Lo podemos calcular de 3 maneras distintas: - Es el producto de la COBERTURA por los OTS: 700 x 2,14 = 149, ≈ 150.
PAGE 1
- (Contactos/Público objetivo) x 100 = (1500/1000) x 100 = 150.
- Se puede calcular también como la suma de las audiencias de los soportes que intervienen en el plan, teniendo en cuenta el nº inserciones que tiene cada uno. P.e.: hay 3 soportes: El País, Hola y Telva. Las audiencias según EGM: El País (8%) , Hola (12%) , Telva (4%). Y el nº inserciones: El País (2) , Hola (4) , Telva (1). Los GRP se calculan: (8·2) + (12·4) + (4·1)
El cliente decide ahora si le gusta todo esto. Decide si el equilibrio entre COBERTURA y OTS es adecuado. Recordemos que cuando uno aumenta, el otro disminuye. Hay que decidir el equilibrio que supondría el éxito del plan de medios.
De todos modos, este usuario puede no ser sabio y no encontrar el punto perfecto para resolver el equilibrio. Para que pueda tomar decisiones con menos incertidumbre y solucionar el problema del equilibrio le damos unos consejos :
1. Curva de respuesta [EXAMEN]. Es la curva de respuesta del PÚBLICO OBJETIVO a tu publicidad. En el eje de abcisas (x) están los contactos probables y en el de ordenadas (y) está la eficacia. Si conoces esta curva de respuesta, conoces el equilibrio entre la COBETURA y los OTS. Es una curva que aparece en todas las ciencias: psicología (curva estímulo-respuesta), física (curva acción-reacción)… La llamamos de manera genérica curva de aprendizaje :
La primera curva, la de aprendizaje, sería con contactos acumulados, pero la de este gráfico sería sin acumular.
Este usuario no sabe el equilibrio entre COBERTURA y OTS a priori, pero lo puede conocer a posteriori. Debido a esto se sabe que en el 98% de los casos la curva de respuesta a la publicidad es cóncava respecto al eje de ordenadas:
La curva sin acumular sería:
Y está la curva progresiva , en que cada contacto aumenta la eficacia respecto al anterior.
PAGE 1
Conseguir que las marcas se introduzcan en ese saliente es el objeto de la publicidad. La publicidad tiene 2 efectos: a C/P (lo que es visto en último lugar es lo que se compra) y a L/P (que se introduzca en el saliente).
El verdadero objetivo de la publicidad es crear una muralla para que ningunas terceras marcas se introduzcan en el oligopolio actual de las marcas, como ocurre con los detergentes.
4. HALL TEST. Introducimos 100 personas en una sala para que vean, p.e., un documental de ballenas, y cada 5 minutos ponemos una tira de 16 anuncios, entre los cuales está el que queremos medir. Continuamos con el documental, y ponemos más anuncios, introduciendo, por supuesto, el que nos interesa entre ellos. Lo vamos camuflando sucesivamente hasta que estipulemos oportuno. Luego hacemos preguntas sobre las marcas que han recordado después de 1 contacto, de 2 contactos, de 3…
5. ASUMIR LA CURVA DE RESPUESTA DEL AÑO PASADO DE
CUALQUIER MARCA DE LA COMPETENCIA. Así puedes conocer la curva de respuesta de tus más directos competidores.
6. ÁREA TEST. Lanzan la marca/producto en áreas pequeñas (Santander, Zaragoza y Valladolid son las regiones más representativas) y hacen un panel. Ahí observan cómo ha respondido el público y luego extrapolan los resultados a toda España. Lanzan el producto a toda España.
Con los resultados del ÁREA TEST hay expertos que pueden prever las ventas en el área nacional con un margen de error de ±10.
9.3. CÓMO SE IMPLEMENTA/INTRODUCE LA CURVA DE
RESPUESTA EN EL PLAN DE MEDIOS
CONTACTO INDIVIDUO IE ( VALOR EFICACIA DE C/ CONTACTO O C. RESPUESTA )
IND. x C. DE RESPUESTA
0 300 0 0 1 100 0,7 70 2 400 0,9 360 3 200 1 200 1000 630
PAGE 1
ÍNDICE EFICACIA = IE PM = 630/1000 = 0,
9.4. COBERTURA MEMORIZADA
El indicador de COB tiene escasa relevancia en EEUU porque se sabe que de cada 100 personas que ven TV, 35 atienden y sólo 5 se dan cuenta de los anuncios. Mucha de la gente no ha entendido nada. La COB no vale entonces. Por tanto, los anunciantes quieren un indicador de COB más real: COBERTURA MEMORIZADA: porcentaje de personas que además de ser contactados recuerdan el anuncio.
El MODELO EVALUACIÓN está preparado a partir del PLAN MEDIOS, la COB y la COB MEMORIZADA, que es por cierto inferior. El M. EVALUACIÓN da la COB MEM basándose en los estudios de Morgenstein, con quien entran en juego las bases de datos. Se apoya en ellas y dice que el porcentaje de personas que recuerdan es
igual a 1 – (1-β) n^ : %R = 1 – (1- β) n^ , donde β es un coeficiente y n el nº contactos.
forma dentada para la curva de la fórmula del %R
Analiza miles y miles de campañas, conociendo así los datos de recuerdo (%R) de 20.000 campañas y las veces contactadas con esas campañas: 1, 2, 3…
(n). Pero falta β. Hay que despejar y obtenía que el valor de 20.000 campañas de β
se centraba en una curva con una variación muy pequeña, con valores siempre cercanos a 0,.
%R = 1 – (1-β )n
%R INDIVIDUOS IND. x %R 0 300 0 0,12 100 12 0,22 400 88 0,32 200 64 164
Si n = 0 F 0 5 DR = 0 Si n = 1 F 0 5 D R = 0, Si n = 2 F 0 5 D R = 0, Si n = 3 F 0 5 D R = 0,
COB MEM = 16,4% COB = 70% (SON 700 PERSONAS: 100+400+200)
PAGE 1
COB si hiciéramos un descanso entre inserciones.
COB MEM si hiciéramos un descanso entre inserciones.
Lo que hay que calcular.
OTS y GRP Calcular los OTS y GRP.
PASO 1
La COB tras la 1ª ola se mantiene: asciende hasta que se produce el descanso, que se mantiene, y al final del proceso es la misma (70%), ya que al modelo le da igual que haga o no descanso, porque tú has medido 3 inserciones y te las calcula de la misma manera.
PASO 2
El problema está en la COB MEM , que va a ser menor tras la 1ª ola, baja en el descanso y sube tras la 3ª inserción. Lo que no sabemos si estará por encima o debajo (? ) de la COB MEM que se ha obtenido de las inserciones hechas con continuidad.
PASO 3
La COB es 60% en un primer lugar, tras la primera ola, pues hay dos impactos. Sumamos estos impactos: 1 inserción (llega a 150 individuos) + 2 inserciones (450 individuos): 600 individuos: 60%. Y tras el descanso también es de 60% porque se mantiene.
PASO 4
Calculamos los OTS y GRP:
- OTS : nº medio de contactos por persona contactada: (0x400) + (1x150) + (2x450) / 600 = 1,
- GRP : COB x OTS: 60 x 1,75 = 105
PASO 5
Tenemos que calcular los distintos puntos a lo largo de la curva de COB MEM.
a) OLA 1. Usamos la fórmula de Morgensztein: %R = 1 – (1- β) n
INS. IND, 0 400 1 150 2 450
Si n = 0 F 0 5 D%R = 1 – (1-0,12) 0 = 0
PAGE 1
Si n = 1 F 0 5 D %R = 1 – (1-0,12) 1 = 0, Si n = 2 F 0 5 D %R = 1 – (1-0,12) 2 = 0,
COB MEM 1 = (0,12 x 150) + (0,22 x 450) = 117 = 11,7%
b) DESCANSO. Tenemos 2 semanas de descanso y el recuerdo cede. Viene Morgensztein para averiguar el olvido:
OTS
OTS + Si (Si + 1)
Re = 2 COB
1 – (1-M)
Re = 2 60 = 7,37% = COB MEM (^) 2
1 – (1 - 11,7 / 60 )
Re = 2 60 = 4,6% = COB MEM (^) 3
1 – (1 - 11,7 / 60 )
c) OLA 2. Calculamos la COB MEM con una nueva inserción para saber si es mayor o menor que cuando las inserciones han sido continuas ( 16,4% ). Es decir, hay que hallar la COB MEM 4.
Distinguimos 3 públicos ( A, B, C ) y a cada uno lo tratamos de manera diferente.
- A. Supone el 4,6% del total. Son aquellos que tras 2 semanas de descanso siguen recordando la campaña. ¿Cuántos de ellos recordarán la campaña tras la nueva inserción? Todos.
PAGE 1
COB si hiciéramos un descanso entre inserciones.
COB MEM si hiciéramos un descanso entre inserciones.
Lo que hay que calcular.
9.5. MODELOS DE OPTIMIZACIÓN
Sucede lo contrario de los modelos de evaluación. Introducimos como input , aparte de las bases de datos y de las tarifas, el público objetivo, el presupuesto y la curva de respuesta, así el modelo me irá elaborando poco a poco el plan de medios.
La optimización es una herramienta no estadística, sino de investigación operativa, que tiene por objeto resolver problemas que son insolubles. Los resuelve por un procedimiento inteligente, económico, barato. Hay problemas insolubles porque:
- P.e.: si tenemos 3.000 soportes y vamos a construir un plan de medios con 10 de ellos, y podemos incluir en cada uno de ellos 20 inserciones, pues el nº planes posibles que podemos construir con los 3.000 soportes es de 10 20. Esta cifra es insoluble.
- P.e.: un viajante de comercio que quiere vender sus productos en 20 ciudades españolas. Se plantea cómo recorrer las ciudades para gastarse lo menos posible en gasolina. Esto es un problema insoluble, porque el nº combinaciones posibles sería altísimo.
La ventaja de la optimización es que resuelve problemas insolubles. Y como inconveniente tiene lo que se conoce el problema del ciego. P.e.: tenemos una cordillera y en su base hay un ciego, que tiene que subir al punto más alto. Inicia la subida paso a paso en una circunferencia (alrededor de la cordillera, rodeándola) y se queda en el paso que más le eleve. Sube así al punto más alto de un lado de la cordillera, pero que no es el más alto posible de la cordillera. Y con la optimización ocurre igual: el problema de la optimización no es que no llegue a la mejor combinación de todas las posibles, sino que no sabemos a qué combinación hemos llegado. Por tanto, hablamos de modelos cuasi óptimos.
Etapas optimización
1. Va paso a paso.
2. En cada paso incorpora una inserción.
3. A lo que sucede después de cada paso lo llamaremos estado , es decir, a la
situación en que queda el plan. El ESTADO 1 tiene una inserción más que el ESTADO 0.
4. Idea de función objetivo : lo que mejora en eficacia el plan en cada paso.
¿Por qué no se usa en el mundo profesional la optimización? Hay varios motivos:
a) No es fácil entenderlo: si un cliente te pregunta puedes hacer el ridículo.
PAGE 1
b) La optimización tiene ciertos problemas, como p.e. que un soporte muy
rentable te salga muchas veces, como sucede en los espacios de madrugada (hace inserciones en Telecinco de manera obsesiva).
Estos problemas, no obstante, pueden solucionarse.
P 1 P 2 P 3 …
E 0 E 1 E 2 …
S 1^1
S 2 1
S 3^1
COB 36 %
OTS 2 %
GRP 72
PRESUPUESTO 1.
DISTRIBUX DE CONTACTOS
EFICACIA 0,
EFICACIA
MARGINAL
Los soportes que hay en el arranque pueden ser aleatorios, pueden ser los que queramos, o un plan de medios evaluado en la fase anterior. Cuanta más alta sea la cota en que empiece, más probabilidad de que alcance la cota más alta, aunque nunca lo sabrá. Lo mismo ocurre si empezamos con un plan de evaluado.
- Para calcular la EFICACIA el modelo tiene que haber hallado primero la curva de respuesta acumulada:
CURVA RESPUESTA DISTRIBUCIÓN DE
CONTACTOS
PAGE 1
MARGINAL, en cambio, siempre empeora, es decir, la rentabilidad de la inversión es cada vez peor. La eficacia que consigues por cada € invertido es cada vez más pequeña.
Cuándo parar el proceso
1. Cuando al usuario le dé la gana, porque le guste la combinación de OTS y
GRP.
2. Cuando se agote el presupuesto.
3. Porque la ganancia en eficacia en cada paso (EFIC. MARG.) sea más pequeña
que una que nosotros propongamos. No merece la pena gastarse más dinero cuando la eficacia es mínima. P.e.: le decimos al ordenador que cuando la ganancia en eficacia sea menor al 0,01% párate ahí.
Al final ya tenemos el plan de medios elaborado.
Problemas que pueden surgir
Que el programa se obsesione con un soporte. Podemos abrir ciertas restricciones para evitar este problema, como p.e.: que de cada soporte no incorpore más de 4 inserciones en la madrugada. Otra condición sería, p.e.: discriminación positiva: al anunciante le gusta mucho El País y quiere salir aunque el ordenador no lo elija, así que le damos un mediaweight mayor al resto (1 frente al 0,9).
9.6. ALGORITMOS GENÉTICOS (AG)
Son otra forma de optimizar los planes de medios. Forman parte de esas nuevas matemáticas que no son matemáticas.
Estos métodos se basan en la teoría de la evolución de Darwin, que viene a decir que los individuos que sobreviven son los que mejor se adaptan al medio, y esto mismo sucede con los métodos de optimización de los AG.
Requisitos de los AG
1. Va paso a paso.
2. Al dar un paso, pasa de un estado a otro con la condición de que en este
estado la situación mejora.
3. No necesita una función objetivo para saber y valorar la situación.
4. Resuelve problemas que son insolubles. P.e.: el viajante de comercio del que
ya hablamos. Tiene que recorrer 20 ciudades de España. Entonces ese individuo necesita conocer a qué ciudades va yendo para recorrer los menos kilómetros posibles y gastar lo mínimo en gasolina. Pero el número de combinaciones posibles de recorridos es altísimo. Esto es un problema insoluble. Se puede cuasi soluciona con los AG. Nuestro problema es parecido. Tenemos 20 soportes y tenemos que elegir una combinación de soportes que más llegue a la gente. Hay que usar, por tanto, un método de optimización, el de los AG. Este método tiene 2 partes:
a) Método de AG con un solo objetivo: elegir la mejor combinación de soportes
que incluya en cada soporte la mejor inversión posible para poder conseguir llegar al mayor nº personas posible, la mayor COBERTURA.
b) Con varios objetivos: igual que el anterior pero que busca conseguir la
mayor COBERTURA y la menor INVERSIÓN posible.
PAGE 1
AG con un solo objetivo
Imaginemos 3 dimensiones, donde cada dimensión es un soporte: Hola, El País y Tele5 de 11.00-11.15.
Pero supongamos que hay 20 dimensiones, 20 soportes, y categorías donde cada dimensión es el número de inserciones. Vamos a llegar a ese espacio, genoespacio o espacio de búsqueda. Hay trillones de soluciones y hay que buscar la óptima.
Una posible solución tomada al azar es un punto en el espacio, que es un plan de medios posible:
A esta solución la llamamos cromosoma. Y a la serie de números que indica las inserciones la llamamos cadena genética. Y a cada número lo llamamos gen.
La función objetivo en el caso de los planes de medios, que es la que valora las soluciones, busca la que tenga un mayor porcentaje de cobertura.
El método arranca con una serie de soluciones tomadas al azar. Tomamos, p.e., 10 soluciones/10 cromosomas. El método se desarrolla en la línea de prueba y error. No hay ninguna norma, salvo que las soluciones sean tomadas al azar, que los genes de cada cromosoma sean al azar, porque vamos a tener que luchar contra un problema presente en todos los métodos de optimización: que el algoritmo se centre en una zona pequeña de un espacio de búsqueda y encuentre rápidamente
PAGE 1
9.7. BLACK BOX: DISTRIBUCIÓN BINOMIAL
En el modelo de evaluación encontramos el siguiente proceso:
IN OUT
MODELO
caja negra
PLAN MEDIOS PÚB. OBJETIVO PRESUPUESTO
¿Qué pasa en la caja negra (MODELO) para conocer la distribución de frecuencias que nos da (la curva que vemos en el gráfico)?
Tenemos que predecir el futuro, cuántas personas recibirán 0/1/2/ contactos.
La probabilidad de exposición (PE) es la probabilidad que tiene cada individuo de quedar expuesto a cada soporte en cada aparición de éste.
La probabilidad de contacto (PC) es la probabilidad que tiene cada individuo de contactar ‘h’ veces en las próximas ‘n’ apariciones del soporte.
La PC se ve muy claramente con la ejemplo de la moneda: una cosa es que en cada lanzamiento tenga 0,5 probabilidades de salir cara y 0,5 de salir cruz; y otra de que cada 10 tiradas, 10 sean cara, 9 cara, 8 cara…
Esa PC es el medio por el que vamos a conseguir diseñar esa curva y puede resolverse mediante distribuciones estadísticas conocidas, es decir, los comportamientos sociales no son debidos al azar prácticamente nunca, sino que se ajustan a leyes estadísticas. P.e.: el peso de los españoles se distribuye según una curva normal, convexa, y siempre es así, algo que ocurre con casi todos los comportamientos sociales. ¿Qué distribución/curva estadística ajusta esos comportamientos de los individuos con los mdc? La conclusión a la que llegan los teóricos es la distribución binomial , que es la que mejor ajusta los comportamientos de los individuos. Aunque hay otra distribución mejor que es la betabinomial, y más complicada.
Lo 1º que tenemos que conocer es la fórmula de la distribución binomial:
n n h n-h n^ n! PC = pe · q (^) e = h h (^) h h! (n-h)!
- n = nº anuncios en un soporte; p.e.: 10 anuncios en El País.
- h = nº contactos que tengo con esa campaña.
- pe = probabilidad exposición.
PAGE 1
- qe = 1 - pe = complementario de p (^) e.
- cero factorial es 1.
- (^) la suma de las 4 PC tiene que ser 1.
INDIVIDUOS PE 7 20 0, 6 60 0, 5 80 0, 4 100 0, 3 60 0, 2 40 0, 1 20 0, 0 620 0, 1000
Suponiendo que pongo 3 anuncios en El País , ¿cuánta gente recibirá 3 contactos, cuántos 2, cuántos 1 y cuántos 0?
n 3 3 3 3 PC PC PC PC PC h 0 1 2 3
A MÍ ME TOCÓ HALLAR:
HÁBITOS PE 4 100 0,
n n h n-h 3 0 3 PC 0 = PC = pe · q (^) e = 0,8 · 0,2 = 1 · 1 · 0,008 = 0, h h 0
3 n! 3 · 2 · 1 6 = = = = 1 0 h! (n-h)! 0! (3-0)! 1 (3 · 2 · 1)
n n h n-h 3 1 2 PC 1 = PC = pe · q (^) e = 0,8 · 0,2 = 3 · 0,8 · 0,04 = 0, h h 1
PAGE 1
