Kosztowny błąd: dlaczego targetowanie demograficzne się nie opłaca
W czasach, gdy media dzieliły się raptem na kilka kanałów – telewizję, prasę, radio i billboardy – targetowanie wydawało się nieskomplikowane. Reklamy kierowano do „kobiet 20–44, z miast powyżej 100 tys. mieszkańców” i taki model uchodził za skuteczny. Jednak ta pozorna prostota okazała się ograniczająca.
Stanisław Grabowski
VP Marketing & Brand Solutions, Adlook
Demografia nie była wynikiem głębokiej wiedzy na temat odbiorcy, lecz skutkiem ubocznym ograniczeń pomiarowych. Aby móc coś kupić w telewizji czy radiu, należało uprościć grupę docelową do parametrów możliwych do zmierzenia. Niestety, ten nawyk przetrwał – i przeniósł się do świata cyfrowego, mimo że dzisiejsze technologie dają nam znacznie więcej możliwości.
Obecnie, w czasach złożoności ścieżek zakupowych i wielu punktów styku, trzymanie się „tradycyjnych” grup demograficznych może być nie tylko nieefektywne, ale i kosztowne. W naszym najnowszym badaniu postanowiliśmy to sprawdzić. Pod lupę wzięliśmy dane demograficzne wykorzystywane w targetowaniu kampanii w USA i porównaliśmy przypisane do użytkowników segmenty z ich faktycznymi deklaracjami. Wyniki? Zaskakujące – i niepokojące.
Co odkryliśmy?
1. Nakładające się segmenty
Zbadaliśmy ponad 150 tys. przypadków, w których użytkownicy zostali zaklasyfikowani do segmentów wiekowych i płciowych.
• 35,7% zostało jednocześnie przypisanych do segmentów „kobieta” i „mężczyzna”.
• 55,6% kwalifikowało się do dwóch lub więcej grup wiekowych.
• Wśród osób poniżej 34. roku życia aż 28% było znalazło się też w grupie 55+.
Wyniki te jasno wskazują, że dane przypisujące użytkowników do konkretnych kategorii są niespójne, wzajemnie się wykluczają, są po prostu… nieprawdziwe (!).
2. Użytkownicy nie potwierdzają przypisanych im danych
W drugiej części badania wyświetlaliśmy użytkownikom reklamy z krótką ankietą, pytając ich o wiek, płeć, wykształcenie czy status rodzinny. Porównaliśmy ich odpowiedzi z danymi dostarczanymi przez popularnych providerów danych.
Efekt? Brak istotnych różnic między grupami targetowanymi a losową próbką użytkowników. Precyzja była równie niska – a w przypadku wąskich segmentów (np. „kobiety 18–24” czy „mamy”) jeszcze niższa.
• W przypadku segmentu „kobiety 18–24” skuteczność klasyfikacji spadła nawet do 18%.
• W segmencie „mamy” większość osób… nie była mamami, a częściowo znaleźli się w nim też mężczyźni.
Co z tego wynika?
Nasze badanie jasno pokazuje, że dane demograficzne – nawet pochodzące od renomowanych dostawców – są nieprecyzyjne, często przestarzałe i mogą wprowadzać marketerów w błąd. Targetowanie oparte wyłącznie na tych informacjach w wielu przypadkach przypomina rzucanie monetą.
Dwie osoby w tym samym wieku i o tym samym poziomie dochodów mogą mieć zupełnie inne potrzeby, styl życia i sposób podejmowania decyzji. Demografia nie uwzględnia tego, co naprawdę istotne – ludzkich intencji, wartości i zachowań w danym momencie.
Koszt precyzji, której nie ma
Każdy nietrafiony baner, każda błędnie zaklasyfikowana osoba i każda złotówka wydana na dane, które nie działają – to realne straty dla marketerów. Targetowanie demograficzne daje złudzenie kontroli, ale w rzeczywistości zbyt często prowadzi do błędnych decyzji mediowych. Zamiast inwestować w schematy, które nie oddają złożoności współczesnych odbiorców, czas spojrzeć na dane z nowej perspektywy.
Współczesne gospodarstwa domowe to sieć urządzeń dzielonych przez użytkowników – smartfony, tablety, laptopy. Małżonkowie, partnerzy, rodzice i dzieci korzystają z nich zamiennie, pozostawiając za sobą mieszane ślady behawioralne. Urządzenie przypisane do mężczyzny może być regularnie używane przez kobietę, co prowadzi do tworzenia przez algorytmy profilu fikcyjnego użytkownika, który w rzeczywistości nie istnieje.
Dlatego zamiast polegać na deklaratywnych lub szacunkowych danych demograficznych, warto zacząć szukać prawdziwych sygnałów – informacji osadzonych w kontekście, zbieranych w czasie rzeczywistym, opartych na aktualnych zachowaniach i intencjach. Takie podejście daje marketerom nie tylko większą trafność, ale przede wszystkim – większy zwrot z inwestycji.
Wyniki naszego badania tylko utwierdziły nas w przekonaniu, że czas porzucić złudzenie precyzji, jakie oferują dane demograficzne – i postawić na podejście oparte na realnych sygnałach i głębokim zrozumieniu kontekstu. Właśnie dlatego w Adlook rozwijamy technologię opartą na GenAI, która łączy semantyczną analizę treści z identyfikacją intencji użytkownika – bez wykorzystywania identyfikatorów. Nasze systemy, zasilane LLM-ami i deep learningiem, potrafią „czytać” strony internetowe tak, jak zrobiłby to człowiek: dostrzec, że artykuł o samochodach rodzinnych to w rzeczywistości treść dla aktywnych rodziców planujących wspólną podróż. Dzięki nim możemy dopasowywać reklamy – np. walizek sportowych czy akcesoriów dziecięcych – do faktycznych potrzeb odbiorców, a nie do ich arbitralnie przypisanej płci czy przedziału wiekowego.
Nasze wnioski to nie tylko punkt krytyczny wobec tradycyjnych metod, ale też zaproszenie do szerszej dyskusji na temat przyszłości targetowania. Jeśli chcesz lepiej zrozumieć skalę wyzwań związanych z precyzją danych demograficznych, pobierz pełny raport i sprawdź pozostałe wyniki naszego badania: https://www.adlook.com/socio-demographic-data-report
