2019年9月16日下午两点，中国营销工程与创新研究中心(以下简称“MEI”)2019-2020年第一学期第3次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师及MEI各位成员。

　　本次Seminar由刘通研读文章《Wearout or Weariness? Measuring Potential Negative Consequences of Online Ad Volume and Placement on Website Visits》。

　　在线广告在全球的重要性要求我们要详细了解消费者对重复在线广告的反应。对广告商而言，他们不仅要担忧消费者是否表现出“磨损”的程度，还需担忧超过一个临界点时，额外曝光会不会产生负面边际效应，即“疲劳”，根据Upstream(2012)的一项调查，在美国和英国，三分之二的成年人表示经历过数字广告超载和负面反应，比如停止使用该品牌(27%的美国成年人)和回避未来的信息(28%的美国成年人)。本研究从一项大规模的广告宣传活动获得数据，并构建了贝叶斯分层模型来进行分析，旨在探究三个问题：

　　(1)广告的边际收益随着消费者观看的次数而减小，那么有没有可能边际效应变成负数?

　　(2)如何对消费者进行分类?哪类消费者对广告曝光有负面反应?他们的特征是什么?

　　(3)不同媒体的广告效益不同，如何对广告曝光进行重新分配达到广告效果的优化?

　　图一：刘通文章分享

　　文章指出，面对广告，人们会呈现出不同的反应状态。“磨合”指的是通过连续的曝光来增加广告的边际效益，通常是在一个特定的广告活动开始时发现的。“疲劳”指的是在所谓的长期广告重复量(即广告时间)上趋于平稳。然而，这一定义包括若干可能的模式，其中两种模式是本研究主要感兴趣的:(1)边际反应递减，但总是积极的;(2)最终的边际效应是消极的。这种递减反应的反应函数的斜率为负，超过广告的暴露阈值——称为“疲劳”。

　　本文基于贝叶斯分层模型进行检验。基本思路是：当掌握总体结构和部分先验信息时，可以分层按步骤地建立模型，消除先验分布对估计的过度影响，从而增强估计的稳健性。其具体做法为：当所给定的先验分布中超参数难以确定时，对超参数再给出一个先验。由先验和超先验共同决定的一个新先验就是分层先验。分层贝叶斯模型就是在原先的贝叶斯模型中的先验中加入分层先验信息。模型的核心思想就是对先验分布采取分层先验信息。

　　相比于线性混合模型，分层贝叶斯模型所需要的数据量较小，而且可以分析不同层面的影响。

　　在分层先验信息确定的情况下，使用MCMC方法(Markov Chain Monte Carlo)对高维积分模拟计算，其中广泛使用的是基于拒绝抽样的Metropolis-Hastings抽样算法和基于条件边缘分布抽样的Gibbs抽样算法两种。

　　这些数据属于一家提供信贷服务和贷款的法国金融公司针对台式机和笔记本电脑用户的广告活动。从2013年5月20日到2013年7月31日，横幅广告活动持续了72天，鼓励消费者访问广告商的网站，在那里他们可以评估自己的信用和贷款潜力。我们将用户的在线使用频率定义为他们在整个网络中浏览的天数，并将浏览宽度定义为他们每天访问的不同网站的数量。

　　结果表明，轻互联网用户(即人们浏览频率较低)反复暴露于广告,他们更容易厌倦,反过来,他们会选择消极应对那些广告。通过对数据进行分析，文章提出结论：

　　(1)在前人提出的“磨损(wearout)”之外还有“疲劳(weariness)”的存在，这种效应下的消费者如果看到更多的广告会产生负面的效果;

　　(2)根据模型的计算结果，消费者可以划分成5个类别，其中的第二类的消费者，大约占总数的24%，会产生这种“疲劳”效应;

　　(3)不同的媒体平台广告的效率有高有低，考虑到消费者对于广告反应的不同，通过适当的“描画与封顶(profiling and capping)”策略，可以给广告效果提高15%;

　　至此，本次Seminar文章研读完毕。

　　之后，龚璇和姚佳鑫分享了最近的研究进展，展示研究结果。针对研究中的问题，老师提出了一些建议，并且明确了进一步的研究计划。

　　至此，本学期第三次Seminar圆满结束。

　　文字/鄢敏锐

　　供图/鄢敏锐

　　审核/陈晶晶

　　网站编辑 / 王宇雨