公开营销数据分析。
无法按地域定向： 创作者内容，以及任何按兴趣而非按市场触达人群的营销活动。没有一个“没投放的地区”可供比较，所以我们用历史数据来构建比较。
选取一个公开结果
品牌在 Google 上的搜索量，以及在亚马逊上销售的品牌的销售排名。两者都是公开数据，都能反映人们看了内容之后的实际行动。
建立对照组
因与营销活动无关的原因而与品牌同步变化的趋势：品类需求、季节性、竞品。
预测没有这次营销活动的世界
用发布前几周的数据拟合模型，向前预测，然后比较。差距就是增量。
反事实优势：我们构建出营销活动从未发生的那个版本，再测量两者的差距，以分离出仅由这次营销活动带来的增量。
我们的方法能测出一次创作者营销活动真正带来的增量，即使活动已经结束，也不需要对照组或广告平台数据。每个增量数字，都是在把发生了的事和没有发生的事做比较。大多数测量方法从对照组获得这种比较：一部分受众或一组市场被排除在活动之外，而这必须在活动开始前就设计好。
创作者营销几乎从不允许这样做。通常等到有人问效果如何时，活动早已结束；而且创作者的受众是按兴趣而不是按地理分布的。所以我们用历史数据来构建比较。
想分析您自己的营销活动吗？
我们只需要您提供一样东西：发布日期。
结果是公开的，对照趋势是公开的，模型中不使用任何广告平台指标。
分析引擎 →
估计方法是贝叶斯结构时间序列模型，依据 Brodersen 等人（2015）的研究，通过 Google 开源的 CausalImpact 软件包实现。状态设定包括局部水平成分、周季节性，以及对供体池的回归。我们在设定好的前期数据上拟合模型，预测后期，并报告差值的后验分布。结果是一个带可信区间的点估计，而不是单一数字。
每项分析都附带完整的模型设定，包括供体池、前期长度和状态成分，以及我们同时运行的每一个替代版本。
可用中文沟通
十二个品牌，用公开数据分析，不公开品牌名称。
由 Seurat Analytics 独立测量。没有任何数据来自广告主或广告平台。
我们从一个品牌、一个问题开始。每一步都在检验，答案在新的数据或不同的品牌激活场景下是否依然成立。
第 1 步 · 起点：一个品牌和 Google 搜索
一个直面消费者的服装品牌，在 2024 年 6 月至 2026 年 8 月间，通过 5 个渠道做了 46 次付费创作者植入。其中 19 次在之前 3 周内没有任何其他付费品牌投放，因此基线没有受到干扰。这 19 次构成了我们最初的分析，并带来了第一个发现：只要投放量足够，创作者内容营销就能显著带动品牌搜索。
第 2 步 · 接着我们检验人们是否购买
搜索反映兴趣，亚马逊反映购买：它按近期销量为每个品类中的每件商品排名，而这份历史是公开的。我们对在亚马逊销售的 12 个品牌做了同样的分析，从耳机、化妆品到橄榄油和手机充电器，用每个品牌自身的历史、竞品、价格和优惠券来预测它的排名。
我们根据人们搜索每个品牌的频率，为它设定一个播放量目标。服装品牌的目标是每个视频 140 万次播放。一个被搜索频率只有它四分之一的品牌，只需要四分之一的播放量，约 35 万次。背后的规则是：品牌名称每月在 Google 上每被搜索一次，约对应 4.4 次播放。任何搜索营销专员都能查到一个品牌的月搜索量。
- 达到播放量目标的视频，让销售排名的中位数提升 9.3%（平均 12.7%），显著高于无视频日期（p = 0.006）。
- 低于目标时，没有检测到增量。这些视频的表现与无视频日期相同。
- 最初的目标来自服装品牌，在其他品牌上同样成立。在另外 10 个品牌中，增量也从同一个点开始出现：高于目标 +11.1%，低于目标 -2.6%（统计显著，p = 0.012）。
我们如何核查 →
亚马逊促销周（Prime Day、Prime Big Deal Days、Big Spring Sale、黑色星期五到圣诞节）和商品页变更（商品页合并、新品上市、新的排名类目、排名的持久性水平变化），都会因与视频无关的原因影响排名。主分析在有视频和无视频的日期上都剔除了这些因素。
- 只把每个品牌的视频与该品牌自己的无视频日期比较：p = 0.002。
- 每个品牌每月只保留一次分析，避免重叠的视频被重复计算：p = 0.003。
第 3 步 · 从排名到销量
排名提升是好消息，但品牌看的是销量，所以我们把排名换算成件数。
排名只是位置
排名提升 10%，不等于销量增加 10%：销量的增长比排名的提升慢，二者沿着一条曲线变化。我们就是用这条曲线把排名换算成销量。
亚马逊的标签给出数字
在 1,759 个“商品月”的“过去一个月购买量”标签数据中，排名每提升 1%，销量约增加 0.54%。
2 周内的销量
用每个商品页的月销量，乘以经该曲线换算后的增量，计算 14 天的结果。金额按当天价格计算，未扣除平台费用。
服装品牌的增量按百分比很大，按件数却很小：它主要在自己的官网销售，而公开数据覆盖不到那里。
第 4 步 · 两个记分牌，一个答案
对其中大多数品牌来说，每日搜索量是噪声很大的信号，因为每个品牌只占其品类搜索量的一小部分。但和亚马逊数据放在一起看，两者指向同一个方向。
- 31% 的大视频（26 个中的 8 个）让亚马逊排名和 Google 搜索量都提升了 5% 以上，而无视频日期只有 9%（46 个中的 4 个）。这一差异在统计上显著（p = 0.02）。
- 最大的双重命中：服装品牌一个 370 万播放的视频，亚马逊排名提升 46%，搜索量提升 31%。
设计上即独立
- 发布日期和播放量公开
- 品牌搜索需求公开
- 亚马逊销售排名、价格和优惠券历史公开
- 广告平台指标不使用
- 广告主自有数据不索取
对媒介采购的启示
创作者营销有效，但前提是投放量足够。在搜索和亚马逊上，低于门槛的视频没有显著增量，高于门槛的则有。所以请集中您的媒介采购：少而大的植入，效果胜过多而小的植入；把预算分散到小型植入上，可能导致投放毫无起色。请按品牌规模设定播放量目标来规划：大品牌每个视频约 140 万次播放，中型品牌约 35 万次，小品牌约 7 万次。
为什么不公开品牌名称
这些分析是在没有任何人委托的情况下完成的。测量一家公司是一回事，公开点名一家从未要求被测量的公司是另一回事。没有品牌名称，这些具体数字无法复现，但这个方法适用于任何品牌，而针对您品牌的分析可以从头到尾接受核查。
Seurat 的方法与其他方法的比较。
比较对象，包括我们不如别人的地方。
| 因果识别 | 数据来源 | 付费方 | 因果识别 | 旨在回答 |
|---|---|---|---|---|
| 广告平台增量研究 | 广告平台 | 广告主付费，由广告平台执行 | 随机对照组。可靠。 | 曝光是否改变了该广告平台内的调研指标？ |
| 第三方广告服务器 | 广告服务器像素 | 广告主或媒体 | 随机对照组和合成控制。可靠。 | 广告是否带来了被追踪的转化？ |
| 地域实验平台 | 广告主自有系统，加上广告平台 API | 广告主 | 地域随机化。在适用时可靠。 | 广告主应如何在各渠道间分配投入？ |
| 消费者样本组公司 | 自有样本组 | 广告主 | 样本组和媒介组合模型。视情况而定。 | 创作者营销活动是否带动了门店销售？ |
| 网红营销平台 | 社交平台和广告平台 API，加上它们自己的工具 | 广告主 | 互动报告和归因。不是因果分析。 | 按报告指标，哪些创作者表现更好？ |
| Seurat Channel Read | 公开数据，或按公开设定使用零售商销售数据。您只需提供一个日期。 | 媒体销售方。固定费用，不取决于结果。 | 观察性反事实，并公布证伪检验。我们承认它弱于随机化。 | 是否有一个媒介策划人可以为之辩护的独立数字？ |
当您无法做实验、拿不到全部数据，或者想要确凿的因果效果证明时，Seurat Analytics 就是答案。
上面的其他所有方法，都需要从与结果有利害关系的一方获得某样东西：广告平台数据、像素权限、广告主的媒介系统或私有样本组。我们的方法只需要一个开始日期。
可以回溯
它可以分析已经结束的营销活动。没有事先设置的对照组，事后无法补救。
无法被操纵
结果和对照都是公开的，我们运行的每个版本都和呈现的版本并列展示。
可以核查
任何拿到模型设定的人，都可以重新运行一次公开分析，看能否得到我们的数字。使用客户自有数据的分析会保密，而您能看到我们运行的每一个版本。
何时选择 Seurat Analytics
坦白说：如果您能事先设计随机对照组，我们建议您这样做。它比我们的方法更能准确识别效果。当营销活动已经结束，或者交易之外的人需要一个来自无利害关系方的数字时，请使用我们的方法。
可用中文沟通
您在门店、加油区或自有网站销售零售媒体吗？这类曝光按门店划分，所以需要另一种分析：可比门店分析EN。
我们主动运行旨在推翻自己结论的检验。
这是观察性设计，而不是随机实验；观察性方法给出的答案，曾被后来的随机试验推翻。所以每项分析都附带 3 项试图推翻它的检验。在公开研究中，无论结果如何都会公布；在您的项目中，您会第一个看到结果。
什么都没发生时，它会发现效果吗？
不应该。未通过检验的分析不会交付。
详情 →
我们在没有营销活动的日期上运行同一个模型。它不应该发现任何东西。如果发现了，那么真实活动日期上的任何结果都毫无价值。
在不可能受影响的趋势上，它会发现效果吗？
也不应该。这是该方法最依赖的假设。
详情 →
我们在不可能受到曝光影响的对照趋势上运行模型。如果那里出现增量，说明模型捕捉到的是整个品类层面的变化。
效果会随营销活动规模增长吗？
会。见第 2 步：只有视频达到播放量目标时才出现增量。
详情 →
巧合很少呈现出梯度。另一种解释必须追踪每次发布的规模和时间，而缓慢变化的混杂因素无法产生一个陡峭的门槛。
这个设计能检测到什么
每次分析之前，我们都会计算检测下限：在给定的触达、结果中的噪声和前期长度下，这个设计能与噪声区分开的最小效果。这样一来，零结果只意味着 2 种情况之一，我们会告诉您是哪一种：营销活动没有效果，或者效果小于设计能看到的程度。
没有显著增量的分析，是一项保密的发现。
每个结果您都会第一个看到，未经您的批准，任何内容都不会公开。费用在分析之前就已确定，不会因我们的发现而改变。
我们对透明分析方法的承诺
四件事，每一件您都可以核查。
发布日期、播放量、品牌搜索量和亚马逊销售排名都是公开的。我们不使用任何广告平台指标或广告主数据，所以没有人能撤回数据权限或左右分析。
它不是按测得增量的百分比收取，也不取决于正面结果。随答案变化的费用，等于已经买下了答案。
我们指明主模型设定，并同时运行合理的替代版本。区间放在标题里，每个版本放在附录中，任何有利的微调都无处可藏。
包括任何预计会不同意结果的人。
可用中文沟通