分析の流れ

視聴率・広告到達率に対して影響を与えるクリエイティブの要素を洗い出し、変数化すること
変数に対して、その性質を基本統計量を算出することで明らかにすること
決定木分析によって、目的変数に影響を与える説明変数を見つけること。付随して、説明変数の粒度を調整すること
散布図による予備的分析によって、目的変数と説明変数の間に相関関係が存在するかを確認すること
相関関係が見られた変数間で回帰分析を実施することで、因果関係の特定、及びその影響値を算出すること
得られた結果の頑健性を確認するために、多重共線性・VIFのチェックを行うこと
得られた結果から意味合いを出した上で、広告主に対する提案をまとめること

変数作成

データセット

作成・使用しているデータセットを記載

df <- read_excel("dataframe.xlsx")
df <- df %>% mutate(brand = famous / total)
df <- df %>% mutate(watching.rate = impression / frequency)
pdf <- pdata.frame(df,index=c("id", "month"))
datatable(pdf)

変数一覧

作成した各変数の定義、算出方法、具体例を記載

	変数名	説明	根拠・出所	具体例
目的変数	\(watching.rate\)	視聴率	lookerから取得
	\(recognize.rate\)	広告到達率	\((「確かに観た」,「観た気がする」と回答した人数) / アンケート総数\)
プロダクト要素	\(brand\)	ブランド・商材の認知率を示す	\((アンケート総数-該当ブランドを知っていないと回答した人) / アンケート総数\)
クリエイティブ要素	\(package.second\)	商材画像、商材自体が広告内で表示された秒数	商材の画像がないと何の広告なのかを認識されないため(手打ち:広告素材)
	\(color.vivid\)	（仮）原色の使用、強調色の使用の際1をとるダミー変数	特徴的な色の使用がユーザーの目を惹いている可能性があるから（手打ち:広告素材）
	\(audio.d\)	音声が流れた場合1をとるダミー変数	聴覚への刺激が効果的であるかを検証するため（手打ち:広告素材）
	\(bunner.d\)	バナーを組み込んだ場合1をとるダミー変数	常に表示されていることで、チラチラ広告を観る人も商材を記憶しやすい可能性があるから（手打ち:広告素材）
	\(model.d\)	モデル(人,\(¬ イラスト・アニメ\))を起用した広告の際1をとるダミー変数	イラスト・アニメよりも、自分ごとに感じやすいから（手打ち:広告素材）
	\(second\)	広告素材の尺の長さ(s)	閲覧回数が増えることで記憶に残りやすいため（手打ち:広告素材）
	\(slideshow.d\)	静止画の繋ぎ合わせの際、1をとるダミー変数(\(←→ animation.d)\)	静止画の繋ぎ合わせ（スライドショー）に対して、安っぽさを感じるため（手打ち:広告素材）	`SISIパターンA,B`
	\(illustration.d\)	動画の繋ぎ合わせかつ、いずれかのシーンでイラストを使用した際1をとるダミー変数(\(⊂ animation.d\))	新鮮さを与えるため目を惹いている可能性があるから（手打ち:広告素材）	`クラシエ,hulu(edens zero)`
	\(scene.using.d\)	製品の使用シーンがある場合1をとるダミー変数	何の広告なのか認識され、かつ自分ごとに感じられるため（手打ち：広告素材）	`ナチューム,KINS`←→該当しない例：`SISI（パターンA）,HULU`
	\(search.word.d\)	広告内にて検索ワードが示されていた際に1をとるダミー変数	導線が示されているため、興味を抱いた際に記憶が残りやすいため（手打ち：広告素材）	`HALENA,panasonic`
	\(proper.noun.d\)	化粧品において、成分の固有名詞が示されていた際に1をとるダミー変数	効能の根拠を示すことで、安心感を与えるため（手打ち：広告素材）	`DHC,HALNENA`←→該当しない例：`KINS`
bellet側がコントロール	\(frequency\)	媒体にて広告が放映された回数	閲覧回数が増えることで記憶に残りやすいため（lookerから取得）
	\(behind.content.d\)	コンテンツ直後のロール位置の場合1をとるダミー変数	広告の次に流れるよりも、コンテンツの次に流れる方が新鮮な（ポジティブな）気持ちで閲覧しているため（手打ち:メディアロール）	該当しない例`5月_広告_COLORIS`

各変数の記述統計量

各変数の最大値、最小値、平均値、中央値などを記載

pdf %>%
  summarytools::descr(
    stats = c("n.valid","mean","sd","min","max"),
                      transpose = F,
    plain.ascii = FALSE,
    headings = FALSE)

Table continues below
	audio.d	behind.content.d	brand	bunner.d	famous	frequency	illustration.d
N.Valid	63.00	49.00	49.00	63.00	49.00	66.00	63.00
Mean	0.73	0.78	0.23	0.43	41.10	14919.14	0.10
Std.Dev	0.45	0.42	0.20	0.50	44.39	7033.89	0.30
Min	0.00	0.00	0.00	0.00	0.00	3272.00	0.00
Max	1.00	1.00	0.84	1.00	224.00	43975.00	1.00

Table continues below
	impression	model.d	proper.noun.d	recognize.rate	scene.using.d
N.Valid	66.00	66.00	60.00	49.00	60.00
Mean	7350.91	0.39	0.30	0.44	0.52
Std.Dev	3575.56	0.49	0.46	0.10	0.50
Min	1636.00	0.00	0.00	0.19	0.00
Max	21833.00	1.00	1.00	0.63	1.00

	search.word.d	second	slideshow.d	total	watching.rate
N.Valid	60.00	66.00	63.00	49.00	66.00
Mean	0.52	36.03	0.14	167.63	0.49
Std.Dev	0.50	32.34	0.35	47.99	0.02
Min	0.00	15.00	0.00	68.00	0.44
Max	1.00	180.00	1.00	266.00	0.53

print(dfSummary(pdf, valid.col = FALSE,
      graph.magnif = 0.75),
      max.tbl.height = 150, method = "render", headings = FALSE)

No

Variable

Stats / Values

Freqs (% of Valid)

Graph

Missing

1

ad [pseries, character]

1. 広告_hulu

2. 広告_COLORIS

3. 広告_Curel

4. 広告_dhc

5. 広告_dyson

6. 広告_HALENA

7. 広告_ine

8. 広告_Lenovo

9. 広告_Panasonic

10. 広告_refa

[ 14 others ]

6	(	9.1%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
33	(	50.0%	)

0 (0.0%)

2

id [pseries, factor]

1. 1
2. 2
3. 3
4. 4
5. 5
6. 6
7. 7
8. 8
9. 9
10. 10
[ 14 others ]

3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
3	(	4.5%	)
2	(	3.0%	)
3	(	4.5%	)
3	(	4.5%	)
6	(	9.1%	)
3	(	4.5%	)
3	(	4.5%	)
34	(	51.5%	)

0 (0.0%)

3

month [pseries, factor]

1. 4

2. 5

3. 6

4. 7

5. 8

6. 9

17	(	25.8%	)
17	(	25.8%	)
17	(	25.8%	)
4	(	6.1%	)
5	(	7.6%	)
6	(	9.1%	)

0 (0.0%)

4

watching.rate [pseries, numeric]

Mean (sd) : 0.5 (0)

min ≤ med ≤ max:

0.4 ≤ 0.5 ≤ 0.5

IQR (CV) : 0 (0)

66 distinct values

0 (0.0%)

5

recognize.rate [pseries, numeric]

Mean (sd) : 0.4 (0.1)

min ≤ med ≤ max:

0.2 ≤ 0.4 ≤ 0.6

IQR (CV) : 0.1 (0.2)

48 distinct values

17 (25.8%)

6

frequency [pseries, numeric]

Mean (sd) : 14919.1 (7033.9)

min ≤ med ≤ max:

3272 ≤ 13405 ≤ 43975

IQR (CV) : 6544.8 (0.5)

64 distinct values

0 (0.0%)

7

impression [pseries, numeric]

Mean (sd) : 7350.9 (3575.6)

min ≤ med ≤ max:

1636 ≤ 6155 ≤ 21833

IQR (CV) : 3050 (0.5)

66 distinct values

0 (0.0%)

8

famous [pseries, numeric]

Mean (sd) : 41.1 (44.4)

min ≤ med ≤ max:

0 ≤ 23 ≤ 224

IQR (CV) : 51 (1.1)

39 distinct values

17 (25.8%)

9

total [pseries, numeric]

Mean (sd) : 167.6 (48)

min ≤ med ≤ max:

68 ≤ 166 ≤ 266

IQR (CV) : 82 (0.3)

14 distinct values

17 (25.8%)

10

second [pseries, numeric]

Mean (sd) : 36 (32.3)

min ≤ med ≤ max:

15 ≤ 30 ≤ 180

IQR (CV) : 1.5 (0.9)

13 distinct values

0 (0.0%)

11

behind.content.d [pseries, numeric]

Min : 0

Mean : 0.8

Max : 1

0	:	11	(	22.4%	)
1	:	38	(	77.6%	)

17 (25.8%)

12

model.d [pseries, numeric]

Min : 0

Mean : 0.4

Max : 1

0	:	40	(	60.6%	)
1	:	26	(	39.4%	)

0 (0.0%)

13

illustration.d [pseries, numeric]

Min : 0

Mean : 0.1

Max : 1

0	:	57	(	90.5%	)
1	:	6	(	9.5%	)

3 (4.5%)

14

slideshow.d [pseries, numeric]

Min : 0

Mean : 0.1

Max : 1

0	:	54	(	85.7%	)
1	:	9	(	14.3%	)

3 (4.5%)

15

audio.d [pseries, numeric]

Min : 0

Mean : 0.7

Max : 1

0	:	17	(	27.0%	)
1	:	46	(	73.0%	)

3 (4.5%)

16

bunner.d [pseries, numeric]

Min : 0

Mean : 0.4

Max : 1

0	:	36	(	57.1%	)
1	:	27	(	42.9%	)

3 (4.5%)

17

scene.using.d [pseries, numeric]

Min : 0

Mean : 0.5

Max : 1

0	:	29	(	48.3%	)
1	:	31	(	51.7%	)

6 (9.1%)

18

search.word.d [pseries, numeric]

Min : 0

Mean : 0.5

Max : 1

0	:	29	(	48.3%	)
1	:	31	(	51.7%	)

6 (9.1%)

19

proper.noun.d [pseries, numeric]

Min : 0

Mean : 0.3

Max : 1

0	:	42	(	70.0%	)
1	:	18	(	30.0%	)

6 (9.1%)

20

brand [pseries, numeric]

Mean (sd) : 0.2 (0.2)

min ≤ med ≤ max:

0 ≤ 0.1 ≤ 0.8

IQR (CV) : 0.4 (0.9)

46 distinct values

17 (25.8%)

Generated by summarytools 1.0.0 (R version 4.0.5)
2021-10-22

統計分析::決定木分析

目的変数:`視聴率=watching.rate`

decision.tree1 <- rpart(watching.rate ~ . ,data=pdf[,c(-1:-3,-5:-9)]) 
decision.tree1 %>% summary()
plot(as.party(decision.tree1), tp_args=T)

目的変数:`広告到達率=recognize.rate`

decision.tree2 <- rpart(recognize.rate ~ . , data=pdf[,c(-1:-4,-7:-9)])
decision.tree2 %>% summary()
plot(as.party(decision.tree2), tp_args=T)

統計分析::回帰分析

視聴率と広告到達率の因果関係

予備的分析

そもそも因果推論すべきか判断するために、視聴率と広告到達率の相関関係をチェック

全体では負の相関関係が読み取れるので、因果推論すべきと判断

df %>% ggplot(aes(x=watching.rate ,y=recognize.rate)) +
  geom_point() +
  geom_smooth(method="lm")

回帰分析

因果関係を調べるため、y = 広告到達率,x = 視聴率として回帰分析
純粋に因果関係を調べるために、両変数に影響を与えていると考えられる（交絡因子の可能性がある）Brand=ブランド認知率を説明変数に加える
結果、視聴率は広告到達率に統計的にマイナスの影響、ブランド認知率はプラスの影響

reg1 <- feglm(recognize.rate ~ watching.rate + brand + month,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
huxreg(reg1)

	(1)
(Intercept)	3.995 *
	(1.590)
watching.rate	-9.430 **
	(3.552)
brand	1.341 ***
	(0.156)
month5	-0.043
	(0.148)
month7	0.111
	(0.212)
month8	0.202
	(0.208)
month9	0.043
	(0.213)
N	49
R2
logLik	-173.400
AIC	360.800
* p < 0.001; p < 0.01; * p < 0.05.

視聴率の規定要因

推計表

視聴率の規定要因を調べるため、y = 視聴率とした回帰分析を実施
説明変数同士の相関を避けるため、(1)は全ての変数を一つの推計式に入れたもの、(2)~(11)は一つずつクリエイティブ変数を入れたものを示した
パネルデータ分析のため、タイムシリーズとしてmonthを入れている

reg2 <- feglm(watching.rate ~  brand + month + second + behind.content.d + model.d + illustration.d + slideshow.d + audio.d + bunner.d + scene.using.d + search.word.d + proper.noun.d ,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.1 <- feglm(watching.rate ~  brand + month + second ,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.2 <- feglm(watching.rate ~  brand + month + behind.content.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.3 <- feglm(watching.rate ~  brand + month + model.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.4 <- feglm(watching.rate ~  brand + month + illustration.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.5 <- feglm(watching.rate ~  brand + month + slideshow.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.6 <- feglm(watching.rate ~  brand + month + audio.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.7 <- feglm(watching.rate ~  brand + month + bunner.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.8 <- feglm(watching.rate ~  brand + month + scene.using.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.9 <- feglm(watching.rate ~  brand + month + search.word.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
reg2.10 <- feglm(watching.rate ~  brand + month + proper.noun.d,
                    data=pdf,
                    weight = pdf$frequency,
                    family = binomial(link="logit"))
huxreg(reg2,reg2.1,reg2.2,reg2.3,reg2.4,reg2.5,reg2.6,reg2.7,reg2.8,reg2.9,reg2.10,
       error_format = "[{statistic}]",
       note         = "{stars}. T statistics in brackets.")

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)	(10)	(11)
(Intercept)	-0.183 ***	-0.188 ***	-0.217 ***	-0.206 ***	-0.209 ***	-0.207 ***	-0.209 ***	-0.205 ***	-0.191 ***	-0.190 ***	-0.190 ***
	[-10.343]	[-27.475]	[-30.349]	[-36.073]	[-34.055]	[-33.798]	[-35.021]	[-33.260]	[-26.594]	[-24.558]	[-26.748]
brand	-0.005	0.103 ***	0.105 ***	0.119 ***	0.114 ***	0.111 ***	0.115 ***	0.102 ***	0.042 *	0.047 *	0.044 *
	[-0.132]	[8.881]	[8.928]	[9.581]	[9.734]	[9.076]	[9.731]	[7.903]	[2.196]	[2.570]	[2.229]
month5	0.142 ***	0.152 ***	0.153 ***	0.153 ***	0.153 ***	0.153 ***	0.140 ***	0.158 ***	0.146 ***	0.147 ***	0.147 ***
	[5.915]	[24.305]	[24.367]	[24.407]	[23.570]	[23.562]	[7.893]	[22.716]	[21.954]	[22.199]	[21.955]
month7	0.190 ***	0.217 ***	0.215 ***	0.224 ***	0.218 ***	0.218 ***	0.204 ***	0.227 ***	0.204 ***	0.204 ***	0.202 ***
	[6.335]	[26.490]	[25.959]	[25.362]	[25.745]	[25.899]	[10.330]	[23.887]	[19.716]	[19.672]	[18.974]
month8	0.166 ***	0.206 ***	0.207 ***	0.217 ***	0.209 ***	0.208 ***	0.195 ***	0.217 ***	0.181 ***	0.182 ***	0.180 ***
	[5.674]	[25.552]	[25.623]	[23.380]	[24.980]	[25.228]	[10.068]	[23.404]	[18.904]	[18.905]	[18.100]
month9	0.176 ***	0.214 ***	0.215 ***	0.225 ***	0.217 ***	0.218 ***	0.203 ***	0.224 ***	0.197 ***	0.198 ***	0.197 ***
	[6.165]	[28.689]	[28.736]	[26.150]	[27.979]	[28.036]	[10.653]	[26.856]	[22.002]	[22.534]	[21.741]
second	-0.001 ***	-0.001 ***
	[-4.121]	[-4.968]
behind.content.d	0.018		0.015 *
	[1.825]		[2.379]
model.d	0.010			-0.012 *
	[0.872]			[-2.035]
illustration.d	-0.025				0.005
	[-1.519]				[0.474]
slideshow.d	0.001					-0.007
	[0.113]					[-0.961]
audio.d	0.002						0.013
	[0.101]						[0.755]
bunner.d	-0.002							-0.014 *
	[-0.209]							[-2.158]
scene.using.d	0.026 **								0.006
	[2.728]								[1.040]
search.word.d	0.006									0.001
	[0.643]									[0.142]
proper.noun.d	-0.005										0.003
	[-0.584]										[0.487]
N	42	49	49	49	47	47	47	47	44	44	44
R2
logLik	-238.881	-303.080	-313.976	-314.842	-302.820	-302.418	-302.621	-300.270	-273.063	-273.680	-273.554
AIC	509.761	620.160	641.951	643.684	619.639	618.836	619.242	614.541	560.126	561.360	561.108
* p < 0.001; p < 0.01; * p < 0.05. T statistics in brackets.

予測式の算出

\[ watching.rate_{i,t}= -0.047 + 0.026brand_{i,t} + 0.038month5_{i,t} + 0.054month7_{i,t} + 0.051month8_{i,t}+ 0.053month9_{i,t} - 0.0001second_{i,t}+ 0.004behind.content.d - 0.003model.d - 0.003bunner.d + 0.006scene.using.d \]

広告到達率の規定要因

推計表

視聴率の規定要因を調べるため、y = 広告到達率とした回帰分析を実施
説明変数同士の相関を避けるため、(1)は全ての変数を一つの推計式に入れたもの、(2)~(10)は一つずつクリエイティブ変数を入れたものを示した
パネルデータ分析のため、タイムシリーズとしてmonthを入れている

reg3 <- feglm(recognize.rate ~  brand + month + second + frequency + behind.content.d + model.d + illustration.d + slideshow.d + audio.d + bunner.d + scene.using.d + search.word.d + proper.noun.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.1 <- feglm(recognize.rate ~  brand + month + second + frequency + behind.content.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.2 <- feglm(recognize.rate ~  brand + month + second + frequency + model.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.3 <- feglm(recognize.rate ~  brand + month + second + frequency + illustration.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.4 <- feglm(recognize.rate ~  brand + month + second + frequency + slideshow.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.5 <- feglm(recognize.rate ~  brand + month + second + frequency + audio.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.6 <- feglm(recognize.rate ~  brand + month + second + frequency + bunner.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.7 <- feglm(recognize.rate ~  brand + month + second + frequency + scene.using.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.8 <- feglm(recognize.rate ~  brand + month + second + frequency + search.word.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
reg3.9 <- feglm(recognize.rate ~  brand + month + second + frequency + proper.noun.d ,
                    data=pdf,
                    weight = pdf$total,
                    family = binomial(link="logit"))
huxreg(reg3,reg3.1,reg3.2,reg3.3,reg3.4,reg3.5,reg3.6,reg3.7,reg3.8,reg3.9,
       error_format = "[{statistic}]",
       note         = "{stars}. T statistics in brackets.")

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)	(10)
(Intercept)	-0.705 ***	-0.511 ***	-0.531 ***	-0.524 ***	-0.486 ***	-0.508 ***	-0.517 ***	-0.713 ***	-0.656 ***	-0.650 ***
	[-3.388]	[-4.896]	[-5.497]	[-5.414]	[-4.825]	[-5.329]	[-5.380]	[-6.172]	[-6.106]	[-5.926]
brand	1.717 ***	1.141 ***	1.115 ***	1.141 ***	1.102 ***	1.120 ***	1.153 ***	1.331 ***	1.396 ***	1.375 ***
	[4.952]	[9.165]	[8.149]	[9.081]	[8.546]	[8.930]	[8.612]	[7.020]	[7.662]	[6.985]
month5	-0.342	-0.418 ***	-0.418 ***	-0.435 ***	-0.434 ***	-0.339	-0.451 ***	-0.407 ***	-0.396 ***	-0.399 ***
	[-1.238]	[-6.704]	[-6.689]	[-6.820]	[-6.802]	[-1.617]	[-6.435]	[-6.118]	[-5.983]	[-6.019]
month7	-0.189	-0.543 ***	-0.552 ***	-0.551 ***	-0.544 ***	-0.459	-0.587 ***	-0.401 **	-0.374 **	-0.391 **
	[-0.539]	[-4.939]	[-4.908]	[-4.942]	[-4.811]	[-1.913]	[-4.858]	[-3.195]	[-2.938]	[-3.119]
month8	-0.200	-0.418 ***	-0.424 ***	-0.418 ***	-0.422 ***	-0.330	-0.455 ***	-0.425 ***	-0.377 **	-0.386 **
	[-0.569]	[-4.199]	[-3.947]	[-4.121]	[-4.179]	[-1.417]	[-4.130]	[-3.465]	[-3.139]	[-3.242]
month9	-0.404	-0.576 ***	-0.584 ***	-0.579 ***	-0.573 ***	-0.490 *	-0.609 ***	-0.630 ***	-0.580 ***	-0.588 ***
	[-1.178]	[-5.806]	[-5.428]	[-5.706]	[-5.548]	[-2.108]	[-5.765]	[-5.267]	[-5.050]	[-5.118]
second	0.004 **	0.003 ***	0.003 ***	0.003 ***	0.003 ***	0.003 ***	0.003 ***	0.003 ***	0.003 ***	0.004 ***
	[2.952]	[3.739]	[3.654]	[4.132]	[3.972]	[4.104]	[4.066]	[4.023]	[4.127]	[4.452]
frequency	0.000	0.000 **	0.000 *	0.000 *	0.000 *	0.000 *	0.000 *	0.000 ***	0.000 **	0.000 **
	[1.563]	[2.680]	[2.545]	[2.538]	[2.334]	[2.556]	[2.557]	[3.319]	[2.583]	[2.777]
behind.content.d	-0.069	-0.036
	[-0.664]	[-0.540]
model.d	-0.083		0.016
	[-0.704]		[0.228]
illustration.d	0.246			0.075
	[1.517]			[0.809]
slideshow.d	-0.007				-0.067
	[-0.049]				[-0.738]
audio.d	-0.011					-0.102
	[-0.039]					[-0.484]
bunner.d	-0.052						0.037
	[-0.443]						[0.522]
scene.using.d	-0.025							0.084
	[-0.203]							[1.310]
search.word.d	0.051								0.037
	[0.455]								[0.602]
proper.noun.d	-0.017									0.021
	[-0.198]									[0.328]
N	42	49	49	47	47	47	47	44	44	44
R2
logLik	-134.997	-164.445	-164.562	-157.452	-157.482	-157.723	-157.665	-143.532	-144.372	-144.516
AIC	303.995	346.891	347.124	332.905	332.964	333.446	333.329	305.063	306.743	307.032
* p < 0.001; p < 0.01; * p < 0.05. T statistics in brackets.

予測式の算出

\[ recognize.rate_{i,t}=-0.1222+ 0.2725brand_{i,t}- 0.0999month5_{i,t}- 0.1298month7_{i,t}- 0.0981month8_{i,t}- 0.1356month9_{i,t}+ 0.0008second_{i,t}+ 0.000003frequency_{i,t} \]

広告主への提案

結果の整理・解釈

コントロール変数などで、解釈すべきではない結果はnullと表記

	統計的有意な変数	その読み取り	読み取りから言えること
視聴率に対して
	brand	ブランド認知率が高いほど視聴率は高くなる	null
	month	4月に比べて、どの月も視聴率は高くなっている	null
	second	秒数が長いほど視聴率は減少する	①長尺の動画は視聴率を減少させてしまう可能性②視聴率の定義では、放映時間の半分以上目を向けている必要があるため、検知されるハードルが高くなっている可能性、の2点が考えられる。
	behind.content.d	コンテンツの直後の位置のロールに広告が位置していた際、それ以外のロール位置よりも、視聴率が上がる	飽きていない状態が作られているため、視聴しようとする意欲が増していることが考えられる。
	model.d	広告に人を使うと、使っていない時よりも視聴率が下がる	人が映っていると「また広告か」、と認識されてしまうためうんざりされている可能性？
	bunner.d	バナーを使うと、使っていないバナーよりも視聴率は下がる	違和感があるので調査が必要
	scene.using.d	商材を使っているシーンを映すと、映していないシーンよりも視聴率は上がる	自分が利用しているイメージが浮かぶため、視聴されている可能性
広告到達率に対して
	brand	ブランド認知率が高いほど広告到達率は高くなる	null
	month	4月に比べて、どの月も広告到達率は高くなっている	null
	second	秒数が長いほど広告到達率は減少する	違和感があるので調査が必要
	frequency	放映回数が増えるほど広告到達率は上がる	単純接触効果のように、接触する回数が多いほど記憶に残りやすい可能性

クリエイティブ探索的検証ver3

@Tsubasa Kaneko

2021/10/22

分析の流れ

変数作成

データセット

変数一覧

各変数の記述統計量

統計分析::決定木分析

目的変数:`視聴率=watching.rate`

目的変数:`広告到達率=recognize.rate`

統計分析::回帰分析

視聴率と広告到達率の因果関係

予備的分析

回帰分析

視聴率の規定要因

推計表

予測式の算出

広告到達率の規定要因

推計表

予測式の算出

広告主への提案

結果の整理・解釈

参考資料

クリエイティブ探索的検証ver3

@Tsubasa Kaneko

2021/10/22

分析の流れ

変数作成

データセット

変数一覧

各変数の記述統計量

統計分析::決定木分析

目的変数:視聴率=watching.rate

目的変数:広告到達率=recognize.rate

統計分析::回帰分析

視聴率と広告到達率の因果関係

予備的分析

回帰分析

視聴率の規定要因

推計表

予測式の算出

広告到達率の規定要因

推計表

予測式の算出

広告主への提案

結果の整理・解釈

参考資料

目的変数:`視聴率=watching.rate`

目的変数:`広告到達率=recognize.rate`