近日，武汉大学经济与管理学院黄敏学教授团队在全球商学院顶刊Journal of Marketing（UTD24）上发表题为Tales of Two Channels: Digital Advertising Performance Between AI Recommendation and User Subscription Channels（《智能推荐还是用户订阅？社交广告秘诀解锁！》）的论文。
皮皮侠相关数据：
上市公司广告推广费用数据（见前文）
【摘要】尽管信息流广告在主流平台上很受欢迎，但对其的学术研究是有限的。平台通常通过两种方式推送内容：用户订阅或智能推荐。然而，人们对这两个渠道之间的广告效果知之甚少。该研究考察了订阅渠道和推荐渠道之间信息流广告在点击率 （CTR） 和转化率 （CR） 方面的表现有何不同，以及这些影响是否由广告侵入性介导并由广告属性调节。该研究关注两个广告属性：广告吸引力（信息性与情感性）和广告链接（直接与间接）。研究 1 发现，与订阅渠道相比，推荐渠道产生的点击率更高，但转化率更低，这些信息性广告吸引力和直接广告链接放大了这些效果。研究 2 探讨了渠道差异，揭示了推荐渠道产生的来源可信度和内容控制较少，从而降低了消费者对有机内容的参与度。研究 3 和 4 验证了广告侵入性的中介作用，并排除了广告识别作为替代解释的可能性。研究 5 使用眼动追踪技术表明，推荐渠道的内容参与度较低，广告侵入性较低，广告兴趣较高。
【关键词】信息流广告、数字广告、原生广告、订阅、人工智能、推荐、点击率、转化率
一、文章概览
信息流广告是一种日益增长的原生广告形式。原生广告指的是赞助内容（如付费搜索和软文内容）与周围有机内容相仿的广告类型。信息流广告（也简称为信息流）在自然的信息流中无缝出现，通过匹配其格式和美学来看起来像自然内容，并且被披露为赞助或推广内容。通过模仿有机内容，信息流广告可以采取多种形式，如文本、图片或视频。信息流广告已在主流平台上变得越来越流行，包括新闻平台和社交媒体平台。在 2018 年，信息流广告占到了美国数字展示广告支出的 58.3%。
尽管信息流广告在平台上的显著性日益增加，但这一领域的学术研究却出人意料地有限。平台通常通过两种方法传递有机内容。首先，它们传统上允许消费者订阅感兴趣的主题（TechXplore 2018）。其次，随着人工智能的进步，然而，许多平台现在使用AI算法根据消费者的数字档案和行为推荐有机内容（Puntoni等人，2021）。
在这两个渠道中传递有机内容的不同方法为信息流广告提供了不同的背景环境。然而，关于这些新的推荐渠道与传统订阅渠道之间信息流广告性能的研究却知之甚少。信息流广告必须无缝地融入有机内容流中（Campbell 和 Marks 2015），因此其有效性取决于广告的属性（Bruce 等人 2017）以及广告的放置位置（Liu-Thompkins 2019）。因此，该团队的目标是检验渠道如何影响广告效果，以及广告属性是否调节这些效应。此外，订阅和推荐渠道可能会以不同的方式影响消费者与有机内容的参与度，从而导致不同的广告响应。因此，该团队评估两个广告性能指标：点击率（CTR），即点击与曝光的比率；转化率（CR），即购买与点击的比率（Ghose 和 Yang 2009）。研究表明，这两个指标是公司用来评估广告效果的关键指标（Xu 等人 2014）；CTR 衡量广告在目标受众中产生的参与度；更多的点击表明了更大的兴趣和更多的流量；而 CR 衡量广告在实现其最终目标——产生收入或潜在客户方面的有效性。该团队的研究旨在回答三个问题：信息流广告（CTR/CR）在订阅渠道和推荐渠道之间的性能如何不同？这些渠道效应是否取决于广告属性？以及这些渠道效应背后的中介机制是什么？
该团队考虑两个核心的广告属性，它们构成了一个数字广告。广告吸引力描述了广告的主要内容，可以是信息性的（关注产品事实信息）或情感性的（通过微妙的感觉强调产品体验；Bruce等人，2017）。广告链接引导消费者采取行动，可以是直接的（例如，“立即购买”）或间接的（例如，“点击查看更多信息”）。该团队提出，有机内容的传递方式——无论是通过订阅还是推荐渠道——影响消费者如何与有机内容互动（例如，高参与度与低参与度；Petty等人，1983），这进而影响他们对信息流广告的感知侵入性，最终影响他们的点击和购买意图。因此，该团队假设广告侵入性在渠道对CTR/CR影响中起到中介作用。此外，研究表明，与上下文一致的广告信息可以减少广告侵入性；因此，该团队提出，广告属性可以通过减少广告侵入性来调节渠道对广告性能的影响（Liu-Thompkins，2019）。
该团队进行了一项大规模的实地实验（研究1）、三项实验室实验（研究2、3和4）以及一项眼动追踪实验（研究5）。研究1表明，推荐渠道的点击率（CTR）高出20.08%，但转化率（CR）低15.63%，这种效应由于信息性（相对于情感性）广告吸引力和直接（相对于间接）广告链接而被放大。研究2发现，推荐（相对于订阅）渠道的来源可信度和内容控制度较低，导致内容参与度降低。将焦点转移到信息流广告上，研究3通过显示推荐（相对于订阅）渠道的消费者报告较低的广告侵入性，因此更有可能点击广告，从而确认了中介机制。而研究4通过显示两种渠道之间消费者识别广告能力没有差异，排除了另一种解释。利用眼动追踪技术，研究5确认了推荐渠道中内容参与度较低、广告侵入性较低以及广告兴趣较高。
推荐渠道凭借人工智能强大的监听和预测能力，代表了一种新兴的平台趋势（Dickson 2019）。然而，平台可能对消费者如何对推荐渠道中信息流广告的反应没有清晰的了解（Puntoni 等人，2021）。该团队的发现回答了三个重要的管理问题。首先，在解决哪个渠道的广告性能更好时，该团队展示了推荐渠道在转化销售方面表现不如订阅渠道（转化率低15.63%），但在引发点击方面表现出色（点击率高20.08%）。其次，为了理解在每个渠道中广告应该如何设计，该团队展示了两个核心广告属性的重要性；对于推荐渠道，信息性广告与直接链接的广告在点击率上增长最大（+31.13%），而在转化率上的下降也最大（-25.55%）；而情感性广告与间接链接的广告在点击率上的下降最大（-20.63%），而在转化率上的增长最大（+74.19%）。第三，该团队进行模拟，为信息流广告提供最优的广告策略，以在这两条渠道上最大化点击率和转化率。为了最大化点击率，广告商应该对订阅（1.34%）和推荐（1.41%）渠道都使用情感性广告与间接链接。相反，为了最大化转化率，他们应该对订阅渠道使用信息性广告与间接链接（3.85%），对推荐渠道使用情感性广告与间接链接（3.94%）。最后，为了优化整体效率（转化率/曝光量），他们应该考虑在推荐渠道使用情感性广告与间接链接（0.056%），比订阅渠道增长40%（0.040%）。
接下来本文将详细介绍该研究中的study1的实验设计与结果。
二、实验设计
一家位于中国的在线视频游戏公司成立于1997年。2018年1月，该公司推出了一款新的手机视频游戏，并在微博上对这款游戏进行了广告宣传。实地实验（即受控的广告活动）持续了90天（从2018年2月2日到5月2日），重点关注居住在广东省的客户。在活动开始之前，该团队与公司合作，由第三方广告代理机构为这款新视频游戏选择了297个预先设计的广告（即图像和文本）。每个广告都包含大约15个字符的文本和一张图片。这297个广告包括两种类型的广告（广告吸引力）：信息性（55.6%）和情感性（44.4%）。信息性广告提供了游戏的事实性特点（例如，“一部具有电影般视觉效果的AAA级杰作”；Braun 和 Moe 2013）。情感性广告强调微妙的感觉和情感（例如，“在一个沉浸式和激动人心的剑客世界中体验欢乐与仇恨”）。
随后，该公司将297个广告随机分配到两个渠道（推荐与订阅）以及两种类型的广告链接（直接与间接），创建了一个2×2×2的实验设计。所有广告都是嵌入在有机信息流中的信息流广告。与其它平台类似，广告的展示是由广告商和微博共同决定的：广告商确定广告特性和目标受众（包括推广的渠道），而微博的算法决定何时展示广告。所有注册用户都有一个独特的ID；因此，该团队可以追踪他们的活动以及他们的个人特征。
该团队随机为每个广告分配了一个直接链接或一个间接链接。对于直接链接，超链接嵌入在“点击下载”这个选项下；点击的消费者被引导到应用商店中的游戏应用。对于间接链接，超链接嵌入在“点击查看更多信息”这个短语下；点击的消费者被引导到广告商的介绍页面，该页面提供了更多的游戏信息和一个指向应用商店的“下载”按钮。在实验之前，公司主要依赖直接链接，因此出于实际考虑，该团队为大多数广告（68%）分配了直接链接。
该团队将每个广告分配到推荐渠道（50.8%）或订阅渠道（49.2%）。推荐渠道中的广告只出现在“为你推荐”标签页中；订阅渠道中的广告只出现在“关注”标签页中。该团队将广告分配到四种条件中：101个广告（54个信息性）在订阅/直接条件下，45个广告（28个信息性）在订阅/间接条件下，100个广告（52个信息性）在推荐/直接条件下，以及51个广告（31个信息性）在推荐/间接条件下。
在研究期间，广告活动每天产生了大约12,000个广告聚合，涉及超过3亿次展示、1000万次点击和近10万次下载（转化）。在所有日常广告观察中，有23.59%的广告没有获得点击；在那些至少获得一次点击的广告中，有59.93%的观察没有获得转化。该团队在图3中绘制了随时间变化的平均展示次数、点击次数和转化次数，该图显示随着活动进行，广告的有效性逐渐减弱，并解释了展示次数、点击次数和转化次数的大幅度变化。
在实验期间，广东省的这家广告商仅使用微博作为其广告平台。微博也是该地区主要的社交媒体平台之一；因此，研究人群应该能够代表普通大众。
三、模型设计
该团队的分析单位是日度广告。该团队使用直接从每日广告展示中生成的三个变量来评估点击率和转化率：
。在时间t在平台上发布广告i后，Clickit从Impressionit生成，其中0≤Clickit≤Impressionit，0<Impressionit。Clickit 包括 Convit（每日转化）。此外，该团队将点击的概率表示为pit，将应用下载（转化）的概率表示为qit。在该团队的模型中，每个消费者都面临两个决定：是否点击信息流广告，以及是否在点击广告后进行转化（例如，下载应用程序）。因此，对于信息流广告的展示，该团队有三种类型的观察结果：（1）同时导致点击和转化的展示，Convit，概率为pij*qit;（2） 导致点击但不转化的展示，Convit − Clickit，概率 pij *（1 − qit）;（3）既没有点击也没有转化的展示，Impressionit − Clickit，概率为1 − pij。
模型的识别依赖于解释变量的外生性。具体来说，该团队随机分配了信息流渠道和广告链接以确保它们的外生性。此外，尽管第三个关键解释变量——广告吸引力在广告活动之前就已经确定，由于该团队没有引入任何新广告，并且在时间窗口期间保持了所选广告的所有属性不变，因此广告吸引力应该也是CTR和CR的外生变量。总之，在初始阶段，所有关键解释变量都是外生的，这样该团队的模型就可以清晰地被识别。
另一个关注的问题是消费者选择偏差。也就是说，尽管该团队将广告随机分配到了两个信息流渠道中，但消费者可能会自行选择进入其中一个。为了解决这个问题，该团队对两个渠道中消费者观察到的特征进行了另一项随机化检查，包括所有消费者级别的协变量。具体来说，该团队收集了会员身份（Membership）、消费者的身份是否已验证（Verification）、消费者成为微博用户的时间（Tenure）、注册性别（Gender）、消费者关注的用户数量（Subscribers）、关注消费者的用户数量（Followers）以及消费者撰写的帖子数量（Posts）。该团队发现两个渠道之间在消费者异质性方面没有显著差异。然而，尽管如此，不可观察的自我选择偏差可能仍然是一个问题。
四、实验结果
分析结果如下图所示。据前文，可以知道
首先，该团队验证了广告选择过程的纠正。CPMt-1的显著系数（γ1 = -0.251, p < .01）确认CPMt-1是有效的工具变量。其次，该团队评估了信息流渠道（模型1）的主要效应，并为H1a和H1b都找到了支持。与订阅渠道相比，推荐渠道的CTR更高，CR更低（β1 = -0.170, p < .01）（α1 = 0.183, p < .01）。当该团队使用赔率比（即exp(β) - 1）时，这些结果显示出实际意义：当将广告从订阅渠道移动到推荐渠道时，广告商应该预期CTR增加20.08%，CR减少15.63%。
第三，模型2确认了广告吸引力对H2a和H2b的调节效应。Recommend × Information交互项的估计系数表明，信息性（与情感性）广告吸引力增强了推荐渠道对CTR的正面效应（α4 =0 .137, p < .01）和对CR的负面效应（β4 = -0.226, p < .01）。也就是说，当将信息性（情感性）广告从订阅渠道移动到推荐渠道时，广告商应该预期CTR增加17.00%（增加2.02%），CR减少9.15%（增加13.88%）。
第四，模型2也确认了广告链接对H3a和H3b的调节效应。推荐和直接之间的交互作用表明，直接（与间接相比）链接加强了推荐渠道对CTR的正面效应（α5 = 0.114, p < .01）和对CR的负面效应（β5 = -0.199, p < .01）。实际上，当将具有直接（间接）链接的广告从订阅渠道移动到推荐渠道时，广告商应该预期CTR减少14.34%（增加2.02%），CR减少6.67%（增加13.88%）。
最后，作为稳健性检验，该团队使用第一周的数据进一步考虑由于广告下架可能导致的广告选择偏差。如前所述，该活动在第一周没有下架任何广告，因此使用该周的数据得出的结果应该没有广告选择偏差。使用第一周的数据（2,079个广告-天观察），该团队估计了一个二元嵌套选择模型（即该团队假设方程1-4和误差项具有相关性，协方差为𝜌）。结果（见表2中的模型3）与主要分析一致，这表明该团队的发现在更严格的选择偏差控制下具有稳健性。
五、文章贡献
该团队的研究为三个文献领域做出了贡献。首先，该团队通过检验信息流广告扩展了对原生广告的研究。该团队的研究偏离了文献对披露负面影响的主要关注，提供了订阅和推荐渠道对信息流广告性能影响的见解，以及广告侵入性的中介机制和广告属性的调节作用。该团队的发现与关于原生广告效果的两项研究一致，但也对其进行了扩展：Aribarg 和 Schwartz（2020）发现原生广告的点击率（CTR）高于展示广告，但没有考虑渠道的作用；Wang, Xiong, 和 Yan（2019）认为原生广告的序列位置对CTR和转化率（CR）有不同的影响。该团队不仅确认了CTR和CR之间的权衡，而且还更深入地探讨了如何通过适当的广告设计影响这些效果。
其次，该团队的研究补充了当前关于新闻/社交媒体平台的研究。大多数研究关注新闻聚合器与内容提供者的互动（Chiou 和 Tucker 2017）。该团队采取了不同的角度，检验了两个主要平台使用的不同渠道如何导致观众对有机内容和赞助内容（即信息流广告）的不同反应——尽管订阅和推荐渠道共存的普遍性，但在学术研究中却鲜有研究。与订阅渠道相比，推荐渠道在来源可信度和内容控制方面得分较低，导致用户对有机内容的参与度低，这进一步降低了信息流广告的感知侵入性。该团队在研究2中实证验证了这些渠道差异，这为理解信息流渠道对广告反应的影响提供了宝贵的见解。
第三，该团队的研究还通过检验两个核心广告属性（Liu-Thompkins 2019）的调节作用，为数字广告文献提供了可行的见解。尽管广告吸引力已经吸引了一些学术关注（主要在展示广告背景下；Bruce 等人，2017），但广告链接的研究还不够充分（Muk 2013）。此外，大多数研究关注广告属性的直接影响（Trendel 等人，2018），而该团队检验了它们的调节效应。该团队发现，信息性广告吸引力和直接链接加强了推荐渠道对CTR的正面效应和对CR的负面效应。这些细微差别表明了将广告属性与渠道匹配以优化广告效果的重要性。
