Data mining approach for improving the performance of social media advertisements


Thumbnail Image

Files

master_Makkonen_Atte_2022.pdf (8.95 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2022-10-18

Department

Major/Subject

Information Networks

Mcode

SCI3047

Degree programme

Master’s Programme in Information Networks

Language

en

Pages

82 + 8

Series

Abstract

The costs of advertising on social media are rising as more brands use social media in their marketing. With data-driven decision-making, it is possible to achieve better advertising results and use advertising costs more efficiently. Different advertisements have different purposes, which is why social media platforms offer an option to choose between many parameters that affect the performance of advertisements. The marketer might find it hard to understand which parameters are performing the best for advertisements as social media platforms have many parameters to choose from. As the advertisement campaign ends, social media platforms offer lots of data from the campaign. Often, this data are not used after the campaign has ended; therefore, no learning from successes or failures is gathered. Though, there is much potential in paid social media data, as it is possible to predict future results by analysing past data. This research aims to figure out through quantitative means what is performing in social media advertising. The aim is also to determine how paid social media data can be used to gather better future advertising results. This is done through statistical outlooks into the paid social media data and a series of linear regression models. The data analyses are performed using paid social media data from TikTok and Meta’s platforms. The best-performing parameters for advertisements depend on which efficiency metric is followed. This research gives recommendations on which parameters are recommended to choose so that advertisements would perform as well as possible. In addition, the paid social media data fits well for data-driven decision-making, and different data analytic methods are recommended for social media advertising.

Mainostamisen kustannukset sosiaalisessa mediassa kasvavat, kun yhä useampi brändi pyrkii käyttämään sosiaalista mediaa markkinoinnissaan. Data-vetoisella päätöksen- teolla on kuitenkin mahdollista saada parempia tuloksia ja siten käyttää mainonnan kustannukset tehokkaammin. Sosiaalisen median alustat antavat mainostajalle paljon vaihtoehtoja räätälöidä erilaisia tavoitteita eri mainoksille. Mainostajan saattaa olla kuitenkin vaikea ymmärtää mitkä parametrit tuottavat parhaat tulokset mainoksille, koska valittavia parametrejä on paljon. Kun mainoskampanja päättyy, sosiaalisen median alustat tarjoavat mainoksista paljon dataa. Monesti tätä dataa ei käytetä mainoksen päättymisen jälkeen, eikä oppimista menneistä onnistumisista tai virheistä synny. Tässä maksetun median datassa on kuitenkin paljon potentiaalia, sillä aikaisempia mainoksia analysoimalla on mahdollista ennustaa, mikä tulee toimiaan jatkossa. Tämä tutkimus pyrkii kvantitatiivisin keinoin selvittämään, mikä toimii sosiaali- sen median mainonnassa. Tavoitteena on myös selvittää, miten maksetun sosiaalisen median dataa voidaan käyttää hyödyksi, jotta maksetun sosiaalisen median mainoksien tulokset paranisivat jatkossa. Tutkimus toteutetaan tilastollisilla katsauksilla dataan sekä lineaarisilla regressiomalleilla. Data-analyysi on toteutettu käyttämällä maksetun sosiaalisen median dataa TikTokista ja Metan eri alustoilta. Parhaiten toimivat parametrit mainoksia luodessa riippuvat hyvin pitkälti mitä mainoksen tehokkuutta havainnollistavaa metriikkaa seurataan. Työ antaa suosituksia, mitä parametreja on suosiollista valita, jotta mainokset menestyisivät mahdollisimman hyvin. Maksetun sosiaalisen median data soveltuu hyvin datavetoiseen päätöksentekoon ja data-analytiikkaa suositellaan käytettäväksi apuna sosiaalisen median mainonnassa.

Description

Supervisor

Seppälä, Timo

Thesis advisor

Lähdevuori, Jari

Keywords

social media marketing, paid media, data mining, data-driven decision-making, DDDM, multivariate linear regression

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202210236171

Collections

[dipl] Perustieteiden korkeakoulu / SCI