Panduan Praktis Untuk Atribusi Multi-Touch

Perjalanan pelanggan melibatkan banyak interaksi antara pelanggan dan pedagang atau penyedia layanan.

Kami menyebut setiap interaksi dalam perjalanan pelanggan sebagai titik sentuh.

Menurut Salesforce.com, rata-rata dibutuhkan enam hingga delapan sentuhan untuk menghasilkan keunggulan di ruang B2B.

Jumlah poin kontak bahkan lebih tinggi untuk pembelian pelanggan.

Atribusi multi-sentuh adalah mekanisme untuk mengevaluasi setiap kontribusi titik sentuh terhadap konversi dan memberikan kredit yang sesuai untuk setiap titik sentuh yang terlibat dalam perjalanan pelanggan.

Melakukan analisis atribusi multi-sentuh dapat membantu pemasar memahami perjalanan pelanggan dan mengidentifikasi peluang untuk lebih mengoptimalkan jalur konversi.

Dalam artikel ini, Anda akan mempelajari dasar-dasar atribusi multi-sentuh, dan langkah-langkah melakukan analisis atribusi multi-sentuh dengan alat yang mudah diakses.

Yang Perlu Dipertimbangkan Sebelum Melakukan Analisis Atribusi Multi-Touch

Tentukan Tujuan Bisnis

Apa yang ingin Anda capai dari analisis atribusi multi-sentuh?

Apakah Anda ingin mengevaluasi laba atas investasi (ROI) saluran pemasaran tertentu, memahami perjalanan pelanggan Anda, atau mengidentifikasi halaman penting di situs web Anda untuk pengujian A/B?

Tujuan bisnis yang berbeda mungkin memerlukan pendekatan analisis atribusi yang berbeda.

Menentukan apa yang ingin Anda capai sejak awal membantu Anda mendapatkan hasil lebih cepat.

Tentukan Konversi

Konversi adalah tindakan yang diinginkan yang Anda ingin pelanggan lakukan.

Untuk situs e-niaga, biasanya melakukan pembelian, ditentukan oleh peristiwa penyelesaian pesanan.

Untuk industri lain, ini mungkin merupakan pendaftaran akun atau langganan.

Jenis konversi yang berbeda kemungkinan memiliki jalur konversi yang berbeda.

Jika Anda ingin melakukan atribusi multi-sentuh pada beberapa tindakan yang diinginkan, saya sarankan untuk memisahkannya menjadi analisis yang berbeda untuk menghindari kebingungan.

Tentukan Titik Sentuh

Titik sentuh bisa berupa interaksi apa pun antara merek Anda dan pelanggan Anda.

Jika ini pertama kalinya Anda menjalankan analisis atribusi multi-sentuh, saya sarankan untuk mendefinisikannya sebagai kunjungan ke situs web Anda dari saluran pemasaran tertentu. Atribusi berbasis saluran mudah dilakukan, dan dapat memberi Anda gambaran tentang perjalanan pelanggan.

Jika Anda ingin memahami bagaimana pelanggan berinteraksi dengan situs web Anda, sebaiknya tentukan titik kontak berdasarkan tampilan halaman di situs web Anda.

Jika Anda ingin menyertakan interaksi di luar situs web, seperti penginstalan aplikasi seluler, membuka email, atau keterlibatan sosial, Anda dapat memasukkan peristiwa tersebut ke dalam definisi titik kontak, selama Anda memiliki datanya.

Apa pun definisi titik kontak Anda, mekanisme atribusinya sama. Semakin terperinci titik kontak ditentukan, semakin detail analisis atribusinya.

Dalam panduan ini, kami akan berfokus pada atribusi berbasis saluran dan tampilan halaman.

Anda akan mempelajari cara menggunakan Google Analytics dan alat sumber terbuka lainnya untuk melakukan analisis atribusi tersebut.

Pengantar Model Atribusi Multi-Touch

Cara memberi kredit pada touch point atas kontribusi mereka terhadap konversi disebut model atribusi.

Model pengaitan yang paling sederhana adalah memberikan semua kredit ke titik kontak pertama, untuk mendatangkan pelanggan pada awalnya, atau titik kontak terakhir, untuk mendorong konversi.

Kedua model ini masing-masing disebut model atribusi sentuhan pertama dan model atribusi sentuhan terakhir.

Jelas, baik model atribusi sentuhan pertama maupun sentuhan terakhir tidak "adil" untuk titik sentuh lainnya.

Lalu, bagaimana dengan mengalokasikan kredit secara merata di semua titik sentuh yang terlibat dalam konversi pelanggan? Kedengarannya masuk akal – dan inilah cara kerja model atribusi linier.

Namun, mengalokasikan kredit secara merata di semua touch point mengasumsikan touch point sama pentingnya, yang tampaknya juga tidak “adil”.

Beberapa orang berpendapat bahwa titik sentuh di dekat akhir jalur konversi lebih penting, sementara yang lain mendukung sebaliknya. Hasilnya, kami memiliki model atribusi berbasis posisi yang memungkinkan pemasar memberikan bobot berbeda pada titik kontak berdasarkan lokasi mereka di jalur konversi.

Semua model yang disebutkan di atas berada di bawah kategori model atribusi heuristik, atau berbasis aturan.

Selain model heuristik, kami memiliki kategori model lain yang disebut pengaitan berdasarkan data, yang kini menjadi model default yang digunakan di Google Analytics.

Apa itu Pengaitan Berdasarkan Data?

Bagaimana pengaitan berdasarkan data berbeda dari model pengaitan heuristik?

Berikut adalah beberapa sorotan perbedaannya:

• Dalam model heuristik, aturan atribusi telah ditentukan sebelumnya. Terlepas dari model sentuhan pertama, sentuhan terakhir, linier, atau berbasis posisi, aturan atribusi ditetapkan terlebih dahulu dan kemudian diterapkan ke data. Dalam model atribusi berdasarkan data, aturan atribusi dibuat berdasarkan data historis, dan oleh karena itu, unik untuk setiap skenario.
• Model heuristik hanya melihat jalur yang mengarah ke konversi dan mengabaikan jalur yang tidak berkonversi. Model berbasis data menggunakan data dari jalur konversi dan non-konversi.
• Model heuristik mengatribusikan konversi ke saluran berdasarkan jumlah sentuhan yang dimiliki titik kontak sehubungan dengan aturan atribusi. Dalam model berbasis data, atribusi dibuat berdasarkan efek sentuhan dari setiap titik sentuh.

Cara Mengevaluasi Pengaruh Titik Sentuhan

Algoritme umum yang digunakan oleh atribusi berbasis data disebut Markov Chain. Inti dari algoritma Rantai Markov adalah konsep yang disebut Efek Penghapusan.

Efek Penghapusan, seperti namanya, adalah dampak pada tingkat konversi saat titik sentuh dihapus dari data jalur.

Artikel ini tidak akan membahas detail matematis dari algoritma Markov Chain.

Di bawah ini adalah contoh yang mengilustrasikan bagaimana algoritme mengatribusikan konversi ke setiap titik kontak.

Efek Penghapusan

Asumsikan kita memiliki skenario dimana ada 100 konversi dari 1.000 pengunjung yang datang ke website melalui 3 channel, Channel A, B, & C. Dalam hal ini, tingkat konversinya adalah 10%.

Secara intuitif, jika saluran tertentu dihapus dari jalur konversi, jalur yang melibatkan saluran tersebut akan "terputus" dan berakhir dengan konversi yang lebih sedikit secara keseluruhan.

Jika tingkat konversi diturunkan menjadi 5%, 2%, dan 1% ketika Saluran A, B, & C dihapus dari data, kita dapat menghitung Efek Penghapusan sebagai persentase penurunan tingkat konversi ketika saluran tertentu dihapus menggunakan rumus:

Gambar dari penulis, November 2022

Kemudian, langkah terakhir adalah mengatribusikan konversi ke setiap saluran berdasarkan bagian dari Efek Penghapusan setiap saluran. Berikut adalah hasil atribusi:

Singkatnya, pengaitan berdasarkan data tidak bergantung pada jumlah atau posisi titik kontak, tetapi pada dampak titik kontak tersebut pada konversi sebagai dasar pengaitan.

Atribusi Multi-Touch Dengan Google Analytics

Cukup teori, mari kita lihat bagaimana kita dapat menggunakan Google Analytics yang ada di mana-mana untuk melakukan analisis atribusi multi-sentuh.

Karena Google akan berhenti mendukung Universal Analytics (UA) mulai Juli 2023, tutorial ini akan didasarkan pada Google Analytics 4 (GA4) dan kami akan menggunakan akun demo Merchandise Store Google sebagai contoh.

Di GA4, laporan atribusi berada di bawah Cuplikan Iklan seperti yang ditampilkan di bawah pada menu navigasi kiri.

Setelah sampai di halaman Cuplikan Iklan, langkah pertama adalah memilih peristiwa konversi yang sesuai.

GA4, secara default, menyertakan semua peristiwa konversi untuk laporan atribusinya.

Untuk menghindari kebingungan, sebaiknya pilih hanya satu peristiwa konversi (“pembelian” dalam contoh di bawah) untuk analisis.

Tangkapan layar dari GA4, November 2022

Pahami Jalur Konversi Di GA4

Di bawah bagian Atribusi di bilah navigasi kiri, Anda dapat membuka laporan Jalur Konversi.

Gulir ke bawah ke tabel jalur konversi, yang menampilkan semua jalur yang mengarah ke konversi.

Di bagian atas tabel ini, Anda dapat menemukan jumlah hari rata-rata dan jumlah poin kontak yang menghasilkan konversi.

Tangkapan layar dari GA4, November 2022  

Dalam contoh ini, Anda dapat melihat bahwa rata-rata pelanggan Google melakukan hampir 9 hari dan 6 kunjungan sebelum melakukan pembelian di Merchandise Store-nya.

Temukan Kontribusi Setiap Saluran Di GA4

Selanjutnya, klik laporan Semua Saluran di bawah bagian Performa di bilah navigasi kiri.

Dalam laporan ini, Anda dapat menemukan konversi yang diatribusikan untuk setiap saluran dari peristiwa konversi yang Anda pilih – “pembelian”, dalam hal ini.

Tangkapan layar dari GA4, November 2022

Sekarang, Anda tahu Penelusuran Organik, bersama dengan Langsung dan Email, mendorong sebagian besar pembelian di Toko Merchandise Google.

Periksa Hasil Dari Berbagai Model Pengaitan Di GA4

Secara default, GA4 menggunakan model atribusi berdasarkan data untuk menentukan jumlah kredit yang diterima setiap saluran. Namun, Anda dapat memeriksa bagaimana berbagai model pengaitan menetapkan kredit untuk setiap saluran.

Klik Perbandingan Model di bawah bagian Atribusi di bilah navigasi kiri.

Misalnya, membandingkan model pengaitan berdasarkan data dengan model pengaitan sentuhan pertama (alias "model klik pertama" pada gambar di bawah), Anda dapat melihat lebih banyak konversi yang diatribusikan ke Penelusuran Organik berdasarkan model klik pertama (735) daripada data model -driven (646.80).

Di sisi lain, Email memiliki lebih banyak konversi yang diatribusikan pada model pengaitan berdasarkan data (727,82) daripada model klik pertama (552).

Tangkapan layar dari GA4, November 2022

Data memberi tahu kami bahwa Penelusuran Organik memainkan peran penting dalam membawa calon pelanggan ke toko, tetapi memerlukan bantuan dari saluran lain untuk mengonversi pengunjung (yaitu, agar pelanggan melakukan pembelian yang sebenarnya).

Di sisi lain, Email pada dasarnya berinteraksi dengan pengunjung yang telah mengunjungi situs sebelumnya dan membantu mengonversi pengunjung yang kembali yang awalnya datang ke situs dari saluran lain.

Model Atribusi Mana yang Terbaik?

Pertanyaan umum, terkait perbandingan model atribusi, adalah model atribusi mana yang terbaik. Saya berpendapat ini adalah pertanyaan yang salah untuk ditanyakan oleh pemasar.

Sebenarnya tidak ada model yang benar-benar lebih baik dari yang lain karena setiap model mengilustrasikan satu aspek dari perjalanan pelanggan. Pemasar harus merangkul beberapa model sesuai keinginan mereka.

Dari Atribusi Berbasis Saluran ke Tampilan Halaman

Google Analytics mudah digunakan, tetapi berfungsi dengan baik untuk atribusi berbasis saluran.

Jika Anda ingin lebih memahami bagaimana pelanggan menavigasi situs web Anda sebelum berkonversi, dan halaman apa yang memengaruhi keputusan mereka, Anda perlu melakukan analisis atribusi pada tampilan halaman.

Meskipun Google Analytics tidak mendukung atribusi berbasis tampilan halaman, ada alat lain yang dapat Anda gunakan.

Baru-baru ini kami melakukan analisis pengaitan berbasis tampilan halaman di situs web AdRoll dan dengan senang hati saya akan membagikan kepada Anda langkah-langkah yang kami lalui dan apa yang kami pelajari.

Kumpulkan Data Urutan Tampilan Halaman

Langkah pertama dan paling menantang adalah mengumpulkan data tentang urutan tampilan halaman untuk setiap pengunjung di situs web Anda.

Sebagian besar sistem analisis web mencatat data ini dalam beberapa bentuk. Jika sistem analitik Anda tidak menyediakan cara untuk mengekstrak data dari antarmuka pengguna, Anda mungkin perlu menarik data dari database sistem.

Mirip dengan langkah-langkah yang kami lalui di GA4, langkah pertama adalah menentukan konversi. Dengan analisis atribusi berbasis tampilan halaman, Anda juga perlu mengidentifikasi halaman yang merupakan bagian dari proses konversi.

Sebagai contoh, untuk situs e-niaga dengan pembelian online sebagai peristiwa konversi, halaman keranjang belanja, halaman penagihan, dan halaman konfirmasi pesanan adalah bagian dari proses konversi, karena setiap konversi melewati halaman tersebut.

Anda harus mengecualikan halaman tersebut dari data tayangan halaman karena Anda tidak memerlukan analisis atribusi untuk memberi tahu Anda bahwa halaman tersebut penting untuk mengonversi pelanggan Anda.

Tujuan dari analisis ini adalah untuk memahami halaman apa yang dikunjungi calon pelanggan Anda sebelum peristiwa konversi dan bagaimana halaman tersebut memengaruhi keputusan pelanggan.

Persiapkan Data Anda Untuk Analisis Atribusi

Setelah data siap, langkah selanjutnya adalah meringkas dan memanipulasi data Anda ke dalam format empat kolom berikut. Ini sebuah contoh.

Tangkapan layar dari penulis, November 2022

Kolom Jalur menampilkan semua urutan tayangan laman. Anda dapat menggunakan pengidentifikasi halaman unik apa pun, tetapi saya sarankan menggunakan url atau jalur halaman karena ini memungkinkan Anda untuk menganalisis hasil berdasarkan jenis halaman menggunakan struktur url. “>” adalah pemisah yang digunakan di antara halaman.

Kolom Total_Conversions menampilkan jumlah total konversi yang dihasilkan jalur tayangan laman tertentu.

Kolom Total_Conversion_Value menampilkan total nilai uang konversi dari jalur tayangan laman tertentu. Kolom ini opsional dan sebagian besar berlaku untuk situs e-niaga.

Kolom Total_Null menunjukkan frekuensi total jalur tayangan laman tertentu gagal dikonversi.

Bangun Model Atribusi Tingkat Laman Anda

Untuk membuat model atribusi, kami memanfaatkan pustaka sumber terbuka yang disebut ChannelAttribution.

Meskipun pustaka ini awalnya dibuat untuk digunakan dalam bahasa pemrograman R dan Python, sekarang penulis menyediakan aplikasi Web gratis untuknya, sehingga kita dapat menggunakan pustaka ini tanpa menulis kode apa pun.

Setelah masuk ke aplikasi Web, Anda dapat mengunggah data dan mulai membuat model.

Untuk pengguna pertama kali, sebaiknya klik tombol Muat Data Demo untuk uji coba. Pastikan untuk memeriksa konfigurasi parameter dengan data demo.

Tangkapan layar dari penulis, November 2022

Saat Anda siap, klik tombol Jalankan untuk membuat model.

Setelah model dibuat, Anda akan diarahkan ke tab Keluaran, yang menampilkan hasil atribusi dari empat model atribusi yang berbeda – sentuhan pertama, sentuhan terakhir, linier, dan penggerak data (Rantai Markov).

Ingatlah untuk mengunduh data hasil untuk analisis lebih lanjut.

Untuk referensi Anda, meskipun alat ini disebut ChannelAttribution, alat ini tidak terbatas pada data khusus saluran.

Karena mekanisme pemodelan atribusi tidak tergantung pada jenis data yang diberikan padanya, mekanisme ini akan mengatribusikan konversi ke saluran jika data khusus saluran disediakan, dan ke halaman web jika data tayangan halaman disediakan.

Analisis Data Atribusi Anda

Atur Halaman Menjadi Grup Halaman

Bergantung pada jumlah halaman di situs web Anda, mungkin lebih masuk akal untuk terlebih dahulu menganalisis data atribusi berdasarkan grup halaman daripada halaman individual.

Grup halaman dapat berisi hanya satu halaman hingga halaman sebanyak yang Anda inginkan, selama itu masuk akal bagi Anda.

Mengambil situs web AdRoll sebagai contoh, kami memiliki grup Beranda yang hanya berisi beranda dan grup Blog yang berisi semua posting blog kami.

Untuk situs e-commerce, Anda juga dapat mempertimbangkan untuk mengelompokkan halaman berdasarkan kategori produk.

Dimulai dengan grup halaman alih-alih halaman individu memungkinkan pemasar untuk memiliki gambaran umum tentang hasil atribusi di berbagai bagian situs web. Anda selalu dapat menelusuri dari grup halaman ke halaman individual bila diperlukan.

Identifikasi Masuk Dan Keluar Dari Jalur Konversi

Setelah semua persiapan data dan pembuatan model, mari kita ke bagian yang menyenangkan – analisis.

Saya sarankan untuk mengidentifikasi terlebih dahulu halaman tempat pelanggan potensial Anda masuk ke situs web Anda dan halaman yang mengarahkan mereka untuk berkonversi dengan memeriksa pola model atribusi sentuhan pertama dan sentuhan terakhir.

Laman dengan nilai atribusi sentuhan pertama dan sentuhan terakhir yang sangat tinggi masing-masing adalah titik awal dan titik akhir dari jalur konversi. Inilah yang saya sebut halaman gateway.

Pastikan halaman ini dioptimalkan untuk konversi.

Perlu diingat bahwa halaman gateway jenis ini mungkin tidak memiliki volume lalu lintas yang sangat tinggi.

Misalnya, sebagai platform SaaS, halaman penetapan harga AdRoll tidak memiliki volume lalu lintas yang tinggi dibandingkan dengan beberapa halaman lain di situs web, tetapi halaman tersebut adalah halaman yang dikunjungi banyak pengunjung sebelum berkonversi.

Temukan Halaman Lain Dengan Pengaruh Kuat Pada Keputusan Pelanggan

Setelah halaman gateway, langkah selanjutnya adalah mencari tahu halaman lain apa yang memiliki pengaruh tinggi terhadap keputusan pelanggan Anda.

Untuk analisis ini, kami mencari halaman non-gateway dengan nilai atribusi tinggi di bawah model Markov Chain.

Mengambil grup halaman fitur produk di AdRoll.com sebagai contoh, pola nilai atribusi mereka di keempat model (ditampilkan di bawah) menunjukkan bahwa mereka memiliki nilai atribusi tertinggi di bawah model Markov Chain, diikuti oleh model linier.

Ini merupakan indikasi bahwa mereka dikunjungi di tengah jalur konversi dan berperan penting dalam memengaruhi keputusan pelanggan.

Gambar dari penulis, November 2022

Jenis halaman ini juga merupakan kandidat utama untuk pengoptimalan tingkat konversi (CRO).

Membuat mereka lebih mudah ditemukan oleh pengunjung situs web Anda dan konten mereka lebih meyakinkan akan membantu meningkatkan tingkat konversi Anda.

Untuk Rekap

Atribusi multi-sentuh memungkinkan perusahaan memahami kontribusi berbagai saluran pemasaran dan mengidentifikasi peluang untuk lebih mengoptimalkan jalur konversi.

Mulailah dengan Google Analytics untuk atribusi berbasis saluran. Kemudian, gali lebih dalam jalur pelanggan menuju konversi dengan atribusi berbasis pageview.

Jangan khawatir tentang memilih model atribusi terbaik.

Manfaatkan beberapa model atribusi, karena setiap model atribusi menunjukkan berbagai aspek perjalanan pelanggan.

Lebih banyak sumber daya:

• Panduan Lengkap Untuk Model Atribusi Multitouch B2B
• Riset Kata Kunci B2B Dilakukan Dengan Benar Dengan Contoh Praktis
• Pembuatan Prospek B2B Multi-Saluran: 8 Langkah Menuju Sukses

Gambar Unggulan: Salmon Hitam/Shutterstock