Praktyczny przewodnik po atrybucji multi-touch

Podróż klienta obejmuje wiele interakcji między klientem a sprzedawcą lub usługodawcą.

Każdą interakcję na ścieżce klienta nazywamy punktem kontaktowym.

Według Salesforce.com potrzeba średnio od sześciu do ośmiu dotknięć, aby wygenerować lead w przestrzeni B2B.

Liczba punktów styku jest jeszcze wyższa w przypadku zakupu klienta.

Multi-touch atrybucja to mechanizm oceny wkładu każdego punktu styku w konwersję i przypisuje odpowiednie kredyty każdemu punktowi styku zaangażowanemu w podróż klienta.

Przeprowadzenie wielodotykowej analizy atrybucji może pomóc marketerom zrozumieć podróż klienta i zidentyfikować możliwości dalszej optymalizacji ścieżek konwersji.

W tym artykule poznasz podstawy atrybucji wielodotykowej oraz kroki przeprowadzania analizy atrybucji wielodotykowej za pomocą łatwo dostępnych narzędzi.

Co należy wziąć pod uwagę przed przeprowadzeniem analizy atrybucji wielodotykowej

Zdefiniuj cel biznesowy

Co chcesz osiągnąć dzięki analizie atrybucji multi-touch?

Czy chcesz ocenić zwrot z inwestycji (ROI) konkretnego kanału marketingowego, zrozumieć podróż klienta lub zidentyfikować krytyczne strony w witrynie do testów A/B?

Różne cele biznesowe mogą wymagać różnych podejść do analizy atrybucji.

Określenie od początku, co chcesz osiągnąć, pomoże Ci szybciej osiągnąć rezultaty.

Zdefiniuj konwersję

Konwersja to pożądane działanie, które chcesz, aby podjęli Twoi klienci.

W przypadku witryn e-commerce jest to zwykle dokonanie zakupu, zdefiniowane przez zdarzenie realizacji zamówienia.

W przypadku innych branż może to być rejestracja konta lub subskrypcja.

Różne typy konwersji prawdopodobnie mają różne ścieżki konwersji.

Jeśli chcesz wykonać atrybucję multi-touch dla wielu pożądanych działań, zalecam podzielenie ich na różne analizy, aby uniknąć nieporozumień.

Zdefiniuj punkt dotykowy

Punktem styku może być dowolna interakcja między Twoją marką a klientami.

Jeśli po raz pierwszy przeprowadzasz analizę atrybucji multi-touch, polecam zdefiniować ją jako wizytę na Twojej stronie z określonego kanału marketingowego. Atrybucja oparta na kanałach jest łatwa do przeprowadzenia i może zapewnić przegląd ścieżki klienta.

Jeśli chcesz zrozumieć, w jaki sposób Twoi klienci wchodzą w interakcję z Twoją witryną, polecam zdefiniowanie punktów styku na podstawie odsłon w Twojej witrynie.

Jeśli chcesz uwzględnić interakcje poza witryną, takie jak instalacja aplikacji mobilnej, otwarcie poczty e-mail lub zaangażowanie społecznościowe, możesz uwzględnić te zdarzenia w definicji punktu kontaktu, o ile masz dane.

Niezależnie od definicji punktu styku, mechanizm atrybucji jest taki sam. Im bardziej szczegółowe są zdefiniowane punkty styku, tym bardziej szczegółowa jest analiza atrybucji.

W tym przewodniku skupimy się na atrybucji opartej na kanałach i odsłonach.

Dowiesz się, jak korzystać z Google Analytics i innego narzędzia typu open source do przeprowadzania analiz atrybucji.

Wprowadzenie do modeli atrybucji multi-touch

Sposoby przypisywania punktów styku za ich wkład w konwersję nazywane są modelami atrybucji.

Najprostszym modelem atrybucji jest przypisanie całej zasługi pierwszemu punktowi kontaktu, który początkowo przyciągnął klienta, lub ostatniemu punktowi kontaktu, który napędza konwersję.

Te dwa modele są nazywane odpowiednio modelem atrybucji pierwszego kontaktu i modelem atrybucji ostatniego kontaktu.

Oczywiście ani model atrybucji pierwszego kontaktu, ani ostatniego kontaktu nie jest „sprawiedliwy” w stosunku do pozostałych punktów kontaktu.

W takim razie co powiesz na równomierne rozłożenie kredytu na wszystkie punkty styku zaangażowane w konwersję klienta? Brzmi to rozsądnie – i dokładnie tak działa liniowy model atrybucji.

Jednak równomierne przydzielanie punktów styku wszystkim punktom styku zakłada, że ​​punkty styku są równie ważne, co również nie wydaje się „sprawiedliwe”.

Niektórzy twierdzą, że ważniejsze są punkty styku na końcu ścieżek konwersji, podczas gdy inni opowiadają się za czymś przeciwnym. W rezultacie mamy model atrybucji oparty na pozycji, który pozwala marketerom nadawać różne wagi punktom styku na podstawie ich lokalizacji na ścieżkach konwersji.

Wszystkie wymienione powyżej modele należą do kategorii heurystycznych lub opartych na regułach modeli atrybucji.

Oprócz modeli heurystycznych mamy jeszcze jedną kategorię modeli, zwaną atrybucją opartą na danych, która jest teraz domyślnym modelem używanym w Google Analytics.

Co to jest atrybucja oparta na danych?

Czym atrybucja oparta na danych różni się od heurystycznych modeli atrybucji?

Oto kilka najważniejszych różnic:

• W modelu heurystycznym reguła atrybucji jest z góry określona. Niezależnie od modelu pierwszego kontaktu, ostatniego kontaktu, liniowego lub opartego na pozycji, reguły atrybucji są ustalane z wyprzedzeniem, a następnie stosowane do danych. W modelu atrybucji opartej na danych reguła atrybucji jest tworzona na podstawie danych historycznych, dlatego jest unikalna dla każdego scenariusza.
• Model heurystyczny uwzględnia tylko ścieżki prowadzące do konwersji i ignoruje ścieżki, które nie prowadzą do konwersji. Model oparty na danych wykorzystuje dane zarówno ze ścieżek konwertujących, jak i niekonwertujących.
• Model heurystyczny przypisuje konwersje do kanału na podstawie liczby dotknięć punktu styku w odniesieniu do reguł atrybucji. W modelu opartym na danych atrybucja jest dokonywana na podstawie efektu dotknięć każdego punktu styku.

Jak ocenić wpływ punktu dotykowego

Popularnym algorytmem stosowanym w atrybucji opartej na danych jest łańcuch Markowa. Sercem algorytmu łańcucha Markowa jest koncepcja zwana efektem usuwania.

Efekt usunięcia, jak sama nazwa wskazuje, to wpływ na współczynnik konwersji, gdy punkt styku zostanie usunięty z danych ścieżkowych.

W tym artykule nie będziemy zagłębiać się w matematyczne szczegóły algorytmu łańcucha Markowa.

Poniżej znajduje się przykład ilustrujący, w jaki sposób algorytm przypisuje konwersję do każdego punktu kontaktu.

Efekt usunięcia

Zakładając, że mamy scenariusz, w którym 1000 odwiedzających uzyskuje 100 konwersji na stronę internetową za pośrednictwem 3 kanałów, kanału A, B i C. W tym przypadku współczynnik konwersji wynosi 10%.

Intuicyjnie, jeśli określony kanał zostanie usunięty ze ścieżek konwersji, ścieżki obejmujące ten konkretny kanał zostaną „odcięte” i zakończą się z mniejszą liczbą konwersji.

Jeśli współczynnik konwersji zostanie obniżony do 5%, 2% i 1%, gdy odpowiednio kanały A, B i C zostaną usunięte z danych, możemy obliczyć efekt usunięcia jako procentowy spadek współczynnika konwersji, gdy określony kanał usuwa się za pomocą wzoru:

Zdjęcie od autora, listopad 2022 r

Następnie ostatnim krokiem jest przypisanie konwersji do każdego kanału w oparciu o udział Efektu usunięcia każdego kanału. Oto wynik atrybucji:

W skrócie, atrybucja oparta na danych nie opiera się na liczbie ani pozycji punktów styku, ale na wpływie tych punktów na konwersję jako podstawa atrybucji.

Wielodotykowa atrybucja dzięki Google Analytics

Dość teorii, spójrzmy, jak możemy wykorzystać wszechobecne Google Analytics do przeprowadzenia analizy atrybucji multi-touch.

Ponieważ Google przestanie obsługiwać Universal Analytics (UA) od lipca 2023 r., ten samouczek będzie oparty na Google Analytics 4 (GA4), a jako przykład użyjemy konta demonstracyjnego Google Merchandise Store.

W GA4 raporty atrybucji znajdują się w obszarze Migawka reklamowa, jak pokazano poniżej w lewym menu nawigacyjnym.

Pierwszym krokiem po wylądowaniu na stronie Advertising Snapshot jest wybranie odpowiedniego zdarzenia konwersji.

GA4 domyślnie uwzględnia wszystkie zdarzenia konwersji w swoich raportach atrybucji.

Aby uniknąć nieporozumień, zdecydowanie zalecamy wybranie do analizy tylko jednego zdarzenia konwersji („zakup” w poniższym przykładzie).

Zrzut ekranu z GA4, listopad 2022 r

Poznaj ścieżki konwersji w GA4

W sekcji Atrybucja na lewym pasku nawigacyjnym możesz otworzyć raport Ścieżki konwersji.

Przewiń w dół do tabeli ścieżki konwersji, która pokazuje wszystkie ścieżki prowadzące do konwersji.

U góry tej tabeli możesz znaleźć średnią liczbę dni i liczbę punktów styku, które prowadzą do konwersji.

Zrzut ekranu z GA4, listopad 2022 r  

W tym przykładzie widać, że klienci Google potrzebują średnio prawie 9 dni i 6 wizyt, zanim dokonają zakupu w sklepie z towarami.

Znajdź wkład każdego kanału w GA4

Następnie kliknij raport Wszystkie kanały w sekcji Wydajność na lewym pasku nawigacyjnym.

W tym raporcie możesz znaleźć przypisane konwersje dla każdego kanału wybranego zdarzenia konwersji – w tym przypadku „zakup”.

Zrzut ekranu z GA4, listopad 2022 r

Teraz już wiesz, że wyszukiwanie bezpłatne wraz z bezpośrednimi i e-mailami przyczyniło się do większości zakupów w Google Merchandise Store.

Sprawdź wyniki z różnych modeli atrybucji w GA4

Domyślnie GA4 używa modelu atrybucji opartej na danych, aby określić, ile kredytów otrzymuje każdy kanał. Możesz jednak sprawdzić, jak różne modele atrybucji przypisują udziały każdemu kanałowi.

Kliknij Porównanie modeli w sekcji Atrybucja na lewym pasku nawigacyjnym.

Na przykład porównując model atrybucji oparty na danych z modelem atrybucji po pierwszym kliknięciu (inaczej „modelem pierwszego kliknięcia” na poniższym rysunku), można zauważyć, że więcej konwersji jest przypisywanych do bezpłatnych wyników wyszukiwania w ramach modelu pierwszego kliknięcia (735) niż dane model napędzany (646,80).

Z drugiej strony e-mail ma więcej przypisanych konwersji w modelu atrybucji opartej na danych (727,82) niż w modelu pierwszego kliknięcia (552).

Zrzut ekranu z GA4, listopad 2022 r

Dane mówią nam, że wyszukiwanie organiczne odgrywa ważną rolę w przyciąganiu potencjalnych klientów do sklepu, ale potrzebuje pomocy innych kanałów, aby nawrócić odwiedzających (tj. aby klienci mogli dokonać rzeczywistych zakupów).

Z drugiej strony poczta e-mail z natury wchodzi w interakcję z użytkownikami, którzy odwiedzili witrynę wcześniej, i pomaga konwertować powracających użytkowników, którzy początkowo trafili na witrynę z innych kanałów.

Który model atrybucji jest najlepszy?

Częstym pytaniem przy porównywaniu modeli atrybucji jest to, który model atrybucji jest najlepszy. Twierdzę, że jest to niewłaściwe pytanie dla marketerów.

Prawda jest taka, że ​​żaden model nie jest absolutnie lepszy od innych, ponieważ każdy model ilustruje jeden aspekt podróży klienta. Marketerzy powinni stosować wiele modeli według własnego uznania.

Od atrybucji opartej na kanale do atrybucji opartej na odsłonach

Usługa Google Analytics jest łatwa w użyciu, ale dobrze sprawdza się w przypadku atrybucji opartej na kanałach.

Jeśli chcesz dokładniej zrozumieć, w jaki sposób klienci poruszają się po Twojej witrynie przed konwersją i jakie strony wpływają na ich decyzje, musisz przeprowadzić analizę atrybucji odsłon.

Chociaż Google Analytics nie obsługuje atrybucji opartej na wyświetleniach strony, możesz skorzystać z innych narzędzi.

Niedawno przeprowadziliśmy taką analizę atrybucji opartą na wyświetleniach strony w witrynie AdRoll i chętnie podzielę się z Państwem krokami, które przeszliśmy i czego się dowiedzieliśmy.

Zbierz dane sekwencji odsłon

Pierwszym i najtrudniejszym krokiem jest zebranie danych o kolejności odsłon każdego odwiedzającego Twoją witrynę.

Większość systemów analityki internetowej rejestruje te dane w jakiejś formie. Jeśli Twój system analityczny nie umożliwia wyodrębnienia danych z interfejsu użytkownika, może być konieczne pobranie danych z bazy danych systemu.

Podobnie jak w przypadku kroków, które przeszliśmy w GA4, pierwszym krokiem jest zdefiniowanie konwersji. Dzięki analizie atrybucji opartej na wyświetleniach strony musisz także zidentyfikować strony, które są częścią procesu konwersji.

Na przykład w przypadku witryny e-commerce, w której zdarzeniem konwersji jest zakup online, strona koszyka, strona rozliczeń i strona potwierdzenia zamówienia są częścią procesu konwersji, ponieważ każda konwersja przechodzi przez te strony.

Powinieneś wykluczyć te strony z danych o odsłonach, ponieważ nie potrzebujesz analizy atrybucji, aby stwierdzić, że te strony są ważne dla konwersji Twoich klientów.

Celem tej analizy jest zrozumienie, jakie strony odwiedzili Twoi potencjalni klienci przed zdarzeniem konwersji i jak wpłynęli oni na decyzje klientów.

Przygotuj swoje dane do analizy atrybucji

Gdy dane są gotowe, następnym krokiem jest podsumowanie i przekształcenie danych w następujący czterokolumnowy format. Oto przykład.

Zrzut ekranu od autora, listopad 2022 r

Kolumna Ścieżka zawiera wszystkie sekwencje odsłon. Możesz użyć dowolnego unikalnego identyfikatora strony, ale zalecam użycie adresu URL lub ścieżki do strony, ponieważ umożliwia to analizę wyniku według typów stron przy użyciu struktury adresu URL. „>” to separator używany między stronami.

Kolumna Total_Conversions pokazuje łączną liczbę konwersji, do których doprowadziła dana ścieżka odsłon strony.

Kolumna Total_Conversion_Value pokazuje łączną wartość pieniężną konwersji z określonej ścieżki odsłony. Ta kolumna jest opcjonalna i ma zastosowanie głównie do witryn e-commerce.

Kolumna Total_Null pokazuje łączną liczbę przypadków niepowodzenia konwersji określonej ścieżki odsłon.

Zbuduj swoje modele atrybucji na poziomie strony

Do tworzenia modeli atrybucji wykorzystujemy bibliotekę typu open source o nazwie ChannelAttribution.

Chociaż ta biblioteka została pierwotnie stworzona do użytku w językach programowania R i Python, autorzy udostępniają teraz bezpłatną aplikację internetową, dzięki czemu możemy korzystać z tej biblioteki bez pisania kodu.

Po zalogowaniu się do aplikacji internetowej możesz przesłać swoje dane i rozpocząć budowanie modeli.

Dla początkujących użytkowników polecam kliknięcie przycisku Załaduj dane demonstracyjne w celu uruchomienia próbnego. Pamiętaj, aby sprawdzić konfigurację parametrów z danymi demonstracyjnymi.

Zrzut ekranu od autora, listopad 2022 r

Kiedy będziesz gotowy, kliknij przycisk Uruchom, aby utworzyć modele.

Po utworzeniu modeli nastąpi przekierowanie do karty Dane wyjściowe, na której są wyświetlane wyniki atrybucji z czterech różnych modeli atrybucji — pierwszy kontakt, ostatni kontakt, liniowy i oparty na danych (łańcuch Markowa).

Pamiętaj, aby pobrać dane wynikowe do dalszej analizy.

Dla Twojej informacji, chociaż to narzędzie nazywa się ChannelAttribution, nie ogranicza się do danych specyficznych dla kanału.

Ponieważ mechanizm modelowania atrybucji jest niezależny od typu przekazywanych mu danych, przypisuje konwersje do kanałów, jeśli podano dane dotyczące kanału, oraz do stron internetowych, jeśli podano dane odsłon.

Analizuj swoje dane atrybucji

Organizuj strony w grupy stron

W zależności od liczby stron w witrynie bardziej sensowne może być najpierw przeanalizowanie danych atrybucji według grup stron, a nie poszczególnych stron.

Grupa stron może zawierać od jednej do dowolnej liczby stron, o ile ma to dla Ciebie sens.

Biorąc za przykład witrynę AdRoll, mamy grupę Strona główna, która zawiera tylko stronę główną, oraz grupę Blog, która zawiera wszystkie nasze posty na blogu.

W przypadku witryn e-commerce możesz również rozważyć pogrupowanie stron według kategorii produktów.

Rozpoczęcie od grup stron zamiast pojedynczych stron umożliwia marketerom przegląd wyników atrybucji w różnych częściach witryny. W razie potrzeby zawsze możesz przejść z grupy stron do poszczególnych stron.

Zidentyfikuj wejścia i wyjścia ścieżek konwersji

Po całym przygotowaniu danych i zbudowaniu modelu przejdźmy do najprzyjemniejszej części – analizy.

Proponuję najpierw zidentyfikować strony, na które Twoi potencjalni klienci wchodzą w Twojej witrynie, oraz strony, które kierują ich do konwersji, poprzez zbadanie wzorców modeli atrybucji pierwszego i ostatniego kontaktu.

Strony o szczególnie wysokich wartościach atrybucji pierwszego i ostatniego kontaktu są odpowiednio punktami początkowymi i końcowymi ścieżek konwersji. To są tak zwane strony bramy.

Upewnij się, że te strony są zoptymalizowane pod kątem konwersji.

Należy pamiętać, że ten typ strony bramy może nie mieć bardzo dużego natężenia ruchu.

Na przykład, jako platforma SaaS, strona z cenami AdRoll nie generuje dużego natężenia ruchu w porównaniu z niektórymi innymi stronami w witrynie, ale jest to strona odwiedzana przez wielu użytkowników przed konwersją.

Znajdź inne strony, które mają duży wpływ na decyzje klientów

Po stronach gateway kolejnym krokiem jest sprawdzenie, jakie inne strony mają duży wpływ na decyzje Twoich klientów.

Na potrzeby tej analizy szukamy stron innych niż bramy o wysokiej wartości atrybucji w ramach modeli Łańcucha Markowa.

Biorąc za przykład grupę stron z cechami produktów w AdRoll.com, wzór ich wartości atrybucji w czterech modelach (pokazany poniżej) pokazuje, że mają one najwyższą wartość atrybucji w modelu łańcucha Markowa, a następnie w modelu liniowym.

Świadczy to o tym, że są one odwiedzane w połowie ścieżek konwersji i odegrały ważną rolę w wpływaniu na decyzje klientów.

Zdjęcie od autora, listopad 2022 r

Tego typu strony są również głównymi kandydatami do optymalizacji współczynnika konwersji (CRO).

Ułatwienie odnalezienia ich przez odwiedzających Twoją witrynę, a ich treść bardziej przekonująca pomoże podnieść współczynnik konwersji.

Przypomnę

Atrybucja multi-touch pozwala firmie zrozumieć wkład różnych kanałów marketingowych i zidentyfikować możliwości dalszej optymalizacji ścieżek konwersji.

Zacznij po prostu od Google Analytics do atrybucji opartej na kanałach. Następnie przyjrzyj się bliżej ścieżce klienta do konwersji dzięki atrybucji opartej na odsłonie strony.

Nie martw się o wybór najlepszego modelu atrybucji.

Wykorzystaj wiele modeli atrybucji, ponieważ każdy model atrybucji pokazuje różne aspekty podróży klienta.

Więcej zasobów:

• Kompletny przewodnik po modelach atrybucji wielodotykowej B2B
• Badanie słów kluczowych B2B wykonane prawidłowo z praktycznymi przykładami
• Wielokanałowe generowanie leadów B2B: 8 kroków do sukcesu

Obraz wyróżniony: Czarny łosoś/Shutterstock