数据驱动的 MTA：唯一重要的归因模型

归因模型可帮助营销人员了解营销渠道接触点的价值，因为他们的客户从认知转变为转化。

过去，“最后一次点击”和“第一次点击”模型等单次触摸归因通常是默认设置。 它们需要的数据相对较少，并且很容易在分析软件中观察到。

例如，如果我在 10 月份在我的网站上进行了 1,000 次销售，并且我可以看到 75% 的流量来自自然搜索，25% 来自直接 - 将我 11 月的更多投资转向我的自然搜索活动是有意义的。

这将采用最后一次点击模型。 我只为客户在访问我的网站之前使用的接触点分配价值。 那么，他们之前接触过的渠道是什么？

近年来，随着客户旅程变得更加复杂，归因模型也变​​得更加复杂，可用于确保营销人员在此过程中准确衡量渠道并相应地对其进行投资。

多点触控归因（MTA）和数据驱动归因（DDA）越来越受到青睐。 毕竟，在转向 Google 进行搜索之前，我的网站访问者可能会在一系列地方（从无数社交媒体网站，到从电视到广告牌的任意数量的离线广告）看到营销信息。

MTA 模型确保所有渠道至少获得一些转化功劳

人工智能数据和归因公司 Fospha 的分析师 Finnian Bradfield 强调，不仅仅是客户旅程日益复杂，导致 MTA 在今天比单触模式更有效。

“MTA 的主要价值是使营销人员能够更好地分配他们的支出并了解每个接触点的真实表现，”他说。

“通过单独使用最后一次点击模型，您基本上只重视或查看客户在转换之前参与的最后一个接触点，而很少关注或考虑在此之前可能影响消费者的因素。 结果是在最后一个接触点上花费更多，但实际上，如果不是消费者在旅程开始时参与的接触点，转换可能永远不会发生。 因此，通过查看所有接触点并根据他们的角色为每个接触点赋予价值意味着您可以从营销支出中获得更有效的结果。”

在当今的全渠道世界中，MTA 模型无疑是确保营销人员清楚哪些有效哪些无效的最佳选择。 但并非所有归因模型都是平等的。

让我们深入了解它们的不同之处、它们的优缺点、实施它们的挑战，以及为什么数据驱动的 MTA 模型是所有营销人员应该瞄准的归因选项。

有哪些基本型号？

“线性”或“均匀信用”归因模型可以说是我们开始考虑超越首次点击和最终点击时想到的第一个 MTA 模型。

这无疑是对单点触控模型的改进。 线性模型承认客户旅程不仅仅是客户在意识阶段看到的渠道，或者他们在进行转换之前的步骤中使用的渠道。

它对所有的接触都一视同仁，所以只有当你有充分的证据表明你的营销策略的所有部分都表现出大致相同的有效性时，它才真正有用。

但它的简单性很快变得非常明显，因为它没有考虑到不同的接触点可能比其他接触点对客户的转换决定产生或多或少的影响这一事实。

“时间衰减”是另一个相对简单的 MTA 模型。 它将用户旅程中的所有接触点都归功于它，接触越接近转化，权重就越大。

时间衰减归因可能很有用。 它可能比单点触摸选项之一更可取。 它通常用于对时间敏感的营销活动，或者当企业希望专注于发挥转化作用的渠道时。 但它的缺陷很容易看出。

当然，在某些客户旅程中，接近转化的接触点比接近开始的接触点更重要。 但随着用户旅程变得越来越长、越来越复杂，情况越来越不是这样了。 时间衰减最终仍然依赖于一定程度的猜测，缺乏真正的准确性。

“U 形”——或“基于位置”的归因是另一种 MTA 模型，它再次通过确保所有渠道获得一些信用来改进单点触摸方法，但它仍然是一种相对简单的方法。

U 形归功于所有接触点，但给予第一个和最后一个渠道更多的权重——每个 40%。 剩下的 20% 的信用分布在旅程中间的任何接触点。

同样，U 形模型也有它的用途。 例如，对于投资于潜在客户开发并且是更长客户旅程的有力候选人的公司来说，它可能是有效的。 但它可能无法准确地归因于旅程中间的任何接触点，这些接触点在转化中的作用可能比营销人员预期的要大。

什么是数据驱动的归因？

“数据驱动”归因 (DDA) 是另一种 MTA 模型。 它与我们目前讨论的那些不同，因为它使用跨接触点的数据来消除任何猜测，并根据渠道的表现而不是它们所处的位置将功劳归于渠道。

DDA 呼吁拥有全面的数据和客户旅程的完整视图。 营销人员还需要能够有效地使用这些数据——通常是通过利用客户数据平台。

它们可能是实施成本最高的 MTA 模型，但使用 DDA 模型的关键目标之一是获得更好的投资回报率，可用于抵消其额外成本。

数据驱动的 MTA 模型何时有用？

Bradfield 很清楚营销人员何时实施数据驱动的 MTA 最有意义：“当您在多个付费渠道（包括付费搜索、社交和联属网络营销的混合）上进行支出时，数据驱动的归因方法是最有效的。例如，”他说。 “这样做的原因很简单，因为如果你在营销上花钱，你需要知道在哪里花钱最好，哪些渠道对你的业务 KPI 更有效。 我们倾向于看到营销预算较大的企业从这些类型的工具中获得了很多价值。”

2019 年，Fospha 与一家领先的假期供应商合作，将他们的线上和线下数据与 MTA 整合在一起。

这提供了客户正在进行的旅程的跨渠道视图，并强调了他们的付费搜索活动因最终点击归因而被高估。

自动化过程没有占用分析师的能力或时间。 但更重要的是，Fospha 随后能够将付费搜索渠道中释放的预算用于新/被低估接触点的增长。

这一年节省了大约 600,000 英镑，他们的电视营销策略被强调为以前难以使用传统归因模型衡量的领域。 使用 MMM（营销组合建模），Fospha 能够确定电视是一个表现强劲的频道，有增长空间并带来更多收入。

此事一经浮出水面，该企业便迅速将约 250,000 英镑重新投资于这一重要的线下渠道。

“Fospha 的独立衡量工具为我们的团队提供了透明的数据，并能够将我们的线下销售与我们的线下和在线营销联系起来，”该客户的集团营销总监说。 “我们现在有信心在我们的营销上投入更多资金，我们很高兴看到结果。”

越来越多的不仅仅是拥有大量预算的组织转向 DDA。 Fospha 等公司的职责是让所有从事多渠道和全渠道营销的企业都能使用此类 MTA。

“我相信任何跨渠道支出的公司都应该能够确定他们努力的真正价值，”布拉德菲尔德继续说道，“这就是为什么 Fospha 打破了所有类型企业实施 DDA 的障碍。”

数据驱动的 MTA 面临的挑战以及如何克服这些挑战

成本并不是实施全面的数据驱动 MTA 模型的唯一障碍。 在为 Measured 的首席执行官兼联合创始人 ClickZ 撰写文章时，Trevor Testwuide 引用了广告技术的政治、谷歌和 Facebook 等“围墙花园”的演变以及凌乱的用户级数据作为需要克服的重大挑战归因。

布拉德菲尔德对此进行了反思：“来自广告技术平台的围墙花园肯定会让完全的准确性变得棘手，”他说。

“重要的是要知道市场上没有完美的 MTA 模型或完全准确的跟踪工具。 由于数据的不准确和偏见，我们发现主要问题是通过谷歌等广告技术平台实施数据驱动的归因。”

即使拥有每个渠道接触点的每个客户的所有数据，也不能保证完全的 MTA 准确性，但 Bradfield 确实指出了一种克服这些挑战的方法。

“采购独立工具很重要，”他说。 “那么他们就没有销售广告的议程，你可以消除一些偏见。”

MTA 模型总是在单点触控上有所改进，但在没有数据的情况下，它们仍然依赖于一些猜测

线性、时间衰减和 U 形 MTA 模型确实有助于确保所有接触点至少获得一些转化功劳。 但正如我们所见，它们可能缺乏准确性。

在线性模型的情况下，所有通道都获得均匀的信用。 但是这个选项没有考虑到该旅程中任何数量的接触点可能比其他接触点对消费者产生更大影响的可能性。

对于时间敏感的活动，时间衰减可能是可取的。 但是，再一次，它假设某些渠道——仅仅凭借更早地看到交互——可能产生的影响比它们小。

而 U 型模型虽然坚持用户旅程的第一次和最后一次接触通常很重要的逻辑，但它可能严重低估中间渠道的信用——尤其是在购买渠道较长的情况下。

消除这种猜测的 MTA 选项是 DDA 模型（有时称为算法 MTA）。 虽然客户数据永远不可能是 100% 准确的，而且——正如 Bradfield 指出的那样——即使是最好的 MTA 模型也不是完美的，将数据包含在归因组合中的功劳在于他们如何被视为表现，而不是简单地他们出现在客户旅程中的阶段。

独立的工具消除了营销人员在谷歌和 Facebook 的围墙花园中报告的一些偏见和歪曲数据。 虽然可靠的客户数据平台可以实时整合、组织和调整营销策略。

事实证明，数据驱动的 MTA 模型对于大预算企业来说是无价的，这并不奇怪。 这些通常是在其营销库中拥有许多付费渠道的组织，但由于能够以更好的 ROI 抵消成本，中小型组织也越来越容易使用此类模型。

在当今的全渠道世界中，考虑到数据驱动的 MTA 模型，成本不应成为任何规模企业的障碍。 但是对于仍然认为尚未准备好承诺这种归因水平的任何组织，线性、时间衰减和 U 形 MTA 始终是比许多人看到的首次和最后一次点击单点触摸归因模型更好的选择作为默认设置。

与Fospha合作制作的内容。