數據驅動的 MTA：唯一重要的歸因模型

歸因模型可幫助營銷人員了解營銷渠道接觸點的價值，因為他們的客戶從認知轉變為轉化。

過去，“最後一次點擊”和“第一次點擊”模型等單次觸摸歸因通常是默認設置。 它們需要的數據相對較少，並且很容易在分析軟件中觀察到。

例如，如果我在 10 月份在我的網站上進行了 1,000 次銷售，並且我可以看到 75% 的流量來自自然搜索，25% 來自直接 - 將我 11 月的更多投資轉向我的自然搜索活動是有意義的。

這將採用最後一次點擊模型。 我只為客戶在訪問我的網站之前使用的接觸點分配價值。 那麼，他們之前接觸過的渠道是什麼？

近年來，隨著客戶旅程變得更加複雜，歸因模型也變得更加複雜，可用於確保營銷人員在此過程中準確衡量渠道並相應地對其進行投資。

多點觸控歸因（MTA）和數據驅動歸因（DDA）越來越受到青睞。 畢竟，在轉向 Google 進行搜索之前，我的網站訪問者可能會在一系列地方（從無數社交媒體網站，到從電視到廣告牌的任意數量的離線廣告）看到營銷信息。

MTA 模型確保所有渠道至少獲得一些轉化功勞

人工智能數據和歸因公司 Fospha 的分析師 Finnian Bradfield 強調，不僅僅是客戶旅程日益複雜，導致 MTA 在今天比單觸模式更有效。

“MTA 的主要價值是使營銷人員能夠更好地分配他們的支出並了解每個接觸點的真實表現，”他說。

“通過單獨使用最後一次點擊模型，您基本上只重視或查看客戶在轉換之前參與的最後一個接觸點，而很少關注或考慮在此之前可能影響消費者的因素。 結果是在最後一個接觸點上花費更多，但實際上，如果不是消費者在旅程開始時參與的接觸點，轉換可能永遠不會發生。 因此，通過查看所有接觸點並根據他們的角色為每個接觸點賦予價值意味著您可以從營銷支出中獲得更有效的結果。”

在當今的全渠道世界中，MTA 模型無疑是確保營銷人員清楚哪些有效哪些無效的最佳選擇。 但並非所有歸因模型都是平等的。

讓我們深入了解它們的不同之處、它們的優缺點、實施它們的挑戰，以及為什麼數據驅動的 MTA 模型是所有營銷人員應該瞄準的歸因選項。

有哪些基本型號？

“線性”或“均勻信用”歸因模型可以說是我們開始考慮超越首次點擊和最終點擊時想到的第一個 MTA 模型。

這無疑是對單點觸控模型的改進。 線性模型承認客戶旅程不僅僅是客戶在意識階段看到的渠道，或者他們在進行轉換之前的步驟中使用的渠道。

它對所有的接觸都一視同仁，所以只有當你有充分的證據表明你的營銷策略的所有部分都表現出大致相同的有效性時，它才真正有用。

但它的簡單性很快變得非常明顯，因為它沒有考慮到不同的接觸點可能比其他接觸點對客戶的轉換決定產生或多或少的影響這一事實。

“時間衰減”是另一個相對簡單的 MTA 模型。 它將用戶旅程中的所有接觸點都歸功於它，接觸越接近轉化，權重就越大。

時間衰減歸因可能很有用。 它可能比單點觸摸選項之一更可取。 它通常用於對時間敏感的營銷活動，或者當企業希望專注於發揮轉化作用的渠道時。 但它的缺陷很容易看出。

當然，在某些客戶旅程中，接近轉化的接觸點比接近開始的接觸點更重要。 但隨著用戶旅程變得越來越長、越來越複雜，情況越來越不是這樣了。 時間衰減最終仍然依賴於一定程度的猜測，缺乏真正的準確性。

“U 形”——或“基於位置”的歸因是另一種 MTA 模型，它再次通過確保所有渠道獲得一些信用來改進單點觸摸方法，但它仍然是一種相對簡單的方法。

U 形歸功於所有接觸點，但給予第一個和最後一個渠道更多的權重——每個 40%。 剩下的 20% 的信用分佈在旅程中間的任何接觸點。

同樣，U 形模型也有它的用途。 例如，對於投資於潛在客戶開發並且是更長客戶旅程的有力候選人的公司來說，它可能是有效的。 但它可能無法準確地歸因於旅程中間的任何接觸點，這些接觸點在轉化中的作用可能比營銷人員預期的要大。

什麼是數據驅動的歸因？

“數據驅動”歸因 (DDA) 是另一種 MTA 模型。 它與我們目前討論的那些不同，因為它使用跨接觸點的數據來消除任何猜測，並根據渠道的表現而不是它們所處的位置將功勞歸於渠道。

DDA 呼籲擁有全面的數據和客戶旅程的完整視圖。 營銷人員還需要能夠有效地使用這些數據——通常是通過利用客戶數據平台。

它們可能是實施成本最高的 MTA 模型，但使用 DDA 模型的關鍵目標之一是獲得更好的投資回報率，可用於抵消其額外成本。

數據驅動的 MTA 模型何時有用？

Bradfield 很清楚營銷人員何時實施數據驅動的 MTA 最有意義：“當您在多個付費渠道（包括付費搜索、社交和聯屬網絡營銷的混合）上進行支出時，數據驅動的歸因方法是最有效的。例如，”他說。 “這樣做的原因很簡單，因為如果你在營銷上花錢，你需要知道在哪里花錢最好，哪些渠道對你的業務 KPI 更有效。 我們傾向於看到營銷預算較大的企業從這些類型的工具中獲得了很多價值。”

2019 年，Fospha 與一家領先的假期供應商合作，將他們的線上和線下數據與 MTA 整合在一起。

這提供了客戶正在進行的旅程的跨渠道視圖，並強調了他們的付費搜索活動因最終點擊歸因而被高估。

自動化過程沒有佔用分析師的能力或時間。 但更重要的是，Fospha 隨後能夠將付費搜索渠道中釋放的預算用於新/被低估接觸點的增長。

這一年節省了大約 600,000 英鎊，他們的電視營銷策略被強調為以前難以使用傳統歸因模型衡量的領域。 使用 MMM（營銷組合建模），Fospha 能夠確定電視是一個表現強勁的頻道，有增長空間並帶來更多收入。

此事一經浮出水面，該企業便迅速將約 250,000 英鎊重新投資於這一重要的線下渠道。

“Fospha 的獨立衡量工具為我們的團隊提供了透明的數據，並能夠將我們的線下銷售與我們的線下和在線營銷聯繫起來，”該客戶的集團營銷總監說。 “我們現在有信心在我們的營銷上投入更多資金，我們很高興看到結果。”

越來越多的不僅僅是擁有大量預算的組織轉向 DDA。 Fospha 等公司的職責是讓所有從事多渠道和全渠道營銷的企業都能使用此類 MTA。

“我相信任何跨渠道支出的公司都應該能夠確定他們努力的真正價值，”布拉德菲爾德繼續說道，“這就是為什麼 Fospha 打破了所有類型企業實施 DDA 的障礙。”

數據驅動的 MTA 面臨的挑戰以及如何克服這些挑戰

成本並不是實施全面的數據驅動 MTA 模型的唯一障礙。 在為 Measured 的首席執行官兼聯合創始人 ClickZ 撰寫文章時，Trevor Testwuide 引用了廣告技術的政治、谷歌和 Facebook 等“圍牆花園”的演變以及凌亂的用戶級數據作為需要克服的重大挑戰歸因。

布拉德菲爾德對此進行了反思：“來自廣告技術平台的圍牆花園肯定會讓完全的準確性變得棘手，”他說。

“重要的是要知道市場上沒有完美的 MTA 模型或完全準確的跟踪工具。 由於數據的不准確和偏見，我們發現主要問題是通過谷歌等廣告技術平台實施數據驅動的歸因。”

即使擁有每個渠道接觸點的每個客戶的所有數據，也不能保證完全的 MTA 準確性，但 Bradfield 確實指出了一種克服這些挑戰的方法。

“採購獨立工具很重要，”他說。 “那麼他們就沒有銷售廣告的議程，你可以消除一些偏見。”

MTA 模型總是在單點觸控上有所改進，但在沒有數據的情況下，它們仍然依賴於一些猜測

線性、時間衰減和 U 形 MTA 模型確實有助於確保所有接觸點至少獲得一些轉化功勞。 但正如我們所見，它們可能缺乏準確性。

在線性模型的情況下，所有渠道均獲得同等信用。 但是這個選項沒有考慮到該旅程中任何數量的接觸點可能比其他接觸點對消費者產生更大影響的可能性。

對於時間敏感的活動，時間衰減可能是可取的。 但是，再一次，它假設某些渠道——僅僅憑藉更早地看到交互——可能產生的影響比它們小。

而 U 型模型雖然堅持用戶旅程的第一次和最後一次接觸通常很重要的邏輯，但它可能嚴重低估中間渠道的信用——尤其是在購買渠道較長的情況下。

消除這種猜測的 MTA 選項是 DDA 模型（有時稱為算法 MTA）。 雖然客戶數據永遠不可能是 100% 準確的，而且——正如 Bradfield 指出的那樣——即使是最好的 MTA 模型也不是完美的，將數據包含在歸因組合中的功勞在於他們如何被視為表現，而不是簡單地他們出現在客戶旅程中的階段。

獨立的工具消除了營銷人員在谷歌和 Facebook 的圍牆花園中報告的一些偏見和歪曲數據。 雖然可靠的客戶數據平台可以實時整合、組織和調整營銷策略。

事實證明，數據驅動的 MTA 模型對於大預算企業來說是無價的，這並不奇怪。 這些通常是在其營銷庫中擁有許多付費渠道的組織，但由於能夠以更好的 ROI 抵消成本，中小型組織也越來越容易使用此類模型。

在當今的全渠道世界中，考慮到數據驅動的 MTA 模型，成本不應成為任何規模企業的障礙。 但是對於仍然認為尚未準備好承諾這種歸因水平的任何組織，線性、時間衰減和 U 形 MTA 始終是比許多人看到的首次和最後一次點擊單點觸摸歸因模型更好的選擇作為默認設置。

與Fospha合作製作的內容。