多點觸控歸因實用指南

客戶旅程涉及客戶與商家或服務提供商之間的多次交互。

我們將客戶旅程中的每次互動稱為接觸點。

據 Salesforce.com 稱，在 B2B 領域平均需要六到八次接觸才能產生領先優勢。

客戶購買的接觸點數量甚至更多。

多點觸控歸因是一種機制，用於評估每個接觸點對轉化的貢獻，並為客戶旅程中涉及的每個接觸點提供適當的信用。

進行多點觸控歸因分析可以幫助營銷人員了解客戶旅程並確定進一步優化轉化路徑的機會。

在本文中，您將了解多點觸控歸因的基礎知識，以及使用易於訪問的工具進行多點觸控歸因分析的步驟。

在進行多點觸控歸因分析之前要考慮的事項

定義業務目標

您希望從多點觸控歸因分析中獲得什麼？

您是否想要評估特定營銷渠道的投資回報率 (ROI)、了解客戶的旅程或確定您網站上的關鍵頁面以進行 A/B 測試？

不同的業務目標可能需要不同的歸因分析方法。

從一開始就定義您想要實現的目標有助於您更快地獲得結果。

定義轉換

轉化是您希望客戶採取的行動。

對於電子商務網站，通常是進行購買，由訂單完成事件定義。

對於其他行業，它可能是帳戶註冊或訂閱。

不同類型的轉化可能有不同的轉化路徑。

如果您想對多個所需操作執行多點觸控歸因，我建議將它們分成不同的分析以避免混淆。

定義接觸點

接觸點可以是您的品牌與客戶之間的任何互動。

如果這是您第一次運行多點觸控歸因分析，我建議將其定義為從特定營銷渠道訪問您的網站。 基於渠道的歸因很容易進行，它可以讓您大致了解客戶旅程。

如果您想了解您的客戶如何與您的網站互動，我建議您根據您網站上的綜合瀏覽量來定義接觸點。

如果您想包括網站外部的交互，例如移動應用程序安裝、電子郵件打開或社交參與，您可以將這些事件合併到您的接觸點定義中，只要您有數據。

無論您的接觸點定義如何，歸因機制都是相同的。 定義的接觸點越細化，歸因分析就越詳細。

在本指南中，我們將重點關注基於渠道和基於網頁瀏覽的歸因。

您將了解如何使用 Google Analytics 和另一個開源工具來進行這些歸因分析。

多點觸控歸因模型簡介

將接觸點歸因於它們對轉化的貢獻的方法稱為歸因模型。

最簡單的歸因模型是將所有功勞歸功於第一個接觸點，用於最初吸引客戶，或歸功於最後一個接觸點，用於推動轉化。

這兩種模型分別稱為首次觸摸歸因模型和最後觸摸歸因模型。

顯然，無論是第一次觸摸還是最後一次觸摸歸因模型對其餘觸摸點都不“公平”。

那麼，如何在轉化客戶所涉及的所有接觸點上平均分配功勞呢？ 這聽起來很合理——這正是線性歸因模型的工作原理。

然而，在所有接觸點之間平均分配功勞假設這些接觸點同樣重要，這似乎也不“公平”。

一些人認為靠近轉化路徑末端的接觸點更為重要，而另一些人則持相反觀點。 因此，我們擁有基於位置的歸因模型，允許營銷人員根據接觸點在轉化路徑中的位置為接觸點賦予不同的權重。

上述所有模型都屬於啟發式或基於規則的歸因模型類別。

除了啟發式模型，我們還有另一個模型類別，稱為數據驅動歸因，它現在是 Google Analytics（分析）中使用的默認模型。

什麼是數據驅動歸因？

數據驅動歸因與啟發式歸因模型有何不同？

以下是差異的一些要點：

• 在啟發式模型中，歸因規則是預先確定的。 無論是首次接觸、最後接觸、線性還是基於位置的模型，歸因規則都是預先設置的，然後應用於數據。 在數據驅動的歸因模型中，歸因規則是根據歷史數據創建的，因此對於每個場景都是唯一的。
• 啟發式模型僅查看導致轉化的路徑，而忽略非轉化路徑。 數據驅動模型使用來自轉化路徑和非轉化路徑的數據。
• 啟發式模型根據接觸點相對於歸因規則的接觸次數將轉化歸因於渠道。 在數據驅動模型中，歸因是根據每個觸摸點的觸摸效果進行的。

如何評估接觸點的效果

數據驅動歸因使用的一種常見算法稱為馬爾可夫鏈。 馬爾可夫鏈算法的核心是一個稱為去除效應的概念。

Removal Effect，顧名思義，就是當一個接觸點從路徑數據中移除時對轉化率的影響。

本文不會深入探討馬爾可夫鏈算法的數學細節。

下面的示例說明了算法如何將轉化歸因於每個接觸點。

去除效果

假設我們有一個場景，1,000 名訪問者通過 3 個渠道（渠道 A、B 和 C）訪問網站，產生 100 次轉化。在這種情況下，轉化率為 10%。

直觀地說，如果從轉化路徑中刪除某個渠道，涉及該特定渠道的那些路徑將被“切斷”並以更少的整體轉化結束。

如果從數據中刪除通道 A、B 和 C 時轉換率分別降低到 5%、2% 和 1%，我們可以將刪除效果計算為特定通道時轉換率下降的百分比使用以下公式刪除：

圖片來自作者，2022 年 11 月

然後，最後一步是根據每個渠道的 Removal Effect 的份額將轉化歸因於每個渠道。 這是歸因結果：

簡而言之，數據驅動的歸因不依賴於接觸點的數量或位置，而是以這些接觸點對轉化的影響作為歸因的基礎。

使用 Google Analytics 進行多點觸控歸因

理論說完了，讓我們看看如何使用無處不在的 Google Analytics 進行多點觸控歸因分析。

由於 Google 將從 2023 年 7 月起停止支持 Universal Analytics (UA)，因此本教程將基於 Google Analytics 4 (GA4)，我們將以 Google 的 Merchandise Store 演示賬戶為例。

在 GA4 中，歸因報告位於廣告快照下，如下面左側導航菜單所示。

登陸廣告快照頁面後，第一步是選擇合適的轉化事件。

默認情況下，GA4 包括其歸因報告的所有轉化事件。

為避免混淆，我強烈建議您只選擇一個轉化事件（下例中的“購買”）進行分析。

GA4 的屏幕截圖，2022 年 11 月

了解 GA4 中的轉化路徑

在左側導航欄的歸因部分下，您可以打開轉化路徑報告。

向下滾動到轉化路徑表，其中顯示了導致轉化的所有路徑。

在此表的頂部，您可以找到導致轉化的平均天數和接觸點數。

GA4 的屏幕截圖，2022 年 11 月 

在此示例中，您可以看到 Google 客戶平均需要近 9 天和 6 次訪問才能在其商品商店購買商品。

在 GA4 中查找每個渠道的貢獻

接下來，單擊左側導航欄“性能”部分下的“所有渠道”報告。

在此報告中，您可以找到所選轉化事件（在本例中為“購買”）的每個渠道的歸因轉化。

GA4 的屏幕截圖，2022 年 11 月

現在，您知道自然搜索與直銷和電子郵件一起推動了 Google 商品商店的大部分購買。

在 GA4 中檢查不同歸因模型的結果

默認情況下，GA4 使用數據驅動的歸因模型來確定每個渠道獲得的信用數。 但是，您可以檢查不同的歸因模型如何為每個渠道分配功勞。

單擊左側導航欄“歸因”部分下的模型比較。

例如，將數據驅動的歸因模型與首次接觸歸因模型（下圖中也稱為“首次點擊模型”）進行比較，您可以看到在首次點擊模型（735）下更多的轉化歸因於有機搜索，而不是數據驅動模型 (646.80)。

另一方面，電子郵件在數據驅動的歸因模型（727.82）下比首次點擊模型（552）有更多的歸因轉化。

GA4 的屏幕截圖，2022 年 11 月

數據告訴我們，有機搜索在將潛在客戶帶到商店方面發揮著重要作用，但它需要其他渠道的幫助來轉化訪問者（即，讓客戶進行實際購買）。

另一方面，電子郵件本質上與以前訪問過該網站的訪問者進行交互，並有助於轉換最初從其他渠道訪問該網站的回訪者。

哪種歸因模型最好？

在比較歸因模型時，一個常見的問題是哪種歸因模型最好。 我認為這是營銷人員提出的錯誤問題。

事實上，沒有一種模型絕對優於其他模型，因為每個模型都說明了客戶旅程的一個方面。 營銷人員應該採用他們認為合適的多種模型。

從基於渠道到基於頁面瀏覽的歸因

Google Analytics 易於使用，但它適用於基於渠道的歸因。

如果您想進一步了解客戶在轉換之前如何瀏覽您的網站，以及哪些頁面影響他們的決定，您需要對頁面瀏覽量進行歸因分析。

雖然 Google Analytics 不支持基於綜合瀏覽量的歸因，但您可以使用其他工具。

我們最近在 AdRoll 的網站上執行了這樣一個基於頁面瀏覽量的歸因分析，我很樂意與您分享我們經歷的步驟和我們學到的東西。

收集網頁瀏覽序列數據

第一步也是最具挑戰性的一步是收集有關您網站上每個訪問者的頁面瀏覽順序的數據。

大多數網絡分析系統以某種形式記錄這些數據。 如果您的分析系統不提供從用戶界面提取數據的方法，您可能需要從系統的數據庫中提取數據。

與我們在 GA4 上執行的步驟類似，第一步是定義轉換。 使用基於頁面瀏覽的歸因分析，您還需要識別屬於轉換過程一部分的頁面。

例如，對於以在線購買作為轉化事件的電子商務網站，購物車頁面、計費頁面和訂單確認頁面是轉化過程的一部分，因為每次轉化都經過這些頁面。

您應該從綜合瀏覽量數據中排除這些頁面，因為您不需要歸因分析來告訴您這些頁面對於轉化您的客戶很重要。

此分析的目的是了解您的潛在客戶在轉換事件之前訪問了哪些頁面，以及它們如何影響客戶的決策。

為歸因分析準備數據

數據準備就緒後，下一步就是將數據匯總並處理成以下四列格式。 這是一個例子。

截圖來自作者，2022 年 11 月

Path 列顯示了所有的頁面瀏覽序列。 您可以使用任何唯一的頁面標識符，但我建議使用 url 或頁面路徑，因為它允許您使用 url 結構按頁麵類型分析結果。 “>”是頁面之間使用的分隔符。

Total_Conversions 列顯示特定頁面瀏覽路徑導致的轉化總數。

Total_Conversion_Value 列顯示來自特定網頁瀏覽路徑的轉化的總貨幣價值。 此列是可選的，主要適用於電子商務網站。

Total_Null 列顯示特定頁面瀏覽路徑轉換失敗的總次數。

建立您的頁面級歸因模型

為了構建歸因模型，我們利用了名為 ChannelAttribution 的開源庫。

雖然這個庫最初是為在 R 和 Python 編程語言中使用而創建的，但作者現在為它提供了一個免費的 Web 應用程序，因此我們可以在不編寫任何代碼的情況下使用這個庫。

登錄 Web 應用程序後，您可以上傳數據並開始構建模型。

對於初次使用的用戶，我建議單擊“加載演示數據”按鈕進行試運行。 請務必使用演示數據檢查參數配置。

截圖來自作者，2022 年 11 月

準備就緒後，單擊“運行”按鈕創建模型。

創建模型後，您將被引導至“輸出”選項卡，其中顯示來自四種不同歸因模型的歸因結果——首次接觸、最後接觸、線性和數據驅動（馬爾可夫鏈）。

請記住下載結果數據以供進一步分析。

供您參考，雖然此工具稱為 ChannelAttribution，但它不限於特定於渠道的數據。

由於歸因建模機制與提供給它的數據類型無關，如果提供特定於渠道的數據，它會將轉換歸因於渠道，如果提供綜合瀏覽數據，則歸因於網頁。

分析您的歸因數據

將頁面組織成頁面組

根據您網站上的頁面數量，首先按頁面組而不是單個頁面分析您的歸因數據可能更有意義。

頁面組可以包含少至一頁，也可以包含任意多的頁面，只要它對您有意義即可。

以 AdRoll 的網站為例，我們有一個僅包含主頁的主頁組和一個包含我們所有博客文章的博客組。

對於電子商務網站，您也可以考慮按產品類別對頁面進行分組。

從頁面組而不是單個頁面開始，營銷人員可以概覽網站不同部分的歸因結果。 您始終可以在需要時從頁面組向下鑽取到各個頁面。

確定轉化路徑的入口和出口

在所有數據準備和模型構建之後，讓我們進入有趣的部分——分析。

我建議首先通過檢查首次接觸和最後接觸歸因模型的模式來確定潛在客戶進入您網站的頁面以及引導他們進行轉換的頁面。

具有特別高的首次觸摸和最後觸摸歸因值的頁面分別是轉換路徑的起點和終點。 這些就是我所說的網關頁面。

確保這些頁面針對轉換進行了優化。

請記住，此類網關頁面的流量可能不會很高。

例如，作為一個 SaaS 平台，AdRoll 的定價頁面與網站上的其他頁面相比流量並不高，但它是許多訪問者在轉換前訪問過的頁面。

查找對客戶決策有重大影響的其他頁面

在網關頁面之後，下一步是找出哪些其他頁面對客戶的決定有很大影響。

對於此分析，我們在馬爾可夫鏈模型下尋找具有高歸因值的非網關頁面。

以 AdRoll.com 上的一組產品功能頁面為例，它們在四個模型中的歸因值模式（如下所示）表明它們在馬爾可夫鏈模型下具有最高的歸因值，其次是線性模型。

這表明他們在轉化路徑的中間被訪問並且在影響客戶決策方面發揮了重要作用。

圖片來自作者，2022 年 11 月

這些類型的頁面也是轉化率優化 (CRO) 的主要候選者。

讓他們更容易被您的網站訪問者發現，並且他們的內容更有說服力將有助於提高您的轉化率。

回顧一下

多點觸控歸因使公司能夠了解各種營銷渠道的貢獻，並確定進一步優化轉化路徑的機會。

只需從 Google Analytics（分析）開始，即可進行基於渠道的歸因。 然後，使用基於綜合瀏覽量的歸因深入挖掘客戶的轉化途徑。

不要擔心選擇最佳歸因模型。

利用多個歸因模型，因為每個歸因模型顯示客戶旅程的不同方面。

更多資源：

• B2B 多點觸控歸因模型的完整指南
• B2B 關鍵字研究通過實際示例正確完成
• 多渠道 B2B 潛在客戶生成：成功的 8 個步驟

特色圖片：黑鮭魚/Shutterstock