لماذا تعتبر نماذج الإحالة أحادية القناة طريقًا مسدودًا لمنظمات الإدارة الجماعية

من خلال الوصول إلى كمية هائلة من بيانات العملاء ، يمكن للمسوقين الحصول على صورة شاملة لما يحدث. على سبيل المثال ، يمكن للمسوقين معرفة كيفية تفاعل العملاء مع علامتك التجارية بالضبط ، والتنبؤ باحتمالية شراء المستخدم لشيء ما (ومتى) ، وتقدير الإيرادات التي سيحققها العملاء ، وتحديد القنوات الأفضل للتفاعل مع العملاء. لكن هذا مجرد وجه واحد للعملة. من ناحية أخرى ، أصبح الإعلان أكثر تكلفة ، وأصبح جذب انتباه المستهلكين أكثر صعوبة.

سيفوز المسوقون الأكثر تقدمًا من الناحية التكنولوجية في هذا السباق ، وتلعب الإحالة دورًا مهمًا في تقييم فعالية القنوات الإعلانية. توضح هذه المقالة سبب اعتبار نماذج الإحالة أحادية القناة طريقًا إلى اللامكان ولماذا حتى النماذج المستندة إلى البيانات ليست كافية للتسويق الناجح.

مع تطور التكنولوجيا ، وظهور المزيد والمزيد من قنوات التسويق (عبر الإنترنت وغير متصل) ، وانتقال الشركات إلى الإنترنت بسبب الوباء ، من الأهمية بمكان أن تفهم العلامات التجارية من أين يأتي عملاؤها وكيف ومتى يقوم العملاء بالتحويل . هذا هو المكان الذي يلعب فيه الإسناد التسويقي.

في تحليلات التسويق ، تتعلق الإحالة بتقييم القيمة التي تحققها القنوات الإعلانية. هذه إحدى المهام الحاسمة للمسوقين الرقميين. لماذا ا؟ كما يُظهر بحث Gartner من عام 2020 ، فإن أكثر من 80٪ من ميزانيات التسويق مخصصة للقنوات الرقمية. ببساطة ، يتم إنفاق ملايين الدولارات على الإعلانات ، ومن الواضح أن الشركات تريد التأكد من أن هذا الإنفاق يجلب العملاء والأرباح.

الهدف من الإحالة هو تحديد مساهمة القناة في التحويلات - دورها في نقل العملاء إلى الخطوة التالية في مسار التحويل أو زيادة عمليات الشراء - وتعيين قيمة لكل خطوة في مسار التحويل.

تستخدم العلامات التجارية تحليلات التسويق لتحديد كيف وأين ومتى يتفاعل العميل مع شركة وتستخدم الإحالة لتقييم كفاءة القناة. بفضل هذه البيانات ، يمكن للمسوقين تغيير وتحسين الحملات الإعلانية.

هناك العديد من أنواع نماذج الإحالة المختلفة ، وتجدر الإشارة إلى أنه لا يوجد نموذج واحد صحيح. عادةً ما يتم تصنيف نماذج الإحالة وفقًا للمنطق الذي تحسب بواسطته القيمة. تشمل أنواع نماذج الإحالة ما يلي:

• نماذج الإحالة المستندة إلى الموضع - تناقص الوقت ، الموضع القائم
• نماذج الإحالة الحسابية - سلاسل ماركوف المبنية على البيانات
• نماذج الإحالة أحادية القناة - النقرة الأخيرة ، النقرة الأولى
• نماذج الإحالة متعددة القنوات - الخطية ، تضاؤل ​​الوقت

تستخدم معظم الشركات نماذج إحالة أحادية القناة. لطالما استخدمت هذه النماذج ، فلماذا نغير شيئًا يبدو أنه يعمل؟ تعتبر النماذج أحادية القناة بسيطة وقياسية في Google Analytics (Universal) ، وتجعل من السهل فهم كيفية توزيع القيمة.

في ما يلي مثال على كيفية توزيع قيمة التحويل في نماذج الإحالة أحادية القناة:

ومع ذلك ، يمكن لهذه النماذج تقييم قناة واحدة فقط. إنهم يبالغون في تبسيط مسار العميل متعدد القنوات للشراء ، مما يؤدي إلى مفاهيم خاطئة خطيرة وبالتأكيد لا يظهرون الوضع الفعلي.

على سبيل المثال ، إذا ألقينا نظرة على تقرير المسار لمتاجر تجزئة متعدد القنوات مع عدد معتدل من زوار موقع الويب ، فيمكننا معرفة حصة الدخل التي يتم الحصول عليها من الطلبات التي تم إجراؤها في الزيارة الأولى. هنا ، تجلب المسارات متعددة القنوات مع زيارتين أو أكثر 72٪ من الدخل.

في المتوسط ​​، يستغرق تحويل العميل من سبع إلى تسع نقاط اتصال (يمكن للأفضل أداءً تقليل ذلك إلى خمس نقاط). من الواضح أن كل نقطة من نقاط الاتصال (القنوات) هذه تؤثر على احتمالية التحويل. من المنطقي فقط أنه من الضروري مراعاة تأثير جميع القنوات على المشتري في هذه الحالة.

ومع ذلك ، عند استخدام نماذج الإحالة أحادية القناة ، يتم تجاهل المراحل المختلفة لمسار التحويل. يمكن أن يؤدي تجاهل ما يحدث في بداية مسار المبيعات ووسطه ونهايته إلى قرارات إدارية غير مناسبة وخسائر مالية.

بالإضافة إلى نماذج الإحالة أحادية القناة ، تحظى النماذج المستندة إلى البيانات بشعبية كبيرة. من بين الأمثلة الأكثر شهرة ، النموذج المستند إلى البيانات من Google ، ونموذج التحويل من Facebook ، و Campaign Lift من Nielsen.

تعكس النماذج المستندة إلى البيانات بشكل أكثر دقة تأثير كل مصدر على مسار التحويل. إنها سريعة وقابلة للتكيف وأكثر موضوعية من النماذج أحادية القناة لأنها تأخذ في الاعتبار جميع البيانات المتعلقة بتفاعلات المستخدم مع العلامات التجارية. في بيئة متعددة القنوات ، تقنع جميع نقاط الاتصال العملاء بشراء منتج ، ولكن من الواضح أن تأثيرهم ليس متساويًا. وفقًا لذلك ، تترك نماذج الإحالة التقليدية البسيطة فجوات كبيرة عند تحليل البيانات ولا تعطي صورة كاملة لما يحدث.

تقارن الإحالة المستندة إلى البيانات مسارات المستخدم باستخدام البيانات الخاصة بجميع المستخدمين (أولئك الذين أجروا التحويل وكذلك أولئك الذين لم يفعلوا). يسمح هذا النهج لجهات التسويق بتقييم هذه الحالة يكون احتمال التحويل أعلى.

نتيجةً لذلك ، يحسب النموذج وزن التحويل لكل قناة في مسار المستخدم ، بغض النظر عن موضعها.

تشمل عيوب النماذج التي تعتمد على البيانات حقيقة أن الخوارزمية يجب أن تتلقى بيانات كافية لإظهار النتائج الأكثر دقة. لكي يوفر النموذج تقديرًا موثوقًا به ، فإنه يحتاج إلى الكثير من البيانات التاريخية وبيانات السوق. هناك حاجة إلى ما لا يقل عن 12 نقطة اتصال لتحقيق دقة عالية في نماذج الإحالة المستندة إلى البيانات.

باختصار ، يمكننا القول أنه في أغلب الأحيان ، يؤدي نموذج القناة الواحدة إلى قرارات إدارية غير صحيحة ، لأن هذه القرارات لن تأخذ في الاعتبار الصورة الكاملة. وبالتالي ، فإن النموذج المستند إلى البيانات أفضل من نموذج القناة الواحدة. ومع ذلك ، لا يوجد حد للكمال. تأخذ الخيارات الأكثر تقدمًا في الاعتبار احتمال التحويلات ويتم تدريبها على بيانات السوق باستخدام تقنيات التعلم الآلي.

أكبر مشكلة في نماذج الإحالة المستندة إلى البيانات هي أن هناك حاجة إلى الكثير من البيانات للتحليل. إنها ليست قناة واحدة تشارك في التواصل مع العميل ولكنها مجموعة كاملة من مصادر الوسائط بأشكال مختلفة. لقياس مقياس عائد الاستثمار ، على سبيل المثال ، يجب على المسوق أن يدير بطريقة ما هذه الأوركسترا بأكملها.

هذا هو المكان الذي تنقذ فيه نماذج إحالة التعلم الآلي (ML) اليوم! لقد غيرت النماذج التي تستخدم التعلم الآلي وبيانات السوق تمامًا نهج الإحالة. يمكن تصميم نماذج ML للشركات للحصول على الصورة الأكثر اكتمالاً وصدقًا لمسار العميل إلى الشراء. مع زيادة مبيعات الإنترنت بنسبة 70٪ على أساس سنوي بين عامي 2019 و 2020 ، يعد نموذج ML أمرًا ضروريًا لأي جهة تسويق.

لا يمكن معالجة جميع البيانات المطلوبة لتحليلات التسويق - التي يتزايد مقدارها كل يوم - بدون استخدام التعلم الآلي. بمساعدتها ، لم يعد المسوقون بحاجة إلى دفع أنفسهم عبر متاهة من الأرقام بحثًا عن رؤى مفيدة.

بعد كل شيء ، من المهم للشركات ليس فقط فهم القنوات التي لا تعمل ولكن أيضًا فهم القنوات التي تعمل حتى لا تخصص ميزانياتها بشكل أعمى.

وفقًا لـ Digital Marketing Insights for CMOs for CMOs في دراسة عام 2021 من قبل Gartner ، يعتقد 84٪ من CMOs أن استخدام التعلم الآلي والذكاء الاصطناعي يحسن وظائف التسويق. في الوقت نفسه ، يستخدم 17٪ فقط من المحترفين قدرات الذكاء الاصطناعي / التعلم الآلي على نطاق واسع.

لقد عمل فريق OWOX BI مع أكثر من 27000 مشروع ويدرك أن لكل عمل احتياجات إسناد خاصة به وأنه لا توجد إجابة واضحة للجميع. بالنسبة لشركة واحدة ، يعد نموذج القناة الواحدة مناسبًا. تحتاج بعض الشركات إلى خيار يعتمد على البيانات. وبالنسبة للآخرين ، يعد تحسين المزيج التسويقي (MMO) ضروريًا.

تسير النظرية دائمًا جنبًا إلى جنب مع الممارسة. يتميز نموذج OWOX بالسرعة المتزايدة وجودة التنبؤ الممتازة لأنه مدرب على بيانات السوق من عشرات الآلاف من المشاريع. ساعد استخدام إسناد ML والاستيراد التلقائي للجماهير أحد عملائنا على زيادة عائد الاستثمار بمقدار 2.2 مرة.

أطلقت OWOX مؤخرًا نسخة محدثة من نموذج الإحالة الخاص بها. ما هي فوائد هذا النموذج الجديد؟

1. ليس عليك اختيار خطوات مسار التحويل يدويًا. يحدد النموذج نفسه مساهمة الحملات بناءً على احتمالية التحويلات.
2. تحصل على توقع لقيمة أي جلسات. باستخدام النموذج الجديد ، يمكنك الإجابة على السؤال إذا كنت سأقوم بتعطيل هذه الحملة اليوم ، كم عدد التحويلات التي سأحصل عليها في المستقبل؟ يساعدك هذا الأسلوب في تجنب تعطيل الحملات المؤجلة وإيقاف الحملات غير الفعالة بشكل أسرع.

3. منطق الحساب شفاف تمامًا. يسمح لك كود تحويل البيانات المفتوح بمراعاة أي خصائص للشركة. يمكن لعملاء OWOX إجراء التغييرات اللازمة على الكود أثناء قيام الخدمة بتحديث البيانات من مصادر التسويق (خدمات الإعلانات ، وخدمات الاتصال ، وإدارة علاقات العملاء) ، ودمجها مع بيانات التكلفة من مختلف المنصات الإعلانية ، وإعداد التقارير المطلوبة.

تسمح لك نماذج الإحالة بالتحكم في قنوات التسويق ، مما يساعدك على فهم مدى دقة تقاريرك التي توضح فعالية التسويق وكيف يمكنك تحسين التسويق عبر نقاط الاتصال المهمة حقًا.

يحتاج المسوقون إلى التأكد من أن كل إجراء يدفع العميل أقرب إلى التحويل. يمكنك استخدام نماذج الإحالة لتحديد أكثر الحملات التسويقية ربحية اعتمادًا على المبلغ الذي استثمرته فيها.

يعتمد النموذج الذي تختاره على صناعتك وأهداف شركتك وحجم عملك. ومع ذلك ، هناك شيء واحد مؤكد: لا يمكن لأي من هذه النماذج ضمان نتائج دقيقة بنسبة 100٪.