Terapkan Wawasan Pembelajaran Mesin ke Model Atribusi Multi-sentuh PPC

Menerapkan Pembelajaran Mesin ke Model Atribusi Multi-Sentuh

Diperbarui 4.30.2020

Perencana pemasaran media baru Anda mungkin menggabungkan pembelajaran mesin untuk mengoptimalkan model atribusi multi-sentuh yang digunakan dalam iklan PPC untuk tahun 2020-an .

Agen pemasaran digital yang sukses di masa depan kemungkinan besar adalah mereka yang dapat memanfaatkan data dan menerapkan wawasan dari pembelajaran mesin untuk mengoptimalkan model atribusi multi-sentuh. Wawasan yang diperoleh juga penting untuk keberhasilan kampanye pemasaran ulang .

Eksplorasi inovasi baru dalam Machine Intelligence di Google membantu memposisikan perusahaan sebagai merek kedua yang lebih berpengaruh di seluruh dunia saat kita memasuki tahun 2020. Raksasa pencarian secara aktif mengeksplorasi aspek kemajuan pembelajaran mesin dari algoritma yang lebih klasik ke teknik mutakhir seperti pembelajaran mendalam. Mengingat bahwa bisnis yang beriklan menggunakan Google AdWords terus mendapatkan kemenangan baru dalam penelusuran berbayar, memahami bagaimana pembelajaran mesin dan model atribusi multi-sentuh bekerja sama akan sangat membantu.

Pertama, mari kita jawab beberapa pertanyaan umum yang diajukan orang .

Apa itu atribusi Multi-sentuh?

Atribusi multi-sentuh adalah sarana untuk mengukur efektivitas pemasaran. Ini adalah teknik yang menilai semua titik kontak perjalanan konsumen dan memberikan kredit pecahan untuk setiap tindakan sehingga pemasar digital dapat mengevaluasi seberapa besar pengaruh setiap saluran terhadap penjualan.

Apa yang dimaksud dengan model atribusi dalam pemasaran?

Model atribusi Pengguna adalah seperangkat aturan yang memutuskan bagaimana kredit untuk penjualan dan konversi ditetapkan ke titik kontak konsumen di jalur konversi. Alat Perbandingan Model menawarkan perbandingan tentang bagaimana model pengaitan yang berbeda memengaruhi penilaian dan kinerja saluran pemasaran Anda.

Atribusi multi-sentuh menawarkan alternatif yang lebih canggih untuk pendekatan atribusi tradisional berbasis aturan, seperti sentuhan pertama dan terakhir, yang memberikan semua kredit ke titik kontak pemasaran pertama atau terakhir sebelum konsumen melakukan konversi melalui pembelian, pengunduhan, atau acara lainnya.

Jika Anda pertama kali melakukan riset pemasaran mendalam , Anda dapat menentukan aktivitas pengguna Anda di situs dengan lebih baik.

Ini melibatkan pekerjaan pada identifikasi bahasa, ucapan, terjemahan, tren pemrosesan visual , peringkat, dan kemampuan prediktif yang memanfaatkan Kecerdasan Mesin. Sejumlah besar data besar yang memberikan bukti hubungan minat langsung atau tidak langsung digunakan untuk mengembangkan pendekatan pembelajaran untuk memahami dan dengan cepat menghasilkan hasil pencarian yang lebih akurat.

Kemajuan dalam pembelajaran mesin memaksa pemasar digital untuk berevolusi – terlepas dari apakah SEO menyadarinya atau tidak. Atau apakah Anda mempersiapkan situs web Anda untuk itu atau tidak. Artikel ini akan mengungkapkan mengapa kami lebih suka menggunakan pemodelan berbasis posisi dalam atribusi multi-sentuh.

Perubahan utamanya adalah ini: perusahaan perencanaan dan pembelian media tahu bahwa mereka telah muncul dengan strategi periklanan baru untuk berhasil meningkatkan volume penjualan online .

Memahami Model Atribusi Multi-Sentuh: Berbasis Aturan vs. Algoritma

Haruskah saya menggunakan pendekatan berbasis aturan atau model atribusi PPC algoritmik?

Menentukan model atribusi merek Anda secara akurat dapat dikelompokkan menjadi dua kategori model: pembelajaran mesin berbasis aturan dan algoritme. Model berbasis aturan dikurangkan secara manusiawi, dan karena itu dapat diberi label sebagai cukup subjektif. Model atribusi yang lebih tradisional ini didasarkan pada asumsi yang dipahami secara umum tentang sentuhan pertama dan terakhir, sentuhan yang sama, atribusi peluruhan waktu, dan skenario lainnya. Misalnya, eksposur terakhir yang mendorong keputusan pembelian seseorang atau sentuhan pertama dan terakhir diberi bobot yang sama.

Atribusi pemasaran berbasis aturan dikenal sebagai pendekatan atribusi sederhana. Model ini menetapkan nilai untuk setiap titik sentuh konsumen yang ditetapkan oleh formula yang telah ditentukan sebelumnya. Ini memberikan kredit 100% hanya untuk satu titik kontak dalam perjalanan pembelian, biasanya yang pertama atau terakhir.

Untuk meningkatkan proses subjektif ini, jika persepsi tidak selaras, pemodelan atribusi multi-sentuh yang mengandalkan skala kematangan analitik lebih deskriptif dan melibatkan proses pertimbangan yang lebih rendah sambil bersandar pada pembelajaran mesin. Dengan mengganti atribusi titik kontak tunggal — interaksi terakhir dan interaksi pertama — ke model multi-titik sentuh, lebih mudah untuk menetapkan kredit ke berbagai titik kontak berdasarkan aturan yang ada.

Mengingat kemajuan dalam pembelajaran mesin dalam algoritme Google BERT , pendekatan algoritme berbasis data terbukti lebih dapat diandalkan. Ini berarti bahwa keluaran atribusi ditetapkan berdasarkan data dan pemodelan data tersebut. Atribusi parsial ditetapkan berdasarkan persentase tergantung pada nilai satu sentuhan relatif terhadap keseluruhan. Agar akurat, atribusi pembelajaran mesin algoritmik sangat bergantung pada kekayaan data yang dimasukkan. Ketika sumber tepercaya digunakan, snapshot komprehensif diperoleh, tetapi jika tidak, hasilnya bisa sangat cacat.

Meskipun kami mengandalkan pembelajaran mesin, model ini masih bergantung pada interaksi manusia tingkat tinggi. Wawasan kontekstual yang diperoleh dari analis manusia membantu mengurangi potensi masukan yang salah. Pemasar digital berpengalaman lebih mungkin untuk dengan cepat mengenali kesalahan sebelum mencemari output.

Model atribusi multi-sentuh memberi pemasar pandangan yang komprehensif tentang dampak setiap interaksi pengguna terhadap tujuan akhir. Ini membantu untuk lebih memahami apa yang berhasil, apa yang tidak, dan apa yang memengaruhi apa yang ada dalam teka-teki lintas saluran raksasa ini. Wawasan ini sangat menghasilkan potensi bagi pemasar dan merek untuk membuat keputusan pemasaran yang lebih cerdas. Biarkan itu menginformasikan upaya pemasaran pencarian lokal Anda.

Eric Enge mengatakan bahwa “Pembelajaran Mesin dapat digunakan mulai dari perencanaan SEO hingga memenangkan pembelian online ketika seseorang mengaitkan keterlibatan pengguna dengan benar”. Artikel Moz 4 Februari 2016, berjudul Revolusi Pembelajaran Mesin: Cara Kerja dan Dampaknya pada SEO *, membahas secara mendalam tentang bagaimana investasi yang dilakukan oleh Google dan mesin pencari lainnya dalam teknologi berbasis algoritme dapat digunakan. Coba lihat.

Haruskah Anda menggunakan Atribusi Model Multi-Touch untuk Bisnis Anda?

Pembelajaran Mesin dapat digunakan untuk menginformasikan perencanaan pemasaran yang gesit untuk memenangkan pembelian secara online ketika seseorang mengaitkan keterlibatan pengguna dengan benar.

Salah satu cara terbaik untuk mendapatkan keuntungan dari penambangan data adalah dengan mengelompokkan pelanggan Anda dan kemudian mengirim pesan yang ditargetkan menggunakan AdWords. Dan itu adalah proses yang cukup mudah. Dari data Search Console dan Google Analytics saja, Anda dapat mengelompokkan audiens ke dalam segmen yang bermakna seperti usia, minat, pendapatan, profesi, atau jenis kelamin. Dan ini efektif baik Anda menjalankan kampanye pemasaran email , penelusuran berbayar, atau menyegarkan strategi SEO Anda.

Manfaat lain dari segmentasi data adalah kemampuan untuk lebih memahami lanskap kompetitif Anda. Wawasan ini saja akan membantu Anda mengidentifikasi bahwa pasar biasa yang Anda identifikasi dengan cepat serta pasar yang menargetkan pembeli potensial yang sama dengan yang ingin dilayani oleh bisnis Anda.

Jika Anda seperti bisnis biasa yang ketika diminta untuk membuat daftar pesaing mereka, mereka kembali dengan daftar individu. Pikirkan dan rencanakan lebih besar. Gunakan pemasaran penelusuran berbayar untuk menjangkau lebih banyak pembeli . Mesin pencari harus memilih dari kumpulan potensi kecocokan di seluruh dunia untuk permintaan pencarian pengguna. Sebagian besar bisnis perlu memperluas lingkaran situs web kompetitif mereka dua atau tiga kali jika mereka benar-benar ingin bersaing dan menang. Penambangan data dan pemahaman lebih lanjut tentang cara kerja pembelajaran mesin akan membantu Anda melakukannya.

Artikel E Pemasar berjudul Perjalanan Google ke Pembelajaran Mesin: Apa yang Perlu Diketahui Pemasar membahas tentang beragam metode yang ada dengan pendekatan corong teratas. Ini melibatkan rencana strategis untuk mendapatkan prospek berkualitas yang masuk ke situs web Anda, termasuk pembeli yang datang langsung dari Google Maps .

“Sesi dan kunjungan ke situs web bisnis tidak semuanya bernilai sama dan perusahaan tidak boleh membayar jumlah yang sama untuk semua prospek,” Justin Cutroni menyatakan.

8 Keunggulan Model Machine-Learning untuk Meningkatkan Konversi:

Buat keputusan periklanan yang lebih baik dimulai dengan memiliki data yang akurat dan kemampuan untuk memanfaatkan pembaruan model pembelajaran mesin dengan setiap konversi.

1. Mudah memahami seberapa dalam corong konversi pengunjung situs Anda dan bagaimana pengguna membuat keputusan.

2. Ketahui kapan harus mengoptimalkan dengan melihat berapa lama biasanya waktu yang dibutuhkan pengguna untuk berkonversi berdasarkan tempat mereka memulai dan mengakhiri dengan melakukan pembelian.

3. Lebih mampu menentukan di mana menghabiskan dolar iklan untuk meningkatkan ROI dan pendapatan bisnis kuartal berikutnya.

4. Menguraikan jumlah konversi berdasarkan perangkat yang digunakan dan pengaruh penargetan perangkat strategis di bagian khusus corong.

5. Kemampuan yang lebih baik untuk melihat bagaimana taktik saluran atas Anda dan penggunaan konten video diputar ke dalam setiap konversi.

6. Kemampuan yang lebih akurat untuk memahami seluruh siklus hidup pelanggan baik untuk bisnis baru maupun bisnis lama.

7. Salah satu keuntungan model atribusi algoritmik adalah lebih sedikit tebakan sejak awal.

8. Ini mengurangi kebutuhan untuk memeriksa ulang data Anda di belakang.

Gunakan Atribusi Peluruhan Waktu Pembelajaran Mesin untuk Mengalokasikan Pembelanjaan Pasar

“Pada dasarnya, kampanye atau tayangan terakhir yang berinteraksi dengan prospek mendapatkan semua kredit konversi. Jika Anda hanya menjalankan satu atau dua kampanye, kesederhanaan dan aksesibilitas model ini sangat menarik. Namun, jika Anda memiliki beberapa saluran pemasaran, atribusi semacam ini menyesatkan dan tidak akan membantu Anda mengalokasikan pengeluaran pemasaran dengan lebih baik,” kata Segment Analytics Academy**.

Saat menggunakan Model Atribusi Peluruhan Waktu, titik kontak yang paling dekat dengan pembelian atau konversi konsumen diatribusikan sebagai bagian terbesar dari kredit. Jika misalnya, klik kampanye AdWords dan saluran Email dikenali sebagai interaksi pelanggan terbaru dalam beberapa jam sebelum penjualan, saluran lain akan menerima kredit lebih sedikit daripada saluran Iklan atau Email. Karena interaksi Penelusuran Berbayar terjadi dekat dengan waktu penjualan, saluran ini menerima kredit yang jauh lebih banyak daripada keterlibatan sosial sebelumnya dengan agen.

Menggunakan Model Atribusi Berdasarkan Data Google

Google lebih mengandalkan pembelajaran mesin yang memengaruhi data perilaku pengguna dan kecerdasan aritmatika Anda untuk menemukan model atribusi yang terbaik untuk memaksimalkan total volume konversi. Ini adalah mimpi tambang emas untuk menemukan kumpulan data yang akan meningkatkan volume konversi seluler AdWords Anda lebih dari pesaing mana pun.

Tantangan dengan atribusi berbasis data dalam AdWords adalah bahwa atribusi tersebut menawarkan interpretasi saluran tunggal tentang keterlibatan pengguna dengan paling baik. Agar berhasil menargetkan pelanggan baru yang menelusuri produk Anda secara online, sulit untuk mengidentifikasi konversi yang mungkin berasal dari pekerjaan pemasaran non-penelusuran lainnya seperti email atau jejaring sosial. Pembelajaran mesin lebih baik dalam mencocokkan entitas gambar dengan produk yang dicari orang. Gambar produk dan iklan Anda dapat ditampilkan di carousel produk online .

Google menyarankan memiliki minimal 20.000 klik dan 800 konversi yang diambil dalam jangka waktu satu bulan. Banyak bisnis yang memulai dengan AdWords memiliki jumlah yang lebih sederhana dan melakukan yang terbaik dengan atribusi berbasis posisi di awal. Menemukan model atribusi terbaik untuk PPC untuk bisnis Anda bergantung pada banyak faktor dan terungkap dari waktu ke waktu dan pengujian.

Tantangan Memilih Model Atribusi Multisaluran Terbaik

Apa pun model yang Anda pilih, ingatlah untuk menghormati transparansi konsumen dan praktik terbaik privasi .

Tidak banyak aspek analitik yang lebih kompleks daripada menemukan model atribusi multi-saluran terbaik untuk digunakan untuk bisnis Anda.

Bagaimana mungkin klik terakhir salah setelah menjadi model atribusi PPC default selama bertahun-tahun? Dan kemudian untuk mengetahui bahwa atribusi klik pertama juga salah mungkin sulit dilakukan. Sementara kami bergerak menuju model berbasis posisi bahkan dari waktu ke waktu, tidak ada teknik atribusi berdasarkan data yang tampaknya sempurna. Pengeluaran PPC pemasaran Anda di tahun mendatang dapat ditingkatkan dengan hasil yang lebih baik dan lebih banyak pengembalian untuk investasi Anda dalam iklan berbayar. Baik Anda berada di tim penelusuran organik atau penelusuran berbayar, pada akhirnya jika Anda memberikan nilai lebih kepada konsumen , Anda akan unggul.

Model atribusi sentuhan terakhir sederhana dan sering kali membuat banyak pemasar mundur. Namun, itu sepenuhnya mengabaikan rangsangan dari semua tayangan iklan, kecuali yang terakhir. Sebagai alternatif, ide model atribusi multi-sentuh (MTA) yang lebih baru telah diadopsi oleh banyak orang. Ini berarti bahwa lebih dari satu titik kontak masing-masing dapat memiliki sebagian kecil dari kredit berdasarkan pengaruh pengguna yang lebih benar di setiap titik kontak yang mengarah pada keputusan pengguna untuk melakukan pembelian.

Karena teknologi pembelajaran mesin baru, jangan ditunda oleh konsepsi sebelumnya tentang hal itu. Lahir dari pengenalan pola pencarian dan perilaku pengunjung situs, pekerjaan penelitian kecerdasan buatan memungkinkan bisnis Anda belajar dari data dan titik kontak pengguna Anda. Dimungkinkan untuk memvisualisasikan dan mengkredit data konversi dengan lebih baik. Aspek iteratif dari pembelajaran mesin penting karena ketika model dihadapkan pada data baru, mereka dapat beradaptasi secara mandiri. Mereka belajar dari perhitungan sebelumnya untuk menghasilkan keputusan dan hasil yang andal dan dapat diulang. Ini adalah ilmu lama, tetapi ilmu yang jauh lebih baik dan mendapatkan dukungan baru dari pemasar digital yang cerdas. Jika Anda menjaga praktik pemasaran SEO Anda tetap terkini , itu juga akan menguntungkan operasi PPC Anda.

Meskipun banyak algoritme pembelajaran mesin telah ada selama bertahun-tahun, kemampuan untuk secara otomatis menerapkan perhitungan matematis kompleks ke data Google Analytics Anda dengan lebih cepat dan jauh lebih andal adalah perkembangan terkini.

Cara Menggunakan Laporan Jalur Konversi Teratas Analytics Corong Multisaluran

Periksa laporan Panjang Jalur dalam laporan standar Corong Multisaluran di Google Analytics Anda (atau platform serupa). Seringkali jumlah konversi situs yang tinggi memiliki lebih dari satu panjang jalur, sehingga sulit untuk mengatribusikan konversi dengan benar. Google Analytics memungkinkan pemasar menggabungkan wawasan tentang jalur konversi pengguna yang dengan visualisasi konversi multi-salurannya ditemukan di bagian Ikhtisar.

Tinjau laporan Konversi Terbantu di Google Analytics. Fokus pada kolom terakhir yang menampilkan semua Klik Terpandu/Terakhir atau Konversi Langsung:

• Untuk nilai di bawah satu, saluran tersebut memiliki kemungkinan lebih tinggi untuk mendorong konversi klik terakhir.

• Untuk nilai di atas satu, saluran tersebut kemungkinan akan tersedia lebih awal di fase konversi. Saluran ini mungkin kehilangan kredit yang sesuai saat menggunakan strategi atribusi klik terakhir.

Dimungkinkan untuk menguraikan area apa yang mungkin diremehkan di seluruh saluran pemasaran Anda.

Kemudian sesuaikan persentase alokasi anggaran dan ukur hasil baru. Seluruh tim pemasaran mendapat manfaat dari mengetahui saluran mana yang lebih dulu (saluran yang berfungsi untuk memperkenalkan merek Anda kepada konsumen "), saluran mana yang muncul berikutnya ("memupuk keputusan pembeli potensial kita"), saluran mana yang muncul setelah itu dan seterusnya.

Selanjutnya, temukan wawasan di laporan Jalur Konversi Terpopuler Analytics.

Data Mining untuk Model Atribusi yang Lebih Baik

Menyegmentasikan dan database Anda serta menguji bagaimana wawasan Anda terbentuk. Salinan iklan dapat meningkatkan tingkat konversi bisnis dan dengan demikian margin keuntungan. Dengan membuat promosi PPC Anda keluar dari rencana pemasaran yang ketat dan sangat menarik, ini dapat memberdayakan perusahaan Anda untuk menyesuaikan produk dan promosi untuk lebih memenuhi kebutuhan audiens unik yang mungkin dapat dilakukan oleh promosi yang lebih umum dan luas.

Pendekatan corong atas yang lebih cerdas tentang cara mendapatkan prospek baru dan berkualitas ke situs web Anda mungkin melibatkan lebih banyak fokus corong tengah. Pemasaran yang digerakkan oleh laba mencakup memprediksi apa yang menyebabkan churn, keterlibatan pengguna, dan tingkat retensi yang lebih baik, dimungkinkan untuk mengurangi silo organisasi dan melihat bisnis mengintegrasikan sumber data mereka. Kami memiliki kemampuan untuk melibatkan pembelajaran mesin untuk meningkatkan integrasi data yang dapat digunakan untuk mendorong akuisisi pelanggan baru, mengurangi rasio pentalan halaman arahan, dan membangun pembelian kembali dari pelanggan yang sudah ada.

Banyak yang mengaitkan pembelajaran mesin, analitik pelanggan, dan bagaimana data besar dapat bekerja sama untuk melewati jenis pembeli tertentu dengan pesan tertentu pada satu jenis perangkat. Setelah menentukan perilaku pemicu yang dilakukan pengunjung situs, pemasar mendapatkan wawasan yang lebih berkualitas tentang apa yang harus diubah dalam pesan, penawaran, frekuensi, waktu, dan faktor lain untuk membuat iklan berbayar lebih efisien.

Pemodelan Berbasis Posisi dalam Atribusi PPC

Setiap bisnis ingin berhemat mungkin untuk mendapatkan hasil maksimal dari pembelanjaan iklan mereka dan menampilkan cuplikan fitur yang terlihat . Dengan memeriksa dengan cermat ke bagian bawah corong konversi Anda, atribusi klik terakhir paling sesuai dengan upaya banyak pemasar. Meskipun mudah untuk memahami mengapa, ketika tujuannya adalah efisiensi PPC dan pertumbuhan ke luar kurang menuntut perhatian, model peluruhan waktu adalah pilihan saya.

Namun ketika fokus bisnis adalah pada pertumbuhan dan peningkatan akuisisi pelanggan baru, lebih dekat ke bagian atas corong adalah prioritas untuk pengoptimalan AdWords . Atribusi klik pertama dan klik terakhir hanya menawarkan potongan kecil kue. Google di AdWords dan data Google Analytics suatu hari nanti dapat memberikan iterasi terbalik dari peluruhan waktu, tetapi karena tidak ditawarkan hari ini, model berbasis posisi atau berbentuk u membutuhkan lebih banyak pekerjaan dan interpretasi terampil dari laporan data yang tersedia.

Dengan berfokus pada data prediktif dan informasi pembelian yang relevan , adalah mungkin untuk meningkatkan hubungan yang dimiliki konsumen dengan produk dan layanan Anda. Ini membutuhkan strategi pemasaran konten yang jelas yang berfungsi untuk saluran penjualan Anda yang selalu hijau .

Model atribusi berbasis posisi U-Shaped memudahkan untuk mengidentifikasi titik kontak pengguna utama sekaligus menghubungkan persentase kredit dengan upaya pemasaran sebelumnya. Ketika bisnis memiliki siklus pembelian yang panjang, titik sentuh tengah sering kali diberi bobot yang lebih rendah. Pembeli mencari ulasan produk untuk membantu mereka mengambil keputusan. Pemodelan atribusi benar-benar arbitrer. Latihan bertahun-tahun dan pemikiran analitis membantu Anda memberikan kredit ke metrik dan saluran yang paling selaras dengan tujuan bisnis Anda.

Studi Pelacakan Lintas Perangkat menawarkan Wawasan untuk Pengukuran dan Atribusi

Pelacakan lintas-perangkat yang ditingkatkan menawarkan tampilan lengkap tentang perilaku pengguna dan dapat bermanfaat untuk berbagai tujuan, termasuk penargetan iklan, atribusi multi-sentuh, penelitian, dan atribusi konversi. Namun, pengguna situs sering tidak menyadari atau sering melewatkan membaca pemberitahuan cookie yang diposting di bagian bawah halaman tentang bagaimana dan seberapa sering perilaku mereka dilacak di berbagai perangkat. Oleh karena itu, studi oleh OTech mengumpulkan informasi tentang pelacakan lintas perangkat dan menawarkan pengamatan dari perspektif pengguna akhir.

Menurut komunikasi email tanggal 5 Januari dari Aaron Alva di Divisi Teknologi FTC, “Perusahaan teknologi periklanan dan analitik internet semakin berusaha menemukan cara untuk menghubungkan perilaku di berbagai perangkat yang dimiliki konsumen. Pelacakan lintas perangkat ini dapat memberikan pandangan yang lebih lengkap tentang perilaku konsumen dan dapat bermanfaat untuk berbagai tujuan, termasuk penargetan iklan, penelitian, dan atribusi konversi.”

Untuk informasi lebih lanjut, baca laporan yang baru dirilis dari FTC yang disebut Pelacakan Lintas Perangkat: Pengukuran dan Pengungkapan oleh Kantor Penelitian dan Investigasi Teknologi (OTech )

Bagaimana Pembelajaran Mesin Menguntungkan Iklan Google Anda

Mengapa Pemilik Bisnis ingin mengetahui setiap Aktivitas Pelanggan di setiap Titik Kontak:

• Penargetan iklan yang ditingkatkan dan komunikasi yang disesuaikan untuk Google Ads — dengan pengetahuan yang lebih mendalam tentang perilaku pelanggan dan interaksi online, strategi pemasaran penelusuran Anda dapat membentuk pesan yang disesuaikan untuk memadukan semua saluran dengan lebih baik.

• Keputusan produk dan layanan yang lebih baik — dengan analisis data pelanggan yang ditingkatkan untuk analisis , laman landas ritel Anda dapat lebih berguna setelah menyesuaikan melalui pemasaran yang terinformasi, SEO pada laman, dan keputusan pemosisian.

• Meningkatkan loyalitas klien — bagaimana satu pelanggan dapat membantu strategi pemasaran Anda meningkatkan layanan pelanggan dan secara positif memengaruhi loyalitas pelanggan.

• Penawaran salinan dan promosi berbayar yang lebih baik dalam iklan bergambar” — memahami perilaku pengguna Anda dan cara berpikir pelanggan saat mereka berinteraksi dengan merek Anda berarti bahwa tim pemasaran Anda dapat memberikan penawaran dan promosi yang berpusat pada pelanggan dan akan sangat berarti bagi pengunjung situs.

“Dalam model atribusi Berbasis Posisi, 40% kredit diberikan untuk setiap interaksi pertama dan terakhir, dan 20% kredit sisanya didistribusikan secara merata ke interaksi tengah. Dalam contoh ini, saluran Penelusuran Berbayar dan Saluran Langsung masing-masing akan menerima kredit 40%, sedangkan saluran Jaringan Sosial dan Email masing-masing akan menerima kredit 10%.” – Dukungan Google Analytics

CATATAN: Google mengajukan permohonannya pada 15 Februari 2013 untuk metode dan peralatan untuk penentuan atribusi multi-sentuh berbasis data dalam kampanye iklan multisaluran . Atau dikenal sebagai US 20140236705 A1, yang mengandalkan pemanfaatan pembelajaran mendalam .

Bagaimana Saya Menentukan Model Mana yang Terbaik untuk Bisnis Saya?

Manajer pemasaran digital paling baik dalam menentukan kampanye, materi iklan, dan penempatan Google Ads mana yang berperforma terbaik, cara menyesuaikannya, atau apakah Anda harus berinvestasi dalam kampanye tertentu sama sekali. Jawaban "itu tergantung" benar di sini karena beberapa faktor lain, seperti kesadaran merek yang sudah ada sebelumnya, margin ROI, dan demografi, semuanya ikut bermain; atribusi pecahan tidak.

Lebih banyak tekanan ada pada pemasar digital di ceruk yang sempit. Semakin mereka bertanggung jawab untuk meningkatkan konversi dan memperoleh cuplikan fitur yang kaya dalam hasil pencarian . Saat pengukuran baru muncul, lebih mudah untuk menguraikan jika salah satu dari model ini lebih baik daripada pengukuran saluran tertutup. Metode ini akan membekali Anda dengan wawasan tentang perjalanan konsumen yang tidak Anda miliki sebelumnya. Memutuskan solusi atribusi multi-sentuh mana yang terbaik untuk produk Anda sangat ditentukan oleh tujuan bisnis Anda, persyaratan, anggaran, dan bagaimana Anda ingin menggunakan output untuk meningkatkan efektivitas pemasaran berbayar Anda.

RINGKASAN

Pelajari lebih lanjut tentang Jeannie Hill dan layanan Google Ads sesuai keinginan Anda.

Jika Anda ingin melihat apa yang dapat dilakukan dengan menggabungkan pendekatan pembelajaran mesin, mari bicarakan lebih lanjut tentang Layanan Pengoptimalan AdWords kami untuk Tingkat Konversi yang Lebih Kuat

* https://moz.com/blog/machine-learning-revolution

** https://segment.com/academy/advanced-analytics/an-introduction-to-multi-touch-attribution/