12 alasan untuk memilih Atribusi Berbasis Corong OWOX BI ML

Tujuan atribusi adalah untuk mengevaluasi keefektifan saluran iklan dan kampanye serta mengidentifikasi saluran lalu lintas berbayar mana yang menghasilkan konversi. Mengetahui hal ini, Anda dapat mendistribusikan kembali anggaran iklan Anda ke saluran yang efektif, berhenti membelanjakan uang untuk saluran yang tidak efisien, dan akhirnya mendapatkan lebih banyak konversi.

Keberhasilan Anda dalam menjalankan rencana penjualan dan mengembangkan bisnis Anda bergantung pada kualitas dan validitas model atribusi Anda. Masalahnya adalah sebagian besar konversi terjadi sebagai akibat dari lebih dari satu sesi: sebelum membeli, pengguna mengunjungi situs beberapa kali. Oleh karena itu, untuk mendistribusikan nilai pendapatan atau keuntungan secara objektif untuk pesanan tertentu, Anda perlu mengevaluasi setiap sesi, bukan hanya sesi terakhir. Sebagian besar model atribusi standar tidak memperhitungkan semua tindakan pengguna sebelum pesanan dan memberikan semua nilainya ke satu saluran dalam rantai. Atau mereka mengevaluasi saluran menurut aturan bersyarat dan bukan berdasarkan manfaat nyata.

Di OWOX BI, kami telah membuat model Atribusi Berbasis Corong pembelajaran mesin (ML) kami sendiri yang memperhitungkan semua tindakan pengguna online dan offline ditambah data pendapatan nyata dari CRM Anda dan menunjukkan pengaruh timbal balik saluran pada konversi dan promosi pengguna melalui corong.

Dalam artikel ini, kami menjelaskan apa yang dapat Anda lakukan dengan Atribusi OWOX BI.

Untuk memulainya, mari segarkan kembali pengetahuan teoretis Anda.

Atribusi adalah distribusi nilai dari konversi antar saluran yang memajukan pengguna melalui corong. Ini membantu menjawab sejauh mana setiap saluran memengaruhi promosi pengguna melalui corong dan pendapatan yang Anda terima pada akhirnya.

Model atribusi mendefinisikan logika pendistribusian nilai ini — misalnya, ke saluran iklan dan kampanye yang membantu menarik pengguna. Idealnya, model atribusi Anda harus dapat diandalkan (dengan mempertimbangkan kontribusi objektif dari setiap upaya) dan transparan (memungkinkan untuk memahami dan memverifikasi hasil perhitungan).

Siapa yang butuh atribusi dan mengapa?

Atribusi dibutuhkan oleh mereka yang mengelola anggaran untuk saluran pemasaran dan ingin mendistribusikannya secara efektif untuk mengurangi biaya, meningkatkan pendapatan, dan memenuhi rencana penjualan.

Model atribusi standar di Google Analytics

1. Klik Pertama. Semua nilai yang diperoleh dari konversi diatribusikan ke sumber pertama yang mengarahkan pengguna ke jalur konversi.
2. Klik Terakhir. Semua nilai masuk ke saluran terakhir yang dihubungi pengguna sebelum konversi.
3. Klik Tidak Langsung Terakhir. Semua nilai ditetapkan ke saluran terakhir dalam rantai. Jika lalu lintas langsung, nilainya dikaitkan dengan sumber sebelumnya.
4. linier. Nilai didistribusikan secara merata di antara semua sumber dalam rantai.
5. Peluruhan Waktu. Nilai didistribusikan di antara saluran secara bertahap.
6. Berbasis Posisi. Saluran yang memperkenalkan merek kepada pengguna dan saluran yang menutup kesepakatan masing-masing menerima 40% dari nilai. 20% sisanya dibagi rata di antara semua saluran di tengah corong.

Model atribusi dalam layanan periklanan

Model atribusi yang berbeda tersedia dalam layanan periklanan dan sistem analitik yang berbeda.

Sebagian besar layanan menggunakan model klik tidak langsung terakhir; beberapa menyediakan pasca-tampilan, lintas perangkat, atau model lainnya. Tetapi model-model ini tidak dapat dibandingkan di seluruh layanan: Facebook mengukur iklan dengan caranya sendiri, sementara Google Ads memiliki pendekatan yang berbeda. Akibatnya, tidak mungkin mendapatkan gambaran keseluruhan dari semua alat periklanan Anda.

Model atribusi standar tidak sesuai jika:

• sebagian besar pesanan di situs web Anda dibuat dalam lebih dari satu sesi — yaitu, ada dua atau lebih kunjungan dalam rantai sebelum transaksi
• Anda memiliki banyak sumber iklan
• Anda perlu mengevaluasi pengaruh timbal balik dari setiap saluran pada promosi corong
• Anda ingin memahami cara kerja saluran iklan dalam satu bundel
• Anda memiliki saluran penjualan yang rumit dan tidak konsisten.

Untuk menilai pengaruh timbal balik dari semua sumber, Anda perlu menggabungkan data dari berbagai layanan periklanan, Google Analytics, dan CRM Anda serta menggunakan model atribusi yang kompleks: model Berdasarkan Data di Google Analytics 360, Markov Chains, nilai Shapley, atau algoritme yang disesuaikan . Tetapi model ini juga memiliki keterbatasan: jumlah minimum data yang diperlukan untuk perhitungan, ketidakmampuan untuk mempertimbangkan konversi pasca-tampilan atau menggabungkan data dari CRM Anda, logika perhitungan tersembunyi, implementasi yang rumit dan mahal, dll.

Atribusi Berbasis Corong ML dari OWOX BI membantu Anda menghindari semua batasan ini.

Model atribusi OWOX BI menilai efektivitas kampanye iklan Anda, dengan mempertimbangkan kontribusi setiap saluran terhadap promosi pelanggan melalui corong konversi. Dengan model ini, Anda dapat:

• alokasikan anggaran iklan Anda dengan benar, dengan mempertimbangkan kontribusi nyata saluran terhadap konversi dan pengaruh timbal baliknya
• mengurangi Cash Reserve Ratio (CRR) sambil meningkatkan pendapatan
• tingkatkan jumlah pelanggan baru sambil menghemat anggaran Anda
• tingkatkan jumlah pengguna target yang dijangkau oleh kampanye media sambil menghemat anggaran Anda.

Atribusi Berbasis Corong di OWOX BI didasarkan pada rantai Markov dan pembelajaran mesin. Rantai Markov adalah urutan peristiwa di mana setiap peristiwa berikutnya bergantung pada yang sebelumnya. Atribusi berdasarkan rantai Markov menggunakan model probabilistik yang menghitung probabilitas transisi antara langkah-langkah corong, memungkinkan Anda untuk mengevaluasi pengaruh timbal balik dari langkah-langkah pada konversi dan mencari tahu langkah mana yang paling signifikan.

Untuk menghitung probabilitas, semua langkah corong konversi yang ditentukan dalam pengaturan model atribusi OWOX BI, ditambah langkah login situs, disajikan sebagai hasil dalam rantai Markov. Setelah itu, probabilitas transisi antara hasil ini dihitung:

Grafik di atas adalah contoh sederhana untuk memudahkan pemahaman. Dalam kasus nyata, bisa ada lebih banyak transaksi.

Baca selengkapnya tentang menghitung model Atribusi Berbasis Corong OWOX BI di Pusat Bantuan kami.

1. Kumpulkan data perilaku pengguna mentah dari situs Anda di Google BigQuery. Untuk melakukannya, Anda dapat menggunakan streaming data dari OWOX BI atau BigQuery Export dengan Google Analytics 360.
2. Impor data biaya ke Google BigQuery dari layanan periklanan. Untuk melakukannya, Anda dapat menggunakan OWOX BI untuk melengkapi statistik kampanye Google Ads di Google Analytics dengan data biaya dari layanan periklanan lainnya, lalu mengimpor semua informasi ini ke Google BigQuery. Anda juga dapat menggunakan OWOX BI untuk langsung mengimpor data mentah dari Facebook ke BigQuery.
3. Jika mau, Anda dapat melengkapi data di Google BigQuery dengan informasi dari CRM/ERP, pusat panggilan, dan sistem akuntansi internal Anda. Ini akan memungkinkan Anda untuk menggunakan penjualan offline dan data pendapatan CRM aktual dalam perhitungan atribusi Anda. Anda juga dapat menggunakan acara khusus sebagai langkah corong: panggilan telepon, email, rapat pribadi, dll.
4. Dalam proyek OWOX BI Anda, buat model atribusi dan jalankan perhitungan.

Sebagian besar pelanggan kami menggunakan OWOX BI untuk mengevaluasi secara objektif kampanye iklan yang ada dan merencanakan yang akan datang. Ini diperlukan untuk menjalankan rencana pendapatan dengan laba atas belanja iklan (ROAS) yang direncanakan.

Berikut adalah alasan utama mengapa kami percaya OWOX BI adalah pilihan terbaik bagi pemasar.

Model atribusi kami didasarkan pada data lengkap: tayangan iklan media dan konversi pasca-penayangan, aktivitas pengguna di situs web Anda, data biaya dari layanan periklanan, data transaksi dari CRM Anda, dan peristiwa online dan offline lainnya. Hasilnya, Anda melihat keseluruhan gambaran interaksi pengguna dengan bisnis Anda dan dapat memperhitungkan dampak semua upaya pemasaran pada indikator bisnis.

Pendapatan di Google Analytics dan pendapatan dari barang yang dibeli di CRM Anda sering kali tidak cocok. Dengan OWOX BI, Anda dapat mengukur kontribusi pemasaran online terhadap penjualan nyata dengan memperhitungkan pendapatan dari toko fisik dan data pesanan yang telah diselesaikan dari CRM Anda.

Tidak seperti model atribusi standar, model OWOX BI memperhitungkan setiap langkah pengguna sebelum memesan — bukan hanya klik terakhir. Semakin sulit untuk melewati satu langkah, semakin banyak nilai yang didapat sebuah sesi yang membantu mewujudkannya. Dan dengan mengetahui nilai sesi, Anda dapat menghitung nilai kampanye, dengan mempertimbangkan kontribusinya dalam mempromosikan pengguna melalui corong.

Anda dapat tumbuh lebih cepat dari pesaing Anda dengan memanfaatkan keunggulan unik bisnis Anda. Dengan OWOX BI, Anda dapat membuat corong yang memenuhi struktur bisnis Anda.

Selain tindakan pengguna di situs web Anda, Anda dapat menambahkan peristiwa khusus apa pun dari CRM, sistem pelacakan panggilan, dan sistem lainnya sebagai langkah corong. Misalnya, Anda dapat mengupload data tentang panggilan, rapat, atau email ke Google BigQuery. Gabungkan semua upaya bisnis yang bertujuan mengubah pengguna menjadi satu corong untuk mengevaluasi keefektifannya secara lebih akurat.

Tidaklah cukup untuk mendapatkan evaluasi yang komprehensif dari kampanye iklan Anda. Penilaian Anda harus dibagi menjadi tahap kesadaran, minat, dan konversi menggunakan model AIDA.

Misalnya, dengan OWOX BI, Anda mungkin melihat bahwa kampanye hampir tidak membentuk Kesadaran:

Akibatnya, kampanye yang dirancang untuk memengaruhi tahap corong berikutnya mungkin terlihat tidak efektif. Penilaian ROAS dari kampanye yang ada dapat menunjukkan kepada Anda cara mendistribusikan kembali anggaran Anda di antara kampanye tersebut, tetapi tidak akan mengungkapkan kurangnya upaya di tahap atas corong. OWOX BI memberi Anda pemahaman tentang di mana harus memfokuskan upaya Anda.

Tidak ada algoritme yang dapat menggantikan pengalaman Anda. Misalnya, Anda mungkin tahu bahwa kampanye merek Anda sudah habis dan ROAS mereka yang tinggi tidak berarti Anda harus berinvestasi lebih banyak di dalamnya.

Di OWOX BI, Anda dapat dengan mudah menentukan saluran yang tidak akan berpartisipasi dalam evaluasi Anda:

Akibatnya, Anda hanya mendapatkan penilaian untuk kampanye yang dapat Anda kelola secara objektif. Sangat penting bahwa Anda dapat melakukan ini kapan saja dalam antarmuka yang nyaman tanpa menghubungi pengembang atau tim dukungan Anda.

OWOX BI menghitung nilai setiap sesi. Ini memungkinkan Anda untuk menyesuaikan model atribusi untuk kelompok pengguna yang berbeda, menghitung ROI/ROAS untuk pengguna baru dan yang kembali, dan membandingkan profitabilitas kelompok.

Misalnya, operator seluler dapat mengevaluasi kontribusi kampanye iklan terhadap penjualan layanan tambahan kepada pelanggan saat ini (kohort "pelanggan saat ini"). Dan perusahaan dari ceruk ritel fesyen dapat mengevaluasi pembeli pertama kali dan pembeli berikutnya secara terpisah untuk mengetahui saluran mana yang lebih baik dalam mengarahkan pelanggan baru ke bisnis.

Selain itu, dengan mengetahui biaya sesi, Anda dapat menghitung berapa banyak yang Anda belanjakan dan berapa banyak yang Anda peroleh di setiap grup produk. Dengan informasi ini, Anda dapat mengevaluasi efektivitas iklan untuk berbagai wilayah, halaman arahan, versi aplikasi seluler, dan aplikasi.

Penting tidak hanya untuk mengevaluasi kampanye tetapi membuat evaluasi transparan untuk bisnis. Penilaian kotak hitam apa pun akan dipertanyakan dan tidak akan memungkinkan Anda menemukan kesalahan.

Di OWOX BI, Anda dapat melihat bagaimana nilai didistribusikan di seluruh kampanye untuk setiap transaksi yang telah berinteraksi dengan pengguna:

Kesalahan dan kesimpulan yang salah yang diperoleh karena upaya untuk menerapkan pembelajaran mesin pada data yang tidak mencukupi dapat merugikan bisnis. Algoritme kami secara otomatis memeriksa dan mengontrol signifikansi statistik perhitungan. Selain itu, OWOX BI memberi analis Anda akses penuh ke tabel interval kepercayaan untuk setiap segmen. Berkat ini, Anda dapat yakin dengan hasil Anda dan memahami bagaimana mereka diperoleh.

Efektivitas pemasaran online semakin bergantung bukan pada teknologi yang digunakan tetapi pada kualitas data yang menjadi model pelatihan. Oleh karena itu, atribusi sendiri kalah dengan model yang dibangun menggunakan data pasar.

Model pembelajaran mesin OWOX BI mempertimbangkan data dari puluhan ribu proyek.

Agar model atribusi menjadi efektif, model tersebut juga harus memenuhi persyaratan berikut:

1. Data untuk perhitungan harus disiapkan dengan benar. Anda tidak bisa melewatkan begitu saja data yang dikumpulkan oleh pelacak JavaScript Anda melalui pembelajaran mesin. Karena alasan ini, BigQuery ML cocok untuk eksperimen tetapi tidak untuk penggunaan komersial.
2. Anda perlu mempertimbangkan informasi tentang interaksi dengan bagian atas corong: tayangan iklan media. Untuk melakukan ini, kami telah mengembangkan OWOX BI Post-View Pixel, yang memungkinkan Anda mengukur iklan media di tingkat pengguna. Kami juga telah mengintegrasikan OWOX BI dengan Google Ads Data Hub, yang memungkinkan BigQuery meminta informasi dari Campaign Manager (sebelumnya DoubleClick Campaign Manager) dan beberapa sumber lainnya sehingga bisnis dapat mempertimbangkan dan menilai secara transparan kontribusi iklan media ke tahap atas corong.
3. Model harus mempertimbangkan pendapat ahli:

• Saluran mana yang dikelola?
• Berapa kapasitas saluran ini?
• Apa peran saluran tertentu di corong?
• Apa itu jendela konversi?

Model atribusi OWOX BI memenuhi semua persyaratan ini.

Atribusi Berdasarkan Data di Google Analytics 360 menuntut persyaratan data yang tinggi: 400 konversi dari setiap jenis dengan panjang jalur setidaknya dua interaksi. OWOX BI, dengan mengelompokkan peristiwa secara dinamis ke dalam tahapan corong, memberikan hasil yang berarti dengan jumlah data yang lebih kecil dan cocok untuk lebih banyak perusahaan. Pada saat yang sama, signifikansi statistik perhitungan dikontrol secara otomatis pada tingkat kelompok pengguna, sehingga Anda dapat yakin dengan hasilnya.

Di OWOX BI Smart Data, Anda dapat membuat laporan berdasarkan data atribusi tanpa bantuan analis atau pengetahuan tentang SQL. Setelah model atribusi dihitung, Smart Data secara otomatis melaporkan pendapatan, jumlah konversi, ROI, ROAS, dan CRR dalam konteks peristiwa yang ditambahkan. Selain itu, Anda dapat membuat laporan sendiri menggunakan Pembuat Laporan yang nyaman. Cukup pilih parameter dan angka kunci yang ingin Anda lihat dalam laporan Anda. Layanan ini akan segera memberi Anda bagan dan tabel yang dapat dipahami.

Berikut adalah beberapa contoh laporan atribusi data siap pakai yang bisa Anda dapatkan di Smart Data:

Laporan ini memungkinkan Anda membandingkan hasil penghitungan menggunakan model atribusi yang berbeda. Dalam kasus kami, ini adalah Klik Non-Langsung Terakhir, yang digunakan di Google Analytics, dan Atribusi Berbasis Corong ML dari OWOX BI. Anda dapat melihat pendapatan yang dikaitkan dan ROAS menurut saluran, kampanye, jenis pengguna, wilayah, kota, dan perangkat. Kampanye yang dilebih-lebihkan memiliki perbedaan negatif. Kampanye yang diremehkan memiliki perbedaan/nilai positif. Misalnya, pada tangkapan layar di atas, kami melihat bahwa saluran yandex/tampilan diremehkan dan perlu lebih banyak upaya.

Laporan berikut menunjukkan bagaimana nilai sumber dan saluran didistribusikan dengan langkah-langkah corong. Pada contoh di atas, kita melihat bahwa jumlah pembelian terbesar (garis hijau muda) dilakukan secara offline.

Selain peristiwa, Anda dapat menambahkan parameter lain ke laporan seperti jenis pengguna (baru atau kembali):

Laporan di atas menunjukkan bagaimana pengeluaran, langkah-langkah corong, dan pembelian didistribusikan di seluruh kelompok pelanggan. Dengannya, Anda dapat menentukan saluran dan kampanye mana yang menarik transaksi dari pelanggan baru dan mengalokasikan anggaran untuk mereka. Kampanye ini membantu Anda meningkatkan basis pelanggan Anda.

Dengan OWOX BI, Anda dapat membuat segmen audiens yang diperbarui secara otomatis berdasarkan data Anda dan mendownload segmen ini ke Google Ads. Selain itu, Anda dapat secara otomatis mengirimkan hasil perhitungan atribusi ke layanan penawaran K50 dan Alytics serta ke Google Ads dan Facebook untuk mengelola tawaran dengan mempertimbangkan efektivitas nyata dari iklan Anda.

Dalam merintis pengembangan atribusi berbasis corong, kami telah mengumpulkan pengalaman unik yang kami bagikan dengan klien kami dalam lusinan artikel dan banyak dokumentasi. Selain itu, kami siap menjamin tingkat pengumpulan data dan kualitas pemrosesan di atas 96% dalam SLA kami.

Dengan OWOX, Anda tidak hanya mendapatkan ide bagus untuk menggunakan pembelajaran mesin dalam pemasaran, tetapi juga panduan langkah demi langkah, rekomendasi praktis, dan contoh kasus penggunaan yang berhasil.

Pelajari bagaimana atribusi OWOX BI dapat membantu bisnis Anda. Mendaftar untuk demo produk untuk mengevaluasi kemampuan produk kami.