Apa Model Atribusi Pemasaran Terbaik di tahun 2022?

Pemasar saat ini memiliki peran yang menantang dalam menunjukkan nilai dan dampak dari aktivitas pemasaran mereka. Dengan beberapa saluran pemasaran yang tersedia secara online dan offline serta pembelian konsumen dan perjalanan keputusan menjadi lebih kompleks, kemampuan untuk memahami pengaruh pemasaran menjadi lebih penting, namun lebih sulit, daripada sebelumnya. Dalam artikel ini, kita melihat mengapa merek harus menggunakan Data Driven Attribution (DDA) untuk mendapatkan visibilitas kinerja yang lebih baik, skala, dan adaptasi strategi dengan cepat dan memenangkan pelanggan baru.

Pemasar telah berjuang selama bertahun-tahun untuk memahami nilai kegiatan mereka. Perjalanan pembelian tetap ambigu bagi sebagian besar pemasar meskipun tersedianya solusi inovatif dalam analitik dan ilmu data di seluruh industri. Masih sering tidak jelas apa pengaruh kegiatan pemasaran terhadap penjualan, misalnya.

Namun, perjalanan pembelian dapat dianalisis melalui interaksi pelanggan pada saluran pemasaran perusahaan. Salah satu solusi tersebut adalah dengan menerapkan model atribusi pemasaran out-of-the-box dalam analitik.

Namun, perjalanan pelanggan sangat kompleks. Pemasar sering kali dengan cepat menemukan bahwa model siap pakai tidak secara akurat mencerminkan seluk-beluk perjalanan pelanggan.

Jalan ke depan adalah bagi pemasar untuk meninggalkan metode atribusi pemasaran default dan out-of-the-box yang telah digunakan selama bertahun-tahun dan merangkul Atribusi Berdasarkan Data (DDA).

Dalam artikel ini, kita akan mengeksplorasi kekurangan model atribusi pemasaran out-of-the-box dan menyelami mengapa DDA menyediakan lensa terfokus untuk memahami perjalanan multi-sentuh.

Saatnya untuk percaya pada hasil objektif mesin.

Apa itu Atribusi Berdasarkan Data (DDA)?

Data Driven Attribution adalah metode pembelajaran mesin untuk memastikan pengaruh saluran pemasaran dalam keputusan pelanggan.

Alih-alih mengandalkan model atribusi pemasaran default yang sudah ketinggalan zaman (dengan aturan yang diasumsikan tentang bagaimana saluran berperilaku), model pembelajaran mesin seperti DDA menghilangkan subjektivitas, memberikan tampilan mendetail tentang dampak nyata yang dibuat saluran pada keputusan pembelian akhir.

Mengapa Menggunakan Model Atribusi Pemasaran yang Tepat Penting?

Tidak semua kegiatan pemasaran berpengaruh satu sama lain. Postingan media sosial cenderung memiliki tingkat pengaruh yang berbeda terhadap iklan PPC, meskipun mereka mungkin terkait dengan kampanye menyeluruh yang sama. Akibatnya, tidak akurat untuk mengasumsikan bahwa semua aktivitas sama efektifnya dalam mendorong (misalnya) konversi.

Dapat dimengerti, tidak mudah bagi pemasar untuk mengungkap dampak kampanye mereka ketika beberapa aktivitas berjalan di seluruh saluran - terkadang pada waktu yang sama.

Selain menentukan saluran mana yang paling cocok untuk pengiriman pesan atau produk, pemasar juga ingin merencanakan dan menganggarkan secara efektif. Ini sangat penting, mengingat fakta bahwa anggaran pemasaran sering kali menjadi yang pertama diperas.

Gambaran yang lebih rumit adalah bahwa saluran yang berbeda memainkan peran yang berbeda dalam keputusan pembelian konsumen di seluruh industri. Misalnya, aktivitas pemasaran digital yang menghasilkan dampak bagi bisnis ritel B2C akan diterjemahkan secara berbeda di sektor perawatan kesehatan swasta.

Hal yang sama berlaku untuk aplikasi B2B. Solusi satu ukuran untuk semua tidak ada, itulah sebabnya model atribusi pemasaran default tidak akan pernah memadai.

Model atribusi pemasaran juga membantu pemasar mengidentifikasi saluran terbaik untuk:

• Memperkenalkan pelanggan ke bisnis
• Momen penutupan dan pengambilan keputusan
• Merencanakan dan menskalakan kegiatan pemasaran
• Bereaksi cepat terhadap perubahan.

Ada dua jenis model atribusi pemasaran:

Dasar: Model out-of-the-box, seperti klik pertama, klik terakhir, berbasis pemosisian, peluruhan waktu. Semua berbasis aturan, biasanya dengan asumsi bahwa keputusan dibuat oleh konsumen secara linier.

DDA (Data Driven Attribution): Alih-alih menggunakan aturan dan asumsi yang telah ditentukan sebelumnya yang dibuat oleh manusia, mesin dibiarkan belajar dari data dan menentukan bobot kredit optimal untuk setiap saluran

Model atribusi dasar berbasis aturan sering kali menjadi solusi masuk untuk departemen pemasaran karena mudah dipahami. Tapi mereka tidak menceritakan kisah lengkapnya.

Apa yang Salah dengan Model Atribusi Pemasaran Dasar?

Kami telah mencantumkan jenis utama model atribusi pemasaran dasar dan mengapa model tersebut tidak ideal:

• Klik terakhir: Semua kredit masuk ke klik terakhir sebelum konversi atau pendaftaran
• Klik pertama: Kebalikan dari yang di atas

Metode di atas gagal memperhitungkan titik kontak lain yang mungkin memengaruhi perjalanan pelanggan. Metode di bawah ini memperhitungkan berbagai tahapan proses konversi hingga tingkat yang berbeda-beda, tetapi metode tersebut masih mengandalkan asumsi bahwa perjalanan pelanggan bersifat linier.

Akibatnya, setiap saluran memperoleh kredit pada kebaruan atau posisinya dalam proses keputusan yang terlalu disederhanakan:

• Klik tidak langsung terakhir: Saluran tidak langsung terakhir yang digunakan sebelum konversi, pelanggan menerima semua kredit
• Peluruhan waktu: Kredit meningkat tergantung pada keterkinian konversi atau pendaftaran, dengan aktivitas terakhir menghasilkan kredit paling banyak
• Linear: Setiap tahap menerima jumlah yang sama dari split credit
• Berbasis posisi: Interaksi pertama dan terakhir mendapatkan pembagian kredit yang sama.

DDA adalah satu-satunya metode atribusi yang menetapkan pandangan representatif dari perjalanan pelanggan, yang (setelah semua) unik untuk setiap perusahaan individu.

Dalam Atribusi Berdasarkan Data, mesin belajar dari sejumlah besar perjalanan pelanggan selama periode tertentu, menganalisis semua interaksi yang berantakan dan kompleks antar saluran sebagaimana adanya tanpa mengasumsikan linearitas.

DDA memberikan kredit berdasarkan hubungan antara saluran yang telah dianalisis secara komputasi. Oleh karena itu, model DDA dapat memastikan kredit diatribusikan secara lebih objektif. Itu secara signifikan lebih mewakili realitas perjalanan pelanggan yang sebenarnya, yang berantakan dan kompleks.

Model Atribusi Pemasaran 'Terbaik' adalah…? Subyektif

DDA memberikan tampilan kinerja saluran yang paling lengkap. Namun, secara algoritme, ada lebih dari satu cara untuk menjalankan DDA. Platform pemasaran seperti Google Analytics 360 menerapkan pendekatan teori permainan menggunakan Nilai Shapley.

Platform lain mungkin menggunakan metode probabilistik seperti Markov Chain. Perusahaan yang lebih maju secara digital akan menggunakan model DDA yang dibuat khusus, yang dioptimalkan secara teratur.

Ini berarti bahwa meskipun DDA adalah pilihan yang lebih baik daripada model linier dasar, tidak ada satu pun cara "terbaik" untuk menerapkan DDA. Setiap bisnis berbeda, dan aktivitas pemasaran akan bervariasi untuk kelompok pelanggan yang unik.

Untuk pemasar yang ingin menguji air dengan DDA sebelum membuat komitmen besar untuk membuat model kustom mereka sendiri, mungkin cara yang paling ramah dan mudah diakses adalah melalui Google Analytics 4. Google Ads kini juga menggunakan DDA sebagai model atribusi default untuk pemasaran Pay Per Click aktivitas.

Berikan Kredit di mana Kredit Terutang dengan Model Atribusi Pemasaran Berbasis Data

Perjalanan pelanggan jauh lebih berantakan, lebih kompleks, dan lebih sulit untuk dipahami daripada model atribusi out-of-the-box. Itu tidak berarti bahwa pemasar harus mengandalkan model atribusi default: justru sebaliknya.

Dengan alat yang lebih canggih dari sebelumnya yang tersedia bagi pemasar, tidak pernah ada waktu yang lebih baik untuk membuat model Pengaitan Berdasarkan Data. Tim data yang matang dapat berkonsultasi, merancang, dan merekayasa infrastruktur analitik yang diperlukan untuk menyerap dan memodelkan data perjalanan pelanggan dalam jumlah besar.

Di seluruh platform, pemasar dapat menetapkan pandangan yang jelas tentang di mana harus menetapkan kredit dan akhirnya menemukan dampak dari aktivitas mereka.

Rancang Model Atribusi Pemasaran Tingkat Selanjutnya

Agensi digital dua puluh enam bekerja dengan merek di seluruh industri untuk memajukan kematangan data mereka. Mereka memandu pemasar yang ambisius untuk menyiapkan tim mereka agar sukses, mengumpulkan, mengatur, dan menggunakan data mereka untuk mendukung pengambilan keputusan yang sangat baik.

Untuk mengetahui lebih lanjut tentang bagaimana CMO dan pemasar senior dapat menggunakan data untuk meningkatkan pengaruh mereka, unduh whitepaper terbaru mereka.