PPC 멀티터치 기여 모델에 머신 러닝 인사이트 적용

멀티터치 기여 모델에 머신 러닝 적용

2020년 4월 30일 업데이트됨

새로운 미디어 마케팅 계획자는 2020년대 PPC 광고에 사용되는 멀티터치 기여 모델을 최적화하기 위해 머신 러닝을 통합할 수 있습니다.

미래의 성공적인 디지털 마케팅 대행사는 데이터를 활용하고 머신 러닝의 통찰력을 적용하여 멀티터치 기여 모델을 최적화할 수 있는 대행사가 될 가능성이 더 큽니다. 얻은 통찰력은 성공적인 리마케팅 ​​캠페인 에도 필수적입니다.

Google에서 기계 지능 의 새로운 혁신에 대한 탐색은 2020년대에 들어서면서 회사를 전 세계적으로 두 번째로 영향력 있는 브랜드로 자리매김하는 데 도움이 되었습니다. 검색 대기업은 보다 고전적인 알고리즘에서 딥 러닝과 같은 최첨단 기술에 이르기까지 기계 학습의 발전 측면을 적극적으로 탐구하고 있습니다. Google AdWords를 사용하여 광고 하는 비즈니스가 유료 검색에서 계속해서 새로운 승리를 거두고 있다는 점을 감안할 때 머신 러닝과 멀티터치 기여 모델이 함께 작동하는 방식을 이해하는 것이 도움이 됩니다.

먼저 사람들이 묻는 몇 가지 일반적인 질문에 답해 보겠습니다.

멀티터치 어트리뷰션이란?

멀티터치 어트리뷰션은 마케팅 효과를 측정하는 수단입니다. 이는 디지털 마케터가 각 채널이 판매에 미치는 영향을 평가할 수 있도록 모든 소비자 여정 터치포인트를 평가하고 각 행동에 부분적 기여도를 할당하는 기술입니다 .

마케팅에서 기여 모델이란 무엇입니까?

사용자 기여 모델은 판매 및 전환에 대한 기여도가 전환 경로의 소비자 터치포인트에 할당되는 방식을 결정하는 일련의 규칙입니다. 모델 비교 도구는 다양한 기여 모델이 마케팅 채널의 평가 및 성과에 미치는 영향에 대한 비교를 제공합니다.

멀티터치 어트리뷰션은 소비자가 구매, 다운로드 또는 다른 이벤트.

먼저 심층 마케팅 조사 를 수행하면 사이트에서 사용자의 활동을 더 잘 파악할 수 있습니다.

여기에는 기계 지능을 활용하는 언어 식별, 음성, 번역, 시각적 처리 추세 , 순위 및 예측 기능에 대한 작업이 포함됩니다. 직간접적인 관심 관계의 증거를 제공하는 방대한 양의 빅 데이터는 더 정확한 검색 결과를 이해하고 신속하게 생성하기 위한 학습 접근 방식을 개발하는 데 사용됩니다.

기계 학습의 발전은 SEO의 인지 여부와 상관없이 디지털 마케터가 진화하도록 강요하고 있습니다. 또는 웹 사이트를 준비하는지 여부. 이 기사에서는 멀티터치 어트리뷰션에서 위치 기반 모델링을 선호하는 이유를 설명합니다.

주요 변경 사항은 다음과 같습니다. 미디어 기획 및 구매 회사 는 온라인 판매 규모를 늘리는 데 성공하기 위해 광고 전략에 새로운 시도를 하고 있다는 사실을 알고 있습니다.

멀티터치 기여 모델 이해: 규칙 기반 vs. 알고리즘

규칙 기반 접근 방식을 사용해야 합니까 아니면 알고리즘 방식의 PPC 기여 모델을 사용해야 합니까?

브랜드의 기여 모델을 정확하게 결정하는 것은 규칙 기반 및 알고리즘 머신 러닝이라는 두 가지 범주의 모델로 분류할 수 있습니다. 규칙 기반 모델은 인간적으로 추론되므로 상당히 주관적인 것으로 분류될 수 있습니다. 이러한 보다 전통적인 귀인 모델은 첫 번째 및 마지막 터치, 균등 터치, 시간 소멸 귀인 및 기타 시나리오에 대해 일반적으로 이해되는 가정을 기반으로 합니다. 예를 들어, 사람의 구매 결정을 주도한 것은 마지막 노출이거나 첫 번째와 마지막 터치에 동일한 가중치가 부여됩니다.

규칙 기반 마케팅 귀인은 단순 귀인 접근으로 알려져 있습니다. 이러한 모델은 사전 정의된 공식에 의해 설정된 각 소비자 접점에 값을 할당합니다. 구매 여정의 하나의 터치 포인트(일반적으로 첫 번째 또는 마지막 터치 포인트)에만 100% 기여도를 부여합니다.

이 주관적인 프로세스를 개선하기 위해, 인식이 잘못 정렬된 경우 분석 성숙도 척도에 의존하는 멀티터치 귀인 모델링이 더 설명적이고 머신 러닝에 의존하면서 더 낮은 고려 프로세스를 포함합니다. 단일 터치포인트 속성(마지막 상호작용 및 첫 번째 상호작용)을 다중 터치포인트 모델로 대체함으로써 기존 규칙에 따라 다양한 터치포인트에 기여도를 부여하는 것이 더 쉽습니다.

Google BERT 알고리즘 내에서 기계 학습 의 발전을 고려할 때 데이터 기반 알고리즘 접근 방식이 더 신뢰할 수 있는 것으로 입증되었습니다. 이는 데이터 및 해당 데이터의 모델링을 기반으로 속성 출력이 설정됨을 의미합니다. 부분 귀속은 전체에 대한 원터치의 값에 따라 백분율로 할당됩니다. 그러나 정확하기 위해 알고리즘 머신 러닝 속성은 입력된 데이터의 풍부함에 따라 크게 달라집니다. 신뢰할 수 있는 소스를 사용하면 포괄적인 스냅샷을 얻을 수 있지만 그렇지 않으면 결과에 치명적인 결함이 생길 수 있습니다.

비록 우리가 기계 학습에 의존하고 있지만 이 모델은 여전히 ​​높은 수준의 인간 상호 작용에 의존하고 있습니다. 인간 분석가로부터 얻은 컨텍스트 통찰력은 잠재적인 결함 입력을 줄이는 데 도움이 됩니다. 노련한 디지털 마케터는 결과가 손상되기 전에 사고를 더 빨리 인식할 가능성이 더 큽니다.

멀티터치 기여 모델은 마케터에게 모든 사용자 상호작용이 최종 목표에 미치는 영향에 대한 포괄적인 시각을 제공합니다. 이것은 작동하는 것과 작동하지 않는 것, 이 거대한 교차 채널 퍼즐에서 무엇이 영향을 미치는지 더 잘 이해하는 데 도움이 됩니다. 이러한 통찰력은 마케터와 브랜드가 더 현명한 마케팅 결정을 내릴 수 있는 가능성을 크게 만들어줍니다. 지역 검색 마케팅 활동 을 알리십시오.

Eric Enge는 "머신 러닝은 SEO 계획부터 온라인 구매 성공에 이르기까지 사용자 참여를 올바르게 평가할 때 사용할 수 있습니다"라고 말합니다. 2016년 2월 4일 Moz 기사 The Machine Learning Revolution: How it Works and its Impact on SEO *에서는 알고리즘 기반 기술에 대한 Google 및 기타 검색 엔진의 투자가 어떻게 사용될 수 있는지에 대해 자세히 설명합니다. 확인 해봐.

귀하의 비즈니스에 멀티터치 모델 어트리뷰션을 사용해야 합니까?

머신 러닝은 사용자 참여를 올바르게 평가할 때 온라인 구매를 성사시키기 위해 애자일 마케팅 계획에 정보 를 제공하는 데 사용할 수 있습니다.

데이터 마이닝의 이점을 얻는 가장 좋은 방법 중 하나는 고객을 분류한 다음 AdWords를 사용하여 타겟 메시지를 보내는 것입니다. 그리고 그것은 상당히 간단한 과정입니다. Search Console 및 Google Analytics 데이터만으로도 잠재고객을 연령, 관심분야, 수입, 직업 또는 성별과 같은 의미 있는 세그먼트로 나눌 수 있습니다. 이는 이메일 마케팅 캠페인, 유료 검색을 실행 하거나 SEO 전략을 새로고침하는 경우에 효과적입니다.

데이터 세분화의 또 다른 이점은 경쟁 환경을 더 잘 이해할 수 있다는 것입니다. 이 통찰력만으로도 신속하게 식별하는 일반적인 시장과 귀하의 비즈니스가 제공하고자 하는 동일한 잠재 구매자를 대상으로 하는 시장을 식별하는 데 도움이 됩니다.

경쟁사를 나열하라는 요청을 받았을 때 개인 목록을 가지고 돌아오는 일반적인 비즈니스와 같은 경우입니다. 더 크게 생각하고 계획하십시오. 유료 검색 마케팅을 사용하여 더 많은 쇼핑객에게 다가 갑니다. 검색 엔진은 사용자 검색 쿼리에 대해 잠재적으로 일치하는 전 세계 풀에서 선택해야 합니다. 대부분의 기업은 정말로 경쟁하고 이기고 싶다면 경쟁 웹사이트 범위를 2~3배로 확장해야 합니다. 데이터 마이닝과 머신 러닝 작동 방식에 대한 더 많은 이해가 이를 수행하는 데 도움이 될 것입니다.

Google의 기계 학습으로의 여정: 마케팅 담당자가 알아야 할 사항 이라는 제목의 E 마케터 기사에서는 최상위 퍼널 접근 방식에 존재하는 다양한 방법에 대해 설명합니다. 여기에는 Google 지도에서 직접 오는 쇼핑객 을 포함하여 웹사이트로 들어오는 적격한 리드를 확보하기 위한 전략적 계획이 포함됩니다.

Justin Cutroni는 "세션과 기업 웹사이트 방문은 모두 동일한 가치가 아니며 회사는 모든 리드에 대해 동일한 금액을 지불해서는 안 됩니다."라고 말합니다.

전환을 개선하기 위한 기계 학습 모델의 8가지 탁월한 이점:

더 나은 광고 결정은 정확한 데이터와 모든 전환에 대해 업데이트되는 머신 러닝 모델을 활용하는 능력에서 시작됩니다.

1. 사이트 방문자의 전환 유입경로가 얼마나 깊고 사용자가 결정을 내리는지 쉽게 이해하십시오.

2. 사용자가 구매를 시작하고 종료하는 위치를 기준으로 일반적으로 전환하는 데 걸리는 시간을 확인하여 최적화 시점을 파악합니다.

3. 다음 분기에 ROI 및 비즈니스 수익을 높이기 위해 광고 비용을 어디에 사용할지 더 잘 결정할 수 있습니다.

4. 사용된 장치와 퍼널의 고유한 부분에서 전략적 장치 타겟팅의 효과를 기반으로 전환수를 해독합니다.

5. 상위 유입경로 전술과 비디오 콘텐츠 사용이 각 전환에 어떻게 영향을 미치는지 더 잘 볼 수 있습니다.

6. 신규 및 재방문 비즈니스 모두에 대한 전체 고객 라이프사이클을 이해하는 보다 정확한 능력.

7. 알고리즘 귀인 모델의 한 가지 이점은 초기에 추측이 적다는 것입니다.

8. 나중에 데이터를 다시 확인할 필요가 줄어듭니다.

기계 학습 시간 가치 하락 기여를 사용하여 시장 지출 할당

"기본적으로 리드가 상호작용한 마지막 캠페인 또는 노출은 모든 전환 기여도를 얻습니다. 하나 또는 두 개의 캠페인만 실행하는 경우 이 모델의 단순성과 즉시 사용 가능한 접근성이 매력적입니다. 그러나 여러 마케팅 채널이 있는 경우 이러한 종류의 기여는 오해의 소지가 있고 마케팅 지출을 더 잘 할당하는 데 도움이 되지 않습니다."라고 Segment Analytics Academy**는 말합니다.

Time Decay Attribution Model을 사용할 때 시간상 소비자의 구매 또는 전환에 가장 가까운 터치포인트가 기여도의 가장 큰 부분에 기여합니다. 예를 들어 AdWords 캠페인 클릭과 이메일 채널이 모두 판매 전 몇 시간 이내에 가장 최근의 고객 상호작용으로 인식되는 경우 다른 채널은 광고 또는 이메일 채널보다 더 적은 크레딧을 받게 됩니다. 유료 검색 상호 작용이 판매 시점에 가까워졌기 때문에 이 채널은 에이전트와의 이전 소셜 참여보다 훨씬 더 많은 크레딧을 받습니다.

Google의 데이터 기반 기여 모델 사용

Google은 총 전환량을 최대화하는 데 가장 적합한 기여 모델을 찾기 위해 사용자 행동 데이터와 산술 지식에 영향을 미치는 기계 학습에 더 많이 의존하고 있습니다. 귀하의 AdWords 모바일 전환량을 경쟁자보다 더 많이 증가시킬 데이터 세트를 찾는 것이 금광의 꿈입니다.

인애드워즈 데이터 기반 어트리뷰션의 문제는 사용자 참여에 대한 단일 채널 해석을 가장 잘 제공한다는 것입니다. 온라인에서 귀하의 제품을 검색하는 신규 고객을 성공적으로 타겟팅하기 위해 이메일이나 소셜 네트워크와 같은 다른 비검색 마케팅 작업에서 발생했을 수 있는 전환을 식별하기가 어렵습니다. 머신 러닝은 사람들이 검색하는 제품에 이미지 엔터티를 일치시키는 데 더 좋습니다. 제품 이미지와 광고는 온라인 제품 캐러셀에 표시될 수 있습니다 .

Google은 한 달 동안 최소 20,000회의 클릭과 800회의 전환이 발생하도록 제안합니다. AdWords로 시작하는 많은 비즈니스는 숫자가 적으며 처음에는 위치 기반 기여를 가장 잘 수행합니다. 귀하의 비즈니스에 가장 적합한 PPC 기여 모델을 찾는 것은 여러 요인에 따라 달라지며 시간과 테스트를 통해 밝혀집니다.

최고의 다중 채널 기여 모델 선택의 과제

어떤 모델을 선택 하든 소비자 투명성과 개인정보 보호 모범 사례를 존중 해야 합니다.

분석의 많은 측면은 비즈니스에 사용할 최고의 다중 채널 기여 모델을 찾는 것보다 더 복잡하지 않습니다.

몇 년 동안 기본 PPC 기여 모델이 된 후 마지막 클릭이 어떻게 잘못될 수 있습니까? 그리고 첫 번째 클릭 어트리뷰션이 잘못되었다는 것을 배우는 것도 받아들이기 어려울 수 있습니다. 시간이 지남에 따라 위치 기반 모델로 나아가고 있지만 데이터 기반 기여 기술은 완벽해 보이지 않습니다. 다음 해에 마케팅 PPC 지출은 더 나은 결과와 유료 광고에 대한 투자에 대한 더 많은 수익으로 증가할 수 있습니다. 자연 검색 팀이든 유료 검색 팀이든, 결국 소비자에게 더 많은 가치를 제공하면 앞서게 됩니다.

마지막 터치 기여 모델은 간단하며 많은 마케터가 자주 사용합니다. 그러나 모든 광고 노출의 자극을 완전히 무시하고 마지막 광고를 차단합니다. 또는 많은 사람들이 MTA(Multi-Touch Attribution) 모델이라는 새로운 아이디어를 채택했습니다. 이는 하나 이상의 터치 포인트가 각 터치 포인트에서 사용자의 구매 결정으로 이어지는 진정한 사용자 영향력을 기반으로 크레딧의 일부를 가질 수 있음을 의미합니다.

새로운 기계 학습 기술로 인해 이전 개념에 의해 미루지 마십시오. 검색 및 사이트 방문자 행동의 패턴 인식에서 태어난 인공 지능 연구 작업을 통해 비즈니스는 데이터와 사용자 접점에서 배울 수 있습니다. 전환 데이터를 더 잘 시각화하고 신용할 수 있습니다. 머신 러닝의 반복적인 측면은 모델이 새로운 데이터에 노출됨에 따라 독립적으로 적응할 수 있기 때문에 중요합니다. 그들은 신뢰할 수 있고 반복 가능한 결정과 결과를 생성하기 위해 이전 계산에서 학습합니다. 이것은 오래된 과학이지만, 크게 개선되었고 정통한 디지털 마케터로부터 새로운 동의를 얻은 것입니다. SEO 마케팅 관행을 최신 상태로 유지 하면 PPC 운영에도 도움이 됩니다.

수년 동안 많은 기계 학습 알고리즘이 존재했지만 복잡한 수학적 계산을 Google 애널리틱스 데이터에 더 빠르고 안정적으로 자동으로 적용하는 기능은 최근 개발된 기능입니다.

다중 채널 유입경로 분석 상위 전환 경로 보고서를 사용하는 방법

Google Analytics(또는 유사한 플랫폼)의 다중 채널 유입경로 표준 보고서에서 경로 길이 보고서를 검토하십시오. 종종 많은 수의 사이트 전환이 하나 이상의 경로 길이를 가지므로 전환을 올바르게 표시하기가 어렵습니다. Google Analytics를 사용하면 마케터가 사용자의 전환 경로에 대한 통찰력을 개요 섹션에 있는 다중 채널 전환 시각화와 결합할 수 있습니다.

Google 애널리틱스에서 지원 전환 보고서를 검토하세요. 모든 지원/마지막 클릭 또는 직접 전환을 보여주는 마지막 열에 초점을 맞춥니다.

• 값이 1 미만이면 해당 채널이 마지막 클릭 전환을 유도할 가능성이 더 높습니다.

• 1보다 큰 값의 경우 해당 채널은 전환 단계의 초기에 사용할 수 있을 가능성이 있습니다. 이러한 채널은 마지막 클릭 기여 전략을 사용할 때 적절한 크레딧이 누락될 수 있습니다.

마케팅 채널 전체에서 어떤 영역이 저평가될 수 있는지 해독할 수 있습니다.

그런 다음 예산 할당의 비율을 조정하고 새로운 결과를 측정합니다. 전체 마케팅 팀은 어떤 채널이 먼저인지( 소비자에게 브랜드를 소개 하는 데 작동하는 채널), 다음으로 오는 채널("잠재적인 구매자 결정을 육성"), 어떤 채널이 그 다음에 오는지 등을 알면 도움이 됩니다.

다음으로 Analytics 상위 전환 경로 보고서에서 인사이트를 찾습니다.

더 나은 기여 모델을 위한 데이터 마이닝

데이터베이스와 데이터베이스를 세분화하고 얻은 통찰력이 어떻게 형성되는지 테스트하면 광고 문구가 비즈니스 전환율을 높이고 수익 마진을 높일 수 있습니다. 빡빡하고 관심도가 높은 마케팅 계획에서 PPC 판촉을 만듦으로써 회사는 제품과 판촉을 사용자 정의하여 보다 일반적이고 광범위한 판촉이 할 수 있는 고유한 청중의 요구를 더 잘 충족시킬 수 있습니다.

귀하의 웹사이트에 대한 새롭고 검증된 리드를 얻는 방법에 대한 더 스마트한 상위 유입경로 접근 방식에는 유입경로 중간에 더 집중해야 할 수 있습니다. 이익 중심 마케팅 에는 이탈, 사용자 참여 및 유지율 향상의 원인 예측이 포함되며, 조직의 사일로를 줄이고 기업이 데이터 소스를 통합하는 것을 볼 수 있습니다. 우리는 새로운 고객 확보를 유도하고 방문 페이지 이탈률을 줄이고 기존 고객의 반품 구매를 구축하는 데 사용할 수 있는 데이터 통합을 개선하기 위해 머신 러닝을 활용할 수 있습니다.

많은 사람들이 머신 러닝, 고객 분석, 빅 데이터가 어떻게 협력하여 한 유형의 기기에서 특정 메시지로 특정 유형의 구매자에게 도달할 수 있는지에 대해 설명합니다. 사이트 방문자가 수행하는 트리거 동작을 결정한 후 마케팅 담당자는 유료 광고를 보다 효율적으로 만들기 위해 메시징, 제안, 빈도, 시간 및 기타 요소에서 변경해야 할 사항에 대한 자격을 갖춘 통찰력을 얻습니다.

PPC 어트리뷰션의 위치 기반 모델링

모든 비즈니스는 광고 지출에서 최대의 결과를 얻고 눈에 띄는 추천 스니펫을 표시하기 위해 가능한 한 절약하기를 원합니다. 전환 퍼널의 맨 아래를 면밀히 조사함으로써 마지막 클릭 기여는 많은 마케터의 노력의 대부분을 차지합니다. 이유는 이해하기 쉽지만 목표가 PPC 효율성이고 외부 성장이 관심을 덜 요구하는 경우 시간 붕괴 모델이 선호됩니다.

그러나 비즈니스 초점이 성장과 신규 고객 확보 증가에 있는 경우 유입경로의 상단에 더 가까이 다가가는 것이 AdWords 최적화의 우선 순위입니다 . 첫 번째 클릭 기여와 마지막 클릭 모두 파이의 작은 조각만 제공합니다. AdWords 및 Google Analytics 데이터의 Google은 언젠가는 시간 감소의 역반복을 제공할 수 있지만 현재는 제공되지 않기 때문에 위치 기반 또는 U자형 모델은 사용 가능한 데이터 보고서에 대한 더 많은 작업과 숙련된 해석이 필요합니다.

예측 데이터 및 관련 구매 정보 에 초점을 맞춤으로써 소비자가 귀사의 제품 및 서비스에 대해 갖는 관계를 높일 수 있습니다. 이를 위해서는 항상 지속되는 판매 유입경로 에 적합한 명확한 콘텐츠 마케팅 전략 이 필요합니다.

U자형 위치 기반 기여 모델을 사용하면 주요 사용자 터치포인트를 더 쉽게 식별하는 동시에 초기 마케팅 노력에 기여도를 부여할 수 있습니다. 비즈니스의 구매 주기가 길면 중간 접점에 가중치가 덜 부여되는 경우가 많습니다. 구매자는 결정을 내리는 데 도움이 되는 제품 리뷰를 찾고 있습니다 . 기여 모델은 완전히 임의적입니다. 다년간의 연습과 분석적 사고는 비즈니스 목표에 가장 잘 부합하는 지표와 채널에 기여도를 부여하는 데 도움이 됩니다.

측정 및 기여에 대한 통찰력을 제공하는 교차 기기 추적 연구

향상된 교차 기기 추적은 사용자 행동에 대한 완전한 보기를 제공하며 광고 타겟팅, 멀티터치 어트리뷰션, 연구 및 전환 어트리뷰션을 비롯한 다양한 목적에 유용할 수 있습니다. 그러나 사이트 사용자는 종종 다른 장치에서 자신의 행동이 추적되는 방법과 빈도에 대해 페이지 하단에 게시된 쿠키 알림을 인식하지 못하거나 건너뛰는 경우가 많습니다. 따라서 OTech의 연구 는 교차 장치 추적에 대한 정보를 수집하고 최종 사용자의 관점에서 관찰을 제공합니다.

FTC 기술 부서의 Aaron Alva가 1월 5일 보낸 이메일 통신에 따르면 "인터넷 광고 및 분석 기술 회사는 소비자가 소유한 다양한 장치에서 행동을 연결하는 방법을 찾는 데 점점 더 많은 노력을 기울이고 있습니다. 이 교차 기기 추적은 소비자 행동에 대한 보다 완전한 보기를 제공할 수 있으며 광고 타겟팅, 연구 및 전환 기여를 비롯한 다양한 목적에 유용할 수 있습니다."

자세한 내용은 FTC에서 새로 발표한 Cross-Device Tracking: Measurement and Disclosure by Technology Research and Investigation(OTech) 보고서 를 참조하십시오.

머신 러닝이 Google Ads에 미치는 이점

비즈니스 소유자가 각 터치포인트에서 모든 고객의 활동을 알고 싶어하는 이유:

• Google Ads를 위한 개선된 광고 타겟팅 및 맞춤형 커뮤니케이션 - 고객 행동 및 온라인 상호작용에 대한 더 많은 지식을 바탕으로 검색 마케팅 전략은 모든 채널에서 더 잘 혼합되도록 맞춤형 메시지를 형성할 수 있습니다 .

• 더 나은 제품 및 서비스 결정 - 분석을 위한 개선된 고객 데이터 통찰력을 통해 정보에 입각한 마케팅, 페이지 SEO 및 포지셔닝 결정을 통해 조정한 후 소매 랜딩 페이지가 더 유용할 수 있습니다.

• 고객 충성도 향상 - 단일 고객이 마케팅 전략을 지원하여 고객 서비스를 개선하고 고객 충성도에 긍정적인 영향을 미치는 방법.

• 더 나은 제안은 디스플레이 광고에서 카피 및 유료 프로모션을 제공합니다.” — 사용자 행동과 고객이 브랜드와 상호작용할 때 어떻게 생각하는지 이해하면 마케팅 팀 이 고객 중심적이고 고객에게 가장 큰 의미가 있는 제안 및 프로모션을 제시할 수 있습니다. 사이트 방문자.

“포지션 기반 기여 모델에서는 첫 번째 및 마지막 상호 작용에 각각 40%의 크레딧이 할당되고 나머지 20%의 크레딧은 중간 상호 작용에 균등하게 분배됩니다. 이 예에서 유료 검색 및 직접 채널은 각각 40%의 크레딧을 받는 반면 소셜 네트워크 및 이메일 채널은 각각 10%의 크레딧을 받습니다." – 구글 애널리틱스 지원

참고: Google은 2013년 2월 15일 에 다중 채널 광고 캠페인에서 데이터 기반 다중 터치 속성 결정을 위한 방법 및 장치에 대한 신청서를 제출했습니다. 딥 러닝 활용 에 의존하는 US 20140236705 A1으로도 알려져 있습니다.

내 비즈니스에 가장 적합한 모델을 어떻게 결정합니까?

디지털 마케팅 관리자는 어떤 Google Ads 캠페인, 광고 소재 및 게재위치가 가장 실적이 좋은지, 어떻게 조정할지 또는 특정 캠페인에 투자해야 하는지 판단하는 데 가장 능숙합니다. 기존 브랜드 인지도, ROI 마진, 인구 통계와 같은 몇 가지 다른 요소가 모두 작용하기 때문에 "그것에 달려 있습니다"라는 대답은 사실입니다. 부분 귀속은 그렇지 않습니다.

틈새 시장의 디지털 마케터에게 더 많은 압력이 가해지고 있습니다. 점점 더 많은 사람들이 전환율을 높이고 검색 결과에서 리치 추천 스니펫을 얻는 데 책임이 있습니다. 새로운 측정이 등장하면 이러한 모델 중 하나라도 사일로 채널 측정보다 더 나은지 해독하기가 더 쉽습니다. 이러한 방법을 통해 이전에는 경험하지 못했던 소비자 여정에 대한 통찰력을 얻을 수 있습니다. 제품에 가장 적합한 멀티터치 어트리뷰션 솔루션을 결정하는 것은 비즈니스 목표, 요구 사항, 예산 및 유료 마케팅의 효과를 개선하기 위해 출력을 사용하는 방법에 따라 크게 결정됩니다.

요약

편리한 시간 에 Jeannie Hill 및 Google Ads 서비스에 대해 자세히 알아보세요 .

머신 러닝 접근 방식을 통합하면 무엇을 할 수 있는지 알고 싶으시면 더 강력한 전환율을 위한 애드워즈 최적화 서비스에 대해 자세히 알아보십시오.

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

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