OWOX BI ML 퍼널 기반 어트리뷰션을 선택해야 하는 12가지 이유

어트리뷰션의 목표는 광고 채널 및 캠페인의 효율성을 평가하고 어떤 유료 트래픽 채널이 전환으로 이어지는지 식별하는 것입니다. 이를 알면 광고 예산을 효과적인 채널에 재분배하고 비효율적인 채널에 지출을 중단하여 궁극적으로 더 많은 전환을 얻을 수 있습니다.

판매 계획을 실행하고 비즈니스를 성장시키는 성공은 기여 모델의 품질과 유효성에 달려 있습니다. 문제는 대부분의 전환이 하나 이상의 세션의 결과로 발생한다는 것입니다. 사용자는 구매하기 전에 사이트를 여러 번 방문합니다. 따라서 특정 주문에 대한 수익 또는 이익의 가치를 객관적으로 분배하려면 마지막 세션뿐만 아니라 각 세션을 평가해야 합니다. 대부분의 표준 기여 모델은 주문 이전의 모든 사용자 행동을 고려하지 않고 체인의 한 채널에 모든 가치를 부여합니다. 또는 실제 장점이 아니라 조건부 규칙에 따라 채널을 평가합니다.

OWOX BI에서는 온라인 및 오프라인의 모든 사용자 행동과 CRM의 실제 수익 데이터를 고려하고 채널이 전환 및 사용자 프로모션에 미치는 상호 영향을 보여주는 자체 머신 러닝(ML) 유입경로 기반 기여 모델을 만들었습니다. 깔때기.

이 기사에서는 OWOX BI Attribution으로 무엇을 할 수 있는지 설명합니다.

먼저 이론적 지식을 새로 고침해 보겠습니다.

기여 는 유입경로를 통해 사용자를 발전시킨 채널 간의 전환 가치 분포입니다. 각 채널이 유입경로를 통한 사용자의 프로모션과 최종적으로 얻은 수익에 어느 정도 영향을 미쳤는지 답하는 데 도움이 됩니다.

기여 모델 은 이 가치를 사용자 유치에 도움이 되는 광고 채널 및 캠페인과 같이 분배하는 논리를 정의합니다. 이상적으로는 기여 모델이 신뢰할 수 있고(각 노력의 객관적인 기여도를 고려하여) 투명해야 합니다(계산 결과를 이해하고 확인할 수 있어야 함).

귀속이 필요한 사람과 이유는 무엇입니까?

마케팅 채널에 대한 예산을 관리하고 비용을 줄이고 수익을 늘리며 판매 계획을 이행하기 위해 효과적으로 분배하려는 사람들에게 어트리뷰션이 필요합니다.

Google 애널리틱스의 표준 기여 모델

1. 첫 번째 클릭. 전환에서 파생된 모든 가치는 사용자를 전환 경로로 안내한 첫 번째 소스에 귀속됩니다.
2. 마지막 클릭. 모든 가치는 전환 전에 사용자가 마지막으로 접촉한 채널로 이동합니다.
3. 마지막 간접 클릭. 모든 값은 체인의 마지막 채널에 할당됩니다. 직접 트래픽인 경우 값은 이전 소스에 귀속됩니다.
4. 선의. 값은 체인의 모든 소스에 균등하게 분배됩니다.
5. 시간 부패. 값은 증분 방식으로 채널에 분배됩니다.
6. 위치 기반. 사용자에게 브랜드를 소개한 채널과 거래를 성사시킨 채널은 각각 가치의 40%를 받습니다. 나머지 20%는 깔때기 중간에 있는 모든 채널에 균등하게 분배됩니다.

광고 서비스의 기여 모델

다양한 광고 서비스 및 분석 시스템에서 다양한 기여 모델을 사용할 수 있습니다.

대부분의 서비스는 마지막 간접 클릭 모델을 사용합니다. 일부는 사후 보기, 교차 기기 또는 기타 모델을 제공합니다. 그러나 이러한 모델은 서비스 간에 비교할 수 없습니다. Facebook은 자체 방식으로 광고를 측정하지만 Google Ads는 다른 접근 방식을 사용합니다. 결과적으로 모든 광고 도구를 전체적으로 파악하는 것은 불가능합니다.

표준 기여 모델은 다음과 같은 경우 적합하지 않습니다.

• 귀하의 웹사이트에서 대부분의 주문은 둘 이상의 세션에서 이루어집니다. 즉, 거래 전에 체인에 두 번 이상의 방문이 있습니다.
• 많은 수의 광고 소스가 있습니다.
• 퍼널 프로모션에 대한 각 채널의 상호 영향을 평가해야 합니다.
• 광고 채널이 번들로 작동하는 방식을 이해하려는 경우
• 복잡하고 일관성이 없는 판매 깔때기가 있습니다.

모든 소스의 상호 영향을 평가하려면 다양한 광고 서비스, Google Analytics 및 CRM의 데이터를 결합하고 복잡한 기여 모델(Google Analytics 360의 데이터 기반 모델, Markov Chains, Shapley 값 또는 사용자 지정 알고리즘)을 사용해야 합니다. . 그러나 이러한 모델에는 계산에 필요한 최소 데이터 양, 조회 후 전환을 고려하거나 CRM의 데이터를 결합할 수 없음, 숨겨진 계산 논리, 복잡하고 비용이 많이 드는 구현 등의 한계도 있습니다.

OWOX BI의 ML 깔때기 기반 어트리뷰션은 이러한 모든 제한을 피하는 데 도움이 됩니다.

OWOX BI 기여 모델은 전환 깔때기를 통한 고객 프로모션에 대한 각 채널의 기여도를 고려하여 광고 캠페인의 효과를 평가합니다. 이 모델을 사용하여 다음을 수행할 수 있습니다.

• 전환에 대한 채널의 실제 기여도와 상호 영향을 고려하여 광고 예산을 올바르게 할당하십시오.
• 수익을 늘리는 동시에 현금 준비금 비율(CRR)을 줄입니다.
• 예산을 절약하면서 신규 고객 수를 늘리십시오.
• 예산을 절약하면서 미디어 캠페인으로 도달한 타겟 사용자의 수를 늘리십시오.

OWOX BI의 깔때기 기반 어트리뷰션은 Markov 체인과 머신 러닝을 기반으로 합니다. Markov Chain은 각 후속 이벤트가 이전 이벤트에 의존하는 일련의 이벤트입니다. Markov 체인을 기반으로 하는 기여는 퍼널 단계 간의 전환 확률을 계산하는 확률 모델을 사용하므로 전환에 대한 단계의 상호 영향을 평가하고 가장 중요한 단계를 찾을 수 있습니다.

확률을 계산하기 위해 OWOX BI 속성 모델의 설정에 지정된 전환 깔때기의 모든 단계와 사이트 로그인 단계가 Markov 체인의 결과로 표시됩니다. 그런 다음 이러한 결과 간의 전환 확률이 계산됩니다.

위의 그림은 이해를 돕기 위해 단순화한 예시입니다. 실제 경우에는 더 많은 거래가 있을 수 있습니다.

도움말 센터에서 OWOX BI 깔때기 기반 기여 모델 계산에 대해 자세히 알아보세요.

1. Google BigQuery의 웹사이트에서 원시 사용자 행동 데이터를 수집합니다. 이렇게 하려면 Google Analytics 360과 함께 OWOX BI 또는 BigQuery 내보내기에서 데이터 스트리밍을 사용할 수 있습니다.
2. 광고 서비스에서 Google BigQuery로 비용 데이터를 가져옵니다. 이를 위해 OWOX BI를 사용하여 다른 광고 서비스의 비용 데이터로 Google Analytics의 Google Ads 캠페인에 대한 통계를 보완한 다음 이 모든 정보를 Google BigQuery로 가져올 수 있습니다. OWOX BI를 사용하여 Facebook에서 BigQuery로 원시 데이터를 직접 가져올 수도 있습니다.
3. 원하는 경우 CRM/ERP, 콜 센터 및 내부 회계 시스템의 정보를 사용하여 Google BigQuery의 데이터를 보완할 수 있습니다. 이를 통해 어트리뷰션 계산에 오프라인 판매 및 실제 CRM 수익 데이터를 사용할 수 있습니다. 통화, 이메일, 개인 회의 등 맞춤 이벤트를 깔때기 단계로 사용할 수도 있습니다.
4. OWOX BI 프로젝트에서 기여 모델을 만들고 계산을 실행합니다.

대부분의 고객은 OWOX BI를 사용하여 기존 광고 캠페인을 객관적으로 평가하고 향후 캠페인을 계획합니다. 이는 계획된 광고 투자 수익률(ROAS)로 수익 계획을 실행하는 데 필요합니다.

OWOX BI가 마케터에게 최고의 선택이라고 생각하는 주요 이유는 다음과 같습니다.

당사의 기여 모델은 미디어 광고 노출 및 조회 후 전환, 웹사이트에서의 사용자 활동, 광고 서비스의 비용 데이터, CRM의 거래 데이터, 기타 모든 온라인 및 오프라인 이벤트와 같은 완전한 데이터를 기반으로 합니다. 결과적으로 비즈니스와 사용자의 상호 작용에 대한 전체 그림을 볼 수 있으며 비즈니스 지표에 대한 모든 마케팅 노력의 영향을 고려할 수 있습니다.

Google Analytics의 수익과 CRM에서 구매한 제품의 수익이 일치하지 않는 경우가 많습니다. OWOX BI를 사용하면 실제 매장의 수익과 CRM의 완료된 주문 데이터를 고려하여 실제 판매에 대한 온라인 마케팅의 기여도를 측정할 수 있습니다.

표준 어트리뷰션 모델과 달리 OWOX BI 모델은 마지막 클릭뿐만 아니라 주문 전 사용자의 모든 단계를 고려합니다. 한 단계를 통과하기가 어려울수록 세션이 이를 달성하는 데 도움이 되는 더 많은 가치를 얻습니다. 그리고 세션의 가치를 알면 유입경로를 통한 사용자 홍보에 대한 기여도를 고려하여 캠페인의 가치를 계산할 수 있습니다.

비즈니스의 고유한 이점을 활용하여 경쟁업체보다 빠르게 성장할 수 있습니다. OWOX BI를 사용하면 비즈니스 구조에 맞는 깔때기를 만들 수 있습니다.

웹사이트에서 사용자의 행동 외에도 CRM, 통화 추적 시스템 및 기타 시스템의 맞춤 이벤트를 깔때기 단계로 추가할 수 있습니다. 예를 들어 통화, 회의 또는 이메일에 대한 데이터를 Google BigQuery에 업로드할 수 있습니다. 사용자를 하나의 퍼널로 전환하여 효율성을 보다 정확하게 평가하기 위한 모든 비즈니스 노력을 결합합니다.

광고 캠페인에 대한 종합적인 평가를 받는 것만으로는 충분하지 않습니다. 평가는 AIDA 모델을 사용하여 인식, 관심 및 전환 단계로 나누어야 합니다.

예를 들어, OWOX BI를 사용하면 캠페인이 인지도를 거의 형성하지 않는다는 것을 알 수 있습니다.

결과적으로 유입경로의 다음 단계에 영향을 미치도록 설계된 캠페인은 효과가 없어 보일 수 있습니다. 기존 캠페인에 대한 ROAS 평가는 캠페인 간에 예산을 재분배하는 방법을 보여줄 수 있지만 퍼널의 상단 단계에서 노력 부족을 드러내지는 않습니다. OWOX BI는 노력을 집중해야 할 부분에 대한 이해를 제공합니다.

어떤 알고리즘도 당신의 경험을 대체할 수 없습니다. 예를 들어 브랜드 캠페인이 소진되었고 ROAS가 높다고 해서 더 많은 투자를 해야 하는 것은 아니라는 것을 알고 있을 수 있습니다.

OWOX BI에서는 평가에 참여하지 않을 채널을 쉽게 지정할 수 있습니다.

결과적으로 객관적으로 관리할 수 있는 캠페인에 대해서만 평가를 받습니다. 개발자나 지원 팀에 연락하지 않고도 편리한 인터페이스에서 언제든지 이 작업을 수행할 수 있다는 것이 중요합니다.

OWOX BI는 각 세션의 가치를 계산합니다. 이를 통해 다양한 사용자 집단에 대한 기여 모델을 맞춤설정하고, 신규 및 재방문 사용자에 대한 ROI/ROAS를 계산하고, 집단 수익성을 비교할 수 있습니다.

예를 들어, 모바일 운영자는 현재 고객("현재 고객" 집단)에 대한 추가 서비스 판매에 대한 광고 캠페인의 기여도를 평가할 수 있습니다. 그리고 패션 소매 틈새 시장의 회사는 신규 고객을 비즈니스로 유도하는 데 더 나은 채널을 찾기 위해 처음 구매자와 다음 구매자를 별도로 평가할 수 있습니다.

또한 세션 비용을 알면 각 제품 그룹에 대해 지출한 금액과 수입을 계산할 수 있습니다. 이 정보를 통해 다양한 지역, 랜딩 페이지, 모바일 앱 버전 및 애플리케이션에 대한 광고 효과를 평가할 수 있습니다.

캠페인을 평가하는 것뿐만 아니라 기업을 위해 평가를 투명하게 만드는 것도 중요합니다. 모든 블랙박스 평가는 의심스러워서 오류를 찾을 수 없습니다.

OWOX BI에서 사용자가 상호 작용한 각 트랜잭션에 대해 캠페인 간에 가치가 어떻게 분배되는지 확인할 수 있습니다.

불충분한 데이터에 기계 학습을 적용하려는 시도로 인해 얻은 오류 및 잘못된 결론은 기업에 비용이 많이 들 수 있습니다. 우리의 알고리즘은 계산의 통계적 중요성을 자동으로 확인하고 제어합니다. 또한 OWOX BI는 분석가에게 각 세그먼트에 대한 신뢰 구간 테이블에 대한 전체 액세스 권한을 제공합니다. 덕분에 결과를 확신하고 결과를 얻는 방법을 이해할 수 있습니다.

온라인 마케팅의 효율성은 사용된 기술이 아니라 모델이 훈련된 데이터의 품질에 점점 더 의존하고 있습니다. 따라서 속성 자체는 시장 데이터를 사용하여 구축된 모델을 잃게 됩니다.

OWOX BI 기계 학습 모델은 수만 프로젝트의 데이터를 고려합니다.

기여 모델이 효과적이려면 다음 요구 사항도 충족해야 합니다.

1. 계산 데이터는 올바르게 준비해야 합니다. 기계 학습을 통해 JavaScript 추적기가 수집한 데이터를 그냥 건너뛸 수 없습니다. 이러한 이유로 BigQuery ML은 실험용으로는 적합하지만 상업용으로는 적합하지 않습니다.
2. 깔때기의 상단 부분인 미디어 광고 노출과의 상호 작용에 대한 정보를 고려해야 합니다. 이를 위해 사용자 수준에서 미디어 광고를 측정할 수 있는 OWOX BI Post-View Pixel을 개발했습니다. 또한 OWOX BI를 Google Ads Data Hub와 통합했습니다. 이를 통해 BigQuery는 Campaign Manager(이전 DoubleClick Campaign Manager) 및 기타 소스에서 정보를 요청할 수 있으므로 기업은 상위 단계에 대한 미디어 광고의 기여도를 고려하고 투명하게 평가할 수 있습니다. 깔때기.
3. 모델은 다음과 같은 전문가 의견을 고려해야 합니다.

• 어떤 채널이 관리되나요?
• 이 채널의 용량은 얼마입니까?
• 유입경로에서 특정 채널의 역할은 무엇입니까?
• 전환 기간이란 무엇입니까?

OWOX BI 속성 모델은 이러한 모든 요구 사항을 충족합니다.

Google 애널리틱스 360의 데이터 기반 어트리뷰션은 높은 데이터 요구 사항을 요구합니다. 경로 길이가 두 번 이상인 각 유형의 400회의 전환이 필요합니다. OWOX BI는 이벤트를 깔때기 단계로 동적으로 그룹화하여 더 적은 양의 데이터로 의미 있는 결과를 제공하고 더 많은 회사에 적합합니다. 동시에 계산의 통계적 유의성은 사용자 코호트 수준에서 자동으로 제어되므로 결과를 확신할 수 있습니다.

OWOX BI Smart Data에서는 분석가의 도움이나 SQL에 대한 지식 없이도 속성 데이터를 기반으로 보고서를 작성할 수 있습니다. 기여 모델이 계산되면 Smart Data는 추가된 이벤트의 맥락에서 수입, 전환 수, ROI, ROAS 및 CRR에 대해 자동으로 보고합니다. 또한 편리한 Report Builder를 사용하여 나만의 보고서를 작성할 수 있습니다. 보고서에서 보고 싶은 매개변수와 주요 수치를 선택하기만 하면 됩니다. 이 서비스는 즉시 이해할 수 있는 차트와 표를 제공합니다.

다음은 스마트 데이터에서 얻을 수 있는 즉시 사용 가능한 데이터 기여 보고서의 몇 가지 예입니다.

이 보고서를 사용하면 다양한 기여 모델을 사용하여 계산 결과를 비교할 수 있습니다. 우리의 경우 Google Analytics에서 사용하는 Last Non-Direct Click과 OWOX BI의 ML Funnel Based Attribution입니다. 채널, 캠페인, 사용자 유형, 지역, 도시 및 기기별로 기여 수익 및 ROAS를 확인할 수 있습니다. 과대평가된 캠페인에는 음수 차이가 있습니다. 과소평가된 캠페인에는 긍정적인 차이/가치가 있습니다. 예를 들어 위의 스크린샷에서 yandex/display 채널이 과소평가되었으며 더 많은 노력을 기울일 가치가 있음을 알 수 있습니다.

다음 보고서는 소스 및 채널의 가치가 유입경로 단계에 따라 어떻게 분포되는지 보여줍니다. 위의 예에서 가장 많은 수의 구매(연한 녹색 줄무늬)가 오프라인에서 이루어진 것을 볼 수 있습니다.

이벤트 외에도 사용자 유형(신규 또는 재방문)과 같은 다른 매개변수를 보고서에 추가할 수 있습니다.

위의 보고서는 비용, 퍼널 단계 및 구매가 고객 집단에 어떻게 분포되어 있는지 보여줍니다. 이를 통해 신규 고객의 거래를 유도하는 채널과 캠페인을 결정하고 예산을 할당할 수 있습니다. 이러한 캠페인은 고객 기반을 늘리는 데 도움이 됩니다.

OWOX BI를 사용하면 데이터를 기반으로 자동 업데이트된 잠재고객 세그먼트를 만들고 이 세그먼트를 Google Ads로 다운로드할 수 있습니다. 또한 어트리뷰션 계산 결과를 자동으로 K50, Alytics 비딩 서비스, 구글 애즈, 페이스북에 전송하여 실제 광고 효과를 고려한 입찰가를 관리할 수 있습니다.

깔때기 기반 기여의 개발을 개척하면서 우리는 수십 개의 기사와 많은 문서에서 고객과 공유하는 고유한 경험을 수집했습니다. 또한 SLA에서 96% 이상의 데이터 수집 및 처리 품질 수준을 보장할 준비가 되어 있습니다.

OWOX를 사용하면 마케팅에서 기계 학습을 사용하는 아름다운 아이디어뿐만 아니라 단계별 가이드, 실용적인 권장 사항 및 성공적인 사용 사례의 예를 얻을 수 있습니다.

OWOX BI 어트리뷰션이 비즈니스에 어떻게 도움이 되는지 알아보세요. 제품 데모에 등록하여 제품의 기능을 평가하십시오.