12 powodów, dla których warto wybrać metodę atrybucji opartej na lejku OWOX BI ML

Celem atrybucji jest ocena skuteczności kanałów reklamowych i kampanii oraz identyfikacja, które płatne kanały ruchu prowadzą do konwersji. Wiedząc o tym, możesz redystrybuować budżet reklamowy do efektywnych kanałów, przestać wydawać pieniądze na nieefektywne kanały i ostatecznie uzyskać więcej konwersji.

Twój sukces w realizacji planu sprzedaży i rozwoju firmy zależy od jakości i trafności Twojego modelu atrybucji. Problem w tym, że większość konwersji następuje w wyniku więcej niż jednej sesji: przed zakupem użytkownik odwiedza witrynę kilka razy. Dlatego, aby obiektywnie rozłożyć wartość przychodu lub zysku na konkretne zamówienie, trzeba oceniać każdą sesję, a nie tylko ostatnią. Większość standardowych modeli atrybucji nie bierze pod uwagę wszystkich działań użytkownika przed złożeniem zamówienia i przypisuje całą wartość do jednego kanału w łańcuchu. Lub oceniają kanały według zasady warunkowej, a nie według rzeczywistych zalet.

W OWOX BI stworzyliśmy własny model atrybucji opartej na uczeniu maszynowym (ML), który uwzględnia wszystkie działania użytkowników online i offline oraz dane o rzeczywistych przychodach z Twojego CRM i pokazuje wzajemny wpływ kanałów na konwersje i promocję użytkowników poprzez lejek.

W tym artykule opisujemy, co możesz zrobić z OWOX BI Attribution.

Na początek odświeżmy swoją wiedzę teoretyczną.

Atrybucja to dystrybucja wartości z konwersji między kanałami, które przeszły użytkownika przez ścieżkę. Pomaga odpowiedzieć, w jakim stopniu każdy kanał wpłynął na promocję użytkownika poprzez lejek i ostatecznie uzyskany przychód.

Model atrybucji definiuje logikę dystrybucji tej wartości — na przykład do kanałów reklamowych i kampanii, które pomogły przyciągnąć użytkowników. Idealnie, Twój model atrybucji powinien być wiarygodny (biorąc pod uwagę obiektywny wkład każdego wysiłku) i przejrzysty (umożliwiając zrozumienie i weryfikację wyników obliczeń).

Kto potrzebuje atrybucji i dlaczego?

Atrybucja jest potrzebna tym, którzy zarządzają budżetem na kanały marketingowe i chcą go efektywnie rozdysponować w celu obniżenia kosztów, zwiększenia przychodów i realizacji planu sprzedaży.

Standardowe modele atrybucji w Google Analytics

1. Pierwsze kliknięcie. Cała wartość uzyskana z konwersji jest przypisywana do pierwszego źródła, które poprowadziło użytkownika na ścieżkę konwersji.
2. Ostatnie kliknięcie. Cała wartość trafia do ostatniego kanału, z którym użytkownik zetknął się przed konwersją.
3. Ostatnie kliknięcie niebezpośrednie. Cała wartość jest przypisana do ostatniego kanału w łańcuchu. Jeśli jest to ruch bezpośredni, wartość jest przypisywana do poprzedniego źródła.
4. Liniowy. Wartość rozkłada się równo między wszystkie źródła w łańcuchu.
5. Rozpad czasu. Wartość jest rozdzielana między kanały na zasadzie przyrostowej.
6. Na podstawie pozycji. Kanał, który zapoznał użytkownika z marką i ten, który sfinalizował transakcję, otrzymują po 40% wartości. Pozostałe 20% jest dzielone równo między wszystkie kanały w środku ścieżki.

Modele atrybucji w usługach reklamowych

W różnych serwisach reklamowych i systemach analitycznych dostępne są różne modele atrybucji.

Większość usług korzysta z modelu ostatniego kliknięcia niebezpośredniego; niektóre udostępniają modele post-view, cross-device lub inne. Ale tych modeli nie można porównywać w różnych usługach: Facebook mierzy reklamy na swój własny sposób, podczas gdy Google Ads ma inne podejście. W rezultacie niemożliwe jest uzyskanie ogólnego obrazu wszystkich narzędzi reklamowych.

Standardowe modele atrybucji nie są odpowiednie, gdy:

• większość zamówień na Twojej stronie jest składana w więcej niż jednej sesji – czyli są dwie lub więcej wizyt w łańcuchu przed transakcją
• masz dużą liczbę źródeł reklamy
• musisz ocenić wzajemny wpływ każdego kanału na promocję lejka
• chcesz zrozumieć, jak działają kanały reklamowe w pakiecie
• masz skomplikowany i niespójny lejek sprzedażowy.

Aby ocenić wzajemny wpływ wszystkich źródeł, musisz połączyć dane z różnych usług reklamowych, Google Analytics i Twojego CRM oraz zastosować złożone modele atrybucji: model Data-Driven w Google Analytics 360, Markov Chains, Shapley value czy niestandardowe algorytmy . Ale te modele mają również swoje ograniczenia: minimalna ilość danych wymagana do obliczeń, brak możliwości uwzględniania konwersji po wyświetleniu lub łączenia danych z Twojego CRM, ukryta logika obliczeń, złożona i kosztowna implementacja itp.

ML Funnel Based Attribution od OWOX BI pomaga uniknąć wszystkich tych ograniczeń.

Model atrybucji OWOX BI ocenia skuteczność Twoich kampanii reklamowych z uwzględnieniem wkładu każdego kanału w promocję klienta poprzez lejek konwersji. Dzięki temu modelowi możesz:

• prawidłowo alokuj budżet reklamowy, biorąc pod uwagę realny udział kanałów w konwersjach i ich wzajemny wpływ
• zmniejszyć wskaźnik rezerwy gotówkowej (CRR) przy jednoczesnym zwiększeniu przychodów
• zwiększyć liczbę nowych klientów, jednocześnie oszczędzając budżet
• zwiększyć liczbę docelowych użytkowników, do których docierają kampanie medialne, jednocześnie oszczędzając budżet.

Atrybucja oparta na lejku w OWOX BI opiera się na łańcuchach Markowa i uczeniu maszynowym. Łańcuch Markowa to sekwencja zdarzeń, w której każde kolejne zdarzenie zależy od poprzedniego. Atrybucja oparta na łańcuchach Markowa wykorzystuje model probabilistyczny, który oblicza prawdopodobieństwo przejść między krokami lejka, co pozwala ocenić wzajemny wpływ kroków na konwersje i dowiedzieć się, które kroki są najbardziej znaczące.

Aby obliczyć prawdopodobieństwa, wszystkie kroki lejka konwersji określone w ustawieniach modelu atrybucji OWOX BI oraz krok logowania do witryny są prezentowane jako wyniki w łańcuchu Markowa. Następnie oblicza się prawdopodobieństwo przejścia między tymi wynikami:

Powyższa grafika jest uproszczonym przykładem dla ułatwienia zrozumienia. W rzeczywistych przypadkach może być jeszcze więcej transakcji.

Dowiedz się więcej o obliczaniu modelu atrybucji opartej na ścieżce OWOX BI w naszym Centrum pomocy.

1. Zbieraj nieprzetworzone dane o zachowaniach użytkowników ze swojej witryny w Google BigQuery. W tym celu możesz użyć strumieniowego przesyłania danych z OWOX BI lub BigQuery Export z Google Analytics 360.
2. Importuj dane o kosztach do Google BigQuery z usług reklamowych. W tym celu możesz użyć OWOX BI do uzupełnienia statystyk kampanii Google Ads w Google Analytics o dane o kosztach z innych usług reklamowych, a następnie zaimportować wszystkie te informacje do Google BigQuery. Możesz także użyć OWOX BI do bezpośredniego importowania nieprzetworzonych danych z Facebooka do BigQuery.
3. Jeśli chcesz, możesz uzupełnić dane w Google BigQuery o informacje z Twojego CRM/ERP, call center i wewnętrznych systemów księgowych. Umożliwi to wykorzystanie danych sprzedaży offline i rzeczywistych przychodów z CRM w obliczeniach atrybucji. Możesz także użyć niestandardowych wydarzeń jako kroków ścieżki: połączeń, e-maili, spotkań osobistych itp.
4. W swoim projekcie OWOX BI utwórz model atrybucji i uruchom obliczenia.

Większość naszych klientów używa OWOX BI do obiektywnej oceny istniejących kampanii reklamowych i planowania przyszłych. Jest to niezbędne do realizacji planu przychodów z planowanym zwrotem z nakładów na reklamę (ROAS).

Oto główne powody, dla których uważamy, że OWOX BI to najlepszy wybór dla marketerów.

Nasz model atrybucji opiera się na pełnych danych: wyświetlenia reklam w mediach i konwersje po obejrzeniu, aktywność użytkowników w Twojej witrynie, dane o kosztach z usług reklamowych, dane transakcyjne z Twojego CRM oraz wszelkie inne zdarzenia online i offline. Dzięki temu widzisz pełny obraz interakcji użytkowników z Twoją firmą i możesz uwzględnić wpływ wszystkich działań marketingowych na wskaźniki biznesowe.

Przychody w Google Analytics i przychody z zakupionych towarów w Twoim CRM często się nie zgadzają. Dzięki OWOX BI możesz mierzyć wkład marketingu internetowego w rzeczywistą sprzedaż, biorąc pod uwagę przychody ze sklepów fizycznych oraz dane o zrealizowanych zamówieniach z Twojego CRM.

W przeciwieństwie do standardowych modeli atrybucji, model OWOX BI uwzględnia każdy krok użytkownika przed złożeniem zamówienia — nie tylko ostatnie kliknięcie. Im trudniej jest przejść krok, tym większą wartość zyskuje sesja, która pomogła go zrealizować. Znając wartość sesji, możesz obliczyć wartość kampanii, biorąc pod uwagę ich wkład w promowanie użytkowników przez ścieżkę.

Możesz rozwijać się szybciej niż konkurencja, wykorzystując unikalne zalety swojej firmy. Dzięki OWOX BI możesz stworzyć lejek pasujący do struktury Twojego biznesu.

Oprócz działań użytkowników w Twojej witrynie możesz dodać dowolne niestandardowe zdarzenia z CRM, systemu śledzenia połączeń i innych systemów jako kroki ścieżki. Możesz na przykład przesyłać do Google BigQuery dane o połączeniach, spotkaniach lub e-mailach. Połącz wszystkie wysiłki biznesowe mające na celu przekształcenie użytkowników w jeden lejek, aby dokładniej ocenić ich skuteczność.

Nie wystarczy kompleksowa ocena Twojej kampanii reklamowej. Twoja ocena musi zostać podzielona na etapy świadomości, zainteresowania i konwersji za pomocą modelu AIDA.

Na przykład dzięki OWOX BI możesz zauważyć, że kampanie prawie nie tworzą świadomości:

W efekcie kampanie mające na celu wpływanie na kolejne etapy lejka mogą wyglądać nieefektywnie. Ocena ROAS istniejących kampanii może pokazać, jak redystrybuować budżet między nimi, ale nie ujawni braku wysiłku na górnym etapie ścieżki. OWOX BI pozwala zrozumieć, na czym należy się skoncentrować.

Żaden algorytm nie zastąpi twojego doświadczenia. Na przykład możesz wiedzieć, że kampanie Twojej marki są wyczerpane i że wysoki ROAS nie oznacza, że ​​powinieneś w nie więcej inwestować.

W OWOX BI możesz łatwo określić kanały, które nie będą brały udziału w Twojej ocenie:

W rezultacie otrzymujesz ocenę tylko tych kampanii, którymi możesz obiektywnie zarządzać. Ważne jest, abyś mógł to zrobić w dowolnym momencie w wygodnym interfejsie, bez kontaktowania się z programistami lub zespołem pomocy technicznej.

OWOX BI oblicza wartość każdej sesji. Umożliwia to dostosowywanie modeli atrybucji dla różnych kohort użytkowników, obliczanie ROI/ROAS dla nowych i powracających użytkowników oraz porównywanie rentowności kohorty.

Na przykład operatorzy komórkowi mogą ocenić wkład kampanii reklamowych w sprzedaż dodatkowych usług obecnym klientom (kohorta „obecnych klientów”). Firmy z niszy handlu detalicznego modą mogą osobno oceniać kupujących po raz pierwszy i kupujących następnym razem, aby dowiedzieć się, które kanały są lepsze w przyciąganiu nowych klientów do firmy.

Znając koszt sesji, możesz obliczyć, ile wydajesz i ile zarabiasz na każdej grupie produktów. Dzięki tym informacjom możesz ocenić skuteczność reklam dla różnych regionów, stron docelowych, wersji aplikacji mobilnych i aplikacji.

Ważna jest nie tylko ocena kampanii, ale także przejrzystość oceny dla firm. Każda ocena czarna skrzynka będzie wątpliwa i nie pozwoli na znalezienie błędów.

W OWOX BI możesz zobaczyć, jak wartość jest dystrybuowana w kampaniach dla każdej transakcji, z którą użytkownik wszedł w interakcję:

Błędy i błędne wnioski wyciągane w wyniku prób zastosowania uczenia maszynowego na niewystarczających danych mogą być kosztowne dla firm. Nasz algorytm automatycznie sprawdza i kontroluje statystyczną istotność obliczeń. Ponadto OWOX BI daje Twoim analitykom pełny dostęp do tabeli przedziałów ufności dla każdego segmentu. Dzięki temu możesz być pewien swoich wyników i rozumieć, w jaki sposób są one uzyskiwane.

Skuteczność marketingu internetowego w coraz większym stopniu zależy nie od stosowanych technologii, ale od jakości danych, na których szkolone są modele. Sama atrybucja przegrywa więc z modelami zbudowanymi na danych rynkowych.

Model uczenia maszynowego OWOX BI uwzględnia dane z dziesiątek tysięcy projektów.

Aby model atrybucji był skuteczny, musi też spełniać następujące wymagania:

1. Dane do obliczeń muszą być przygotowane poprawnie. Nie możesz po prostu pominąć danych zebranych przez Twój moduł do śledzenia JavaScript poprzez uczenie maszynowe. Z tego powodu BigQuery ML nadaje się do eksperymentów, ale nie do użytku komercyjnego.
2. Musisz wziąć pod uwagę informacje o interakcjach z górną częścią lejka: wyświetlenia reklam w mediach. W tym celu opracowaliśmy OWOX BI Post-View Pixel, który pozwala mierzyć reklamy medialne na poziomie użytkownika. Zintegrowaliśmy również OWOX BI z Google Ads Data Hub, co pozwala BigQuery żądać informacji z Campaign Managera (dawniej DoubleClick Campaign Manager) i niektórych innych źródeł, dzięki czemu firmy mogą rozważyć i przejrzyście ocenić wkład reklamy medialnej w wyższe etapy lejek.
3. Model powinien uwzględniać opinię eksperta:

• Jakie kanały są zarządzane?
• Jaka jest pojemność tych kanałów?
• Jaka jest rola danego kanału w lejku?
• Jakie jest okno konwersji?

Model atrybucji OWOX BI spełnia wszystkie te wymagania.

Atrybucja oparta na danych w Google Analytics 360 wymaga wysokich wymagań dotyczących danych: 400 konwersji każdego typu przy ścieżce o długości co najmniej dwóch interakcji. OWOX BI, dynamicznie grupując zdarzenia w etapy lejka, zapewnia miarodajne wyniki przy mniejszych ilościach danych i odpowiada wielu innym firmom. Jednocześnie statystyczna istotność obliczeń jest automatycznie kontrolowana na poziomie kohort użytkowników, dzięki czemu możesz być pewien wyników.

W OWOX BI Smart Data możesz budować raporty w oparciu o dane atrybucyjne bez pomocy analityków i znajomości SQL. Po obliczeniu modelu atrybucji Smart Data automatycznie raportuje przychody, liczbę konwersji, ROI, ROAS i CRR w kontekście dodanych zdarzeń. Poza tym możesz tworzyć własne raporty za pomocą wygodnego Konstruktora raportów. Po prostu wybierz parametry i kluczowe dane, które chcesz zobaczyć w swoim raporcie. Usługa natychmiast dostarczy Ci zrozumiały wykres i tabelę.

Oto kilka przykładów gotowych raportów atrybucji danych, które można uzyskać w inteligentnych danych:

Ten raport umożliwia porównanie wyników obliczeń przy użyciu różnych modeli atrybucji. W naszym przypadku są to ostatnie kliknięcie niebezpośrednie, które jest wykorzystywane w Google Analytics, oraz atrybucja oparta na ścieżce ML firmy OWOX BI. Możesz zobaczyć przypisane przychody i ROAS według kanału, kampanii, typu użytkownika, regionu, miasta i urządzenia. Przereklamowane kampanie mają negatywną różnicę. Niedoceniane kampanie mają pozytywną różnicę/wartość. Na przykład na powyższym zrzucie ekranu widzimy, że kanał yandex/display był niedoceniany i warto włożyć w to więcej wysiłku.

Poniższy raport przedstawia rozkład wartości źródeł i kanałów według kroków ścieżki. W powyższym przykładzie widzimy, że najwięcej zakupów (jasnozielony pasek) jest dokonywanych offline.

Oprócz zdarzeń możesz dodać do raportów inne parametry, takie jak typ użytkowników (nowi lub powracający):

Powyższy raport pokazuje, jak wydatki, etapy ścieżki i zakupy są rozłożone na kohorty klientów. Dzięki niemu możesz określić, które kanały i kampanie przyciągają transakcje od nowych klientów i przydzielić im budżety. Kampanie te pomogą Ci zwiększyć bazę klientów.

Dzięki OWOX BI możesz tworzyć automatycznie aktualizowane segmenty odbiorców na podstawie dowolnych danych i pobierać te segmenty do Google Ads. Dodatkowo możesz automatycznie przesyłać wyniki obliczeń atrybucji do serwisów licytacji K50 i Alytics, a także do Google Ads i Facebooka w celu zarządzania stawkami z uwzględnieniem rzeczywistej skuteczności Twoich reklam.

Będąc pionierem w rozwoju atrybucji opartej na lejku, zdobyliśmy unikalne doświadczenie, którym dzielimy się z naszymi klientami w dziesiątkach artykułów i dużej ilości dokumentacji. Dodatkowo jesteśmy gotowi zagwarantować poziom jakości zbierania i przetwarzania danych powyżej 96% w naszej umowie SLA.

Dzięki OWOX otrzymujesz nie tylko piękny pomysł wykorzystania uczenia maszynowego w marketingu, ale także przewodniki krok po kroku, praktyczne zalecenia i przykłady udanych przypadków użycia.

Dowiedz się, jak atrybucja OWOX BI może pomóc Twojej firmie. Zarejestruj się na demo produktu, aby ocenić możliwości naszych produktów.