Modelowane zachowanie: nowa strategia pomiaru, która sprawdzi się w przyszłości

W obecnym środowisku zorientowanym na prywatność tradycyjne metody pomiaru marketingowego i analitycznego nie są już opłacalne. Zatem naglące pytanie brzmi, jakie są kolejne kluczowe kroki, jakie marki powinny podjąć, aby móc skutecznie mierzyć swoją aktywność marketingową?

W całej branży nie brakuje różnych inicjatyw i rozwiązań, które próbują temu zaradzić — od Privacy Sandbox, przez czyste pokoje danych, aż po Unified ID 2.0. Przedzieranie się przez szczegóły tych rozwiązań jest zrozumiałe, że każdy marketer zostanie przytłoczony różnymi opcjami.

Więc zamiast martwić się o to, co powinieneś zrobić w reakcji na coś takiego jak Google Topics (krótka odpowiedź: niewiele, dopóki Google nie przeprowadzi bardziej konkretnych testów i nie dostarczy dowodów, że jest w pełni zgodny z prywatnością), istnieją dwa konkretne obszary, w których wszystkie marki powinny być skupienie się na najbliższej przyszłości.

Przejście wielkich platform technologicznych na dane modelowane

Pomiar na poziomie użytkownika zawsze był gwiazdą północy dla marek. W idealnym świecie pozwala nam najdokładniej zrozumieć wpływ kampanii marketingowych na podejmowanie skutecznych decyzji optymalizacyjnych i budżetowych.

Jednak w erze skoncentrowanej na prywatności platformy takie jak Google i Meta wdrożyły różne ulepszenia, aby w jak największym stopniu zachować pomiary na poziomie użytkownika. Obejmuje to ulepszone konwersje i interfejs API konwersji, z których każdy umożliwia dokładniejsze przypisywanie konwersji do kampanii marketingowych.

Obie cechy powinny być na uwadze. To powiedziawszy, obejmie to tylko część brakujących danych i wtedy pojawia się coś takiego jak tryb zgody Google. Wykorzystuje to techniki modelowania, aby uwzględnić użytkowników, którzy rezygnują z zgody na marketing/analizę.

W raportach może pojawić się pewien sceptycyzm, jeśli chodzi o poleganie na modelowanych danych. Należy jednak pamiętać, że nie jest to nic nowego.

W rzeczywistości konwersje modelowane są stosowane w narzędziach takich jak Google Ads i Facebook Ads Manager od wielu lat. Wymóg modelowania będzie rósł tylko w miarę zmniejszania się zbiorów danych znanych użytkowników.

Chociaż wielcy dostawcy zgodnie z przewidywaniami nie ułatwiają tego, przy odpowiednim wsparciu ekspertów możliwe jest porównanie, jak wyglądają wyniki niemodelowane i modelowane. Umożliwi to podejmowanie bardziej świadomych decyzji dotyczących zgłaszanych liczb i ich względnego stopnia dokładności.

Zamiast uciekać od modelowania, marketerzy powinni starać się lepiej je zrozumieć i całym sercem je przyjąć.

Kop głębiej: dlaczego atrybucja marketingowa jest zarówno wyzwaniem, jak i koniecznością

Ekonometria + atrybucja = atrybucja modelowana

Atrybucja to odwieczna debata w marketingu i już była wystarczającym wyzwaniem. Tym bardziej, gdy myślimy o tym, jak poruszać się po licznych otoczonych murem ogrodach i ograniczeniach prywatności.

Biorąc pod uwagę nieuniknione luki w znanych danych, model atrybucji na poziomie użytkownika jest teraz bardzo trudny – chyba że patrzysz na określony podzbiór kanałów, które nie przecinają ogrodów otoczonych murami. W przeciwnym razie stworzenie solidnego, wielokanałowego, niestandardowego rozwiązania do atrybucji użytkowników jest teraz prawie niemożliwe.

Jednak każda firma nadal będzie potrzebować marketerów, aby dokładnie mierzyć wydajność swojego media miksu i podejmować skuteczne decyzje budżetowe. Co ciekawe, optymalne rozwiązanie nowej generacji jest w rzeczywistości połączeniem dwóch historycznych podejść.

Zdobądź MarTech! Codzienny. Bezpłatny. W Twojej skrzynce odbiorczej.

Przetwarzanie... SUBSKRYBUJ

Zobacz warunki.

Pełny widok ścieżki wyników marketingowych

Modelowana atrybucja wykorzystuje najlepsze elementy MMM (modelowanie media mix) i MTA (atrybucja wielodotykowa), aby zapewnić pełny wgląd w wyniki marketingowe przy jednoczesnym zachowaniu pełnej ochrony prywatności.

Podstawa modelowanej atrybucji opiera się na MMM, który wykorzystuje zbiory danych na poziomie zbiorczym, a nie dane wejściowe na poziomie użytkownika (tj. dane z plików cookie). Oznacza to, że nie musi zajmować się kwestiami MTA, takimi jak zgoda użytkownika lub sposób poruszania się po otoczonych murem ogrodach.

Dodatkową zaletą modelowanej atrybucji jest to, że stosując podejście oparte na regresji, znacznie łatwiej jest włączyć wszystkie kanały marketingowe do modelu bez konieczności śledzenia wszystkiego w ramach jednego rozwiązania.

Masz również możliwość uwzględnienia czynników zewnętrznych, takich jak sezonowość, poziom zapasów lub aktywność konkurencji, aby zwiększyć dokładność modelu i wyizolować konkretny wpływ kampanii medialnych.

Kop głębiej: pomiar niewidzialnego: prawda o atrybucji marketingowej

Nowe podejście granularne

Historyczną wadą MMM było to, że dane wyjściowe były na bardzo niskim poziomie szczegółowości (np. telewizja vs cyfrowe vs drukowane) i że wyniki były dostępne tylko co sześć miesięcy.

Jednak modelowana atrybucja może wykorzystywać bezpośrednie połączenia z każdą z Twoich platform marketingowych, aby pobierać codzienne dane wejściowe na najbardziej szczegółowym poziomie. To sprawia, że ​​jest o wiele bardziej wykonalny przy planowaniu taktycznym i decyzjach budżetowych.

Chociaż początkowa konfiguracja wymaga precyzyjnego planowania i wiedzy specjalistycznej, modelowanie atrybucji ma zapewnić wszystkie szczegóły, do których jesteś przyzwyczajony w MTA, jednocześnie zabezpieczając się przed dalszymi zmianami w branży — a wszystko to jest możliwe dzięki mocy modelowania.

Okazuje się więc, że odpowiedź na naszą niepewną przyszłość była czymś, co było przed nami przez cały czas. Pod wieloma względami cofamy się w przyszłość dzięki naszym strategiom pomiarowym.

Opinie wyrażone w tym artykule są opiniami gościa i niekoniecznie MarTech. Lista autorów personelu znajduje się tutaj.

Dodaj MarTech do swojego kanału Google News.

---