Dlaczego jednokanałowe modele atrybucji to ślepy zaułek dla CMO

Dzięki dostępowi do ogromnej ilości danych klientów marketerzy mogą uzyskać całościowy obraz tego, co się dzieje. Na przykład marketerzy mogą dokładnie dowiedzieć się, w jaki sposób klienci wchodzą w interakcję z Twoją marką, przewidzieć prawdopodobieństwo, że użytkownik coś kupi (i kiedy), oszacować, jakie przychody przyniosą klienci, oraz określić, jakie kanały są najlepsze do interakcji z klientami. Ale to tylko jedna strona medalu. Z drugiej strony reklama staje się droższa, a uwaga konsumentów staje się coraz trudniejsza do zdobycia.

W wyścigu wygrają najbardziej zaawansowani technologicznie marketerzy, a atrybucja odgrywa istotną rolę w ocenie skuteczności kanałów reklamowych. Z tego artykułu dowiesz się, dlaczego jednokanałowe modele atrybucji to droga donikąd i dlaczego nawet modele oparte na danych nie wystarczą do skutecznego marketingu.

Wraz z rozwojem technologii, pojawianiem się coraz większej liczby kanałów marketingowych (online i offline) oraz przechodzeniem biznesu do internetu w związku z pandemią, kluczowe dla marek jest zrozumienie, skąd pochodzą ich klienci oraz jak i kiedy klienci dokonują konwersji . Tutaj w grę wchodzi atrybucja marketingowa.

W analityce marketingowej atrybucja polega na ocenie wartości, jaką przynoszą kanały reklamowe. To jedno z najważniejszych zadań marketerów cyfrowych. Czemu? Jak pokazują badania Gartnera z 2020 roku, ponad 80% budżetów marketingowych jest przeznaczonych na kanały cyfrowe. Mówiąc najprościej, na reklamę wydawane są miliony dolarów, a firmy oczywiście chcą mieć pewność, że te wydatki przyniosą klientów i przychody.

Celem atrybucji jest określenie wkładu kanału w konwersje — jego roli w przenoszeniu klientów do następnego etapu ścieżki lub napędzaniu zakupów — oraz przypisanie wartości do każdego etapu ścieżki.

Marki wykorzystują analizy marketingowe, aby określić, jak, gdzie i kiedy klient wchodzi w interakcję z firmą, a także wykorzystują atrybucję do oceny efektywności kanału. Dzięki tym danym marketerzy mogą następnie zmieniać i ulepszać kampanie reklamowe.

Istnieje wiele różnych typów modeli atrybucji i warto zauważyć, że nie ma jednego poprawnego modelu. Zazwyczaj modele atrybucji są klasyfikowane zgodnie z logiką, według której obliczają wartość. Rodzaje modeli atrybucji obejmują:

• Modele atrybucji oparte na pozycji — rozkład czasowy, oparte na pozycji
• Algorytmiczne modele atrybucji — oparte na danych, łańcuchy Markowa
• Modele atrybucji jednokanałowej — ostatnie kliknięcie, pierwsze kliknięcie
• Wielokanałowe modele atrybucji — liniowy, rozkład czasowy

Większość firm korzysta z jednokanałowych modeli atrybucji. Te modele były zawsze używane, więc po co zmieniać coś, co wydaje się działać? Modele jednokanałowe są proste, standardowe w Google Analytics (Universal) i ułatwiają zrozumienie dystrybucji wartości.

Oto przykład rozkładu wartości konwersji w jednokanałowych modelach atrybucji:

Jednak te modele mogą oceniać tylko jeden kanał. Nadmiernie upraszczają wielokanałową ścieżkę klienta do zakupu, prowadząc do poważnych nieporozumień i na pewno nie pokazując rzeczywistej sytuacji.

Na przykład, jeśli spojrzymy na raport Ścieżka dla wielokanałowego sprzedawcy detalicznego z umiarkowaną liczbą odwiedzających witrynę, możemy zobaczyć, jaki udział w przychodach generują zamówienia złożone przy pierwszej wizycie. Tutaj ścieżki wielokanałowe z dwiema i więcej wizytami przynoszą 72% dochodu.

Konwersja klienta wymaga średnio od siedmiu do dziewięciu punktów styku (najlepsi mogą zredukować tę liczbę do pięciu). Oczywiście każdy z tych punktów styku (kanałów) wpływa na prawdopodobieństwo konwersji. Logiczne jest tylko to, że w tym przypadku należy wziąć pod uwagę wpływ wszystkich kanałów na kupującego .

Jednak w przypadku jednokanałowych modeli atrybucji ignorowane są różne etapy ścieżki. Ignorowanie tego, co dzieje się na początku, w środku i na końcu lejka sprzedażowego, może prowadzić do niewłaściwych decyzji kierowniczych i strat finansowych.

Oprócz jednokanałowych modeli atrybucji dość popularne są modele oparte na danych. Do najbardziej znanych przykładów należą model Data-Driven firmy Google, model Conversion Lift firmy Facebook oraz Campaign Lift firmy Nielsen.

Modele oparte na danych dokładniej odzwierciedlają wpływ każdego źródła na ścieżkę konwersji. Są szybkie, elastyczne i bardziej obiektywne niż modele jednokanałowe, ponieważ uwzględniają wszystkie dane dotyczące interakcji użytkowników z markami. W środowisku wielokanałowym wszystkie punkty styku przekonują klientów do zakupu produktu, ale wyraźnie ich wpływ nie jest równy. W związku z tym proste, tradycyjne modele atrybucji pozostawiają duże luki podczas analizy danych i nie dają pełnego obrazu tego, co się dzieje.

Atrybucja oparta na danych porównuje ścieżki użytkowników na podstawie danych o wszystkich użytkownikach (tych, którzy dokonali konwersji, i tych, którzy tego nie zrobili). Takie podejście pozwala marketerom ocenić, w którym przypadku prawdopodobieństwo konwersji jest wyższe.

W efekcie model oblicza wagę konwersji każdego kanału na ścieżce użytkownika, niezależnie od jego pozycji.

Wady modeli opartych na danych obejmują fakt, że algorytm musi otrzymać wystarczającą ilość danych, aby pokazać najdokładniejsze wyniki. Aby model mógł zapewnić wiarygodne oszacowanie, potrzebuje wielu danych historycznych i rynkowych. Aby osiągnąć wysoką dokładność modeli atrybucji opartych na danych, potrzeba co najmniej 12 punktów styku.

Podsumowując, można powiedzieć, że model jednokanałowy najczęściej prowadzi do błędnych decyzji zarządczych, gdyż decyzje te nie uwzględniają pełnego obrazu. Dlatego model oparty na danych jest lepszy niż model jednokanałowy. Jednak nie ma ograniczeń co do perfekcji. Bardziej zaawansowane opcje uwzględniają prawdopodobieństwo konwersji i są szkolone na danych rynkowych z wykorzystaniem technologii uczenia maszynowego.

Największym problemem związanym z modelami atrybucji opartymi na danych jest to, że do analizy potrzeba zbyt dużo danych. To nie jeden kanał uczestniczy w komunikacji z klientem, ale cały zestaw źródeł medialnych w różnych odmianach. Aby na przykład zmierzyć wskaźnik ROI, marketer musi w jakiś sposób zarządzać całą orkiestrą.

W tym przypadku modele atrybucji uczenia maszynowego (ML) ratują sytuację! Modele wykorzystujące uczenie maszynowe i dane rynkowe całkowicie zmieniły podejście do atrybucji. Modele ML można dostosować do firm, aby uzyskać jak najpełniejszy i najbardziej prawdziwy obraz ścieżki klienta do zakupu. Przy wzroście sprzedaży internetowej o ponad 70% rok do roku w latach 2019-2020, model ML jest koniecznością dla każdego marketera.

Wszystkie dane wymagane do analityki marketingowej – których ilość rośnie z dnia na dzień – nie mogą być przetwarzane bez użycia uczenia maszynowego. Z jego pomocą marketerzy nie muszą już przedzierać się przez labirynt liczb w poszukiwaniu przydatnych informacji.

W końcu dla firm ważne jest nie tylko zrozumienie, które kanały nie działają, ale także zrozumienie, które działają, aby nie przydzielać swoich budżetów na ślepo.

Według badania Digital Marketing Insights for CMOs in 2021 przeprowadzonego przez Gartnera, 84% CMO uważa, że ​​wykorzystanie uczenia maszynowego i sztucznej inteligencji poprawia funkcjonalność marketingową. Jednocześnie tylko 17% profesjonalistów szeroko korzysta z możliwości AI/ML.

Zespół OWOX BI pracował z ponad 27 000 projektów i rozumie, że każda firma ma swoje własne potrzeby w zakresie atrybucji i że nie ma jednoznacznej odpowiedzi dla każdego. Dla jednej firmy odpowiedni jest model jednokanałowy. Niektóre firmy potrzebują opcji opartej na danych. A dla innych konieczna jest optymalizacja marketingu mix (MMO).

Teoria zawsze idzie w parze z praktyką. Model OWOX charakteryzuje się zwiększoną szybkością i doskonałą jakością prognozowania, ponieważ jest szkolony na danych rynkowych z dziesiątek tysięcy projektów. Zastosowanie atrybucji ML i automatycznego importowania odbiorców pomogło jednemu z naszych klientów zwiększyć ROI o 2,2 razy.

OWOX niedawno uruchomił zaktualizowaną wersję swojego modelu atrybucji. Jakie są zalety tego nowego modelu?

1. Nie musisz ręcznie wybierać kroków ścieżki. Sam model określa udział kampanii na podstawie prawdopodobieństwa konwersji.
2. Otrzymujesz prognozę wartości dla dowolnych sesji. Dzięki nowemu modelowi możesz odpowiedzieć na pytanie , ile konwersji otrzymałbym w przyszłości, gdybym dzisiaj wyłączył tę kampanię? Takie podejście pomaga uniknąć wyłączania odroczonych kampanii i szybciej wyłączać nieefektywne kampanie.

3. Logika obliczeń jest całkowicie przejrzysta. Kod otwartej transformacji danych pozwala na uwzględnienie dowolnych cech firmy. Klienci OWOX mogą dokonać niezbędnych zmian w kodzie, podczas gdy usługa aktualizuje dane ze źródeł marketingowych (usługi reklamowe, usługi telefoniczne, CRM), łączy je z danymi kosztowymi z różnych platform reklamowych i przygotowuje wymagane raporty.

Modele atrybucji pozwalają kontrolować kanały marketingowe, pomagając zrozumieć, jak dokładnie Twoje raporty pokazują skuteczność marketingu i jak możesz zoptymalizować marketing w naprawdę ważnych punktach kontaktu.

Marketerzy muszą mieć pewność, że każde działanie przybliża klienta do konwersji. Możesz użyć modeli atrybucji, aby określić najbardziej dochodowe kampanie marketingowe w zależności od tego, ile w nie zainwestowałeś.

Wybór modelu zależy od branży, celów firmy i wielkości firmy. Jedno jest jednak pewne: żaden z tych modeli nie gwarantuje 100% dokładnych wyników.