Cum să îmbunătățiți analiza internă folosind modelul de atribuire bazat pe pâlnie ML

Prin aplicarea cât mai multor canale de publicitate pentru a ajunge la clienți, companiile se confruntă cu o mare problemă cu evaluarea corectă a performanței, succesului și, evident, creșterii veniturilor. Întrebările la care trebuie să răspundă sunt Ce canal funcționează mai bine? Care ar trebui eliminată și care oferă clienți potențiali calificați? Acum este timpul ca modelele de atribuire să intre în joc.

În acest caz, descriem soluția oferită de echipa OWOX BI pentru un mare retailer online care a avut provocări în îmbunătățirea performanței și utilizarea modelului corect de atribuire.

Înainte de cooperarea cu OWOX BI, compania a folosit modelul de atribuire Last Click care dă toată valoarea ultimei surse, ignorând contribuția tuturor pașilor anteriori înainte de comandă. Pentru a evalua corect performanța campaniilor publicitare, s-a decis configurarea modelului de atribuire bazat pe pâlnie ML.

Compania are o varietate de puncte de contact pentru utilizatori: reclame pe rețelele sociale, site web de comparare a prețurilor, PPC, site web, apeluri telefonice, marketing direct, centre de împlinire și avanposturi. La fel ca majoritatea retailerilor cu marketing multicanal, s-a confruntat cu problema împrăștierii datelor, deoarece compania colectează și stochează datele în sisteme diferite.

Pentru a evalua contribuția fiecărui canal la călătoria clienților de-a lungul canalului, retailerul trebuia să îmbine datele despre comportamentul utilizatorilor, costurile publicitare, comenzile offline și veniturile efective ale companiei, cu contul comenzilor finalizate. Aceasta înseamnă că compania trebuia să creeze analize de marketing, urmând acești pași:

1. Dezvoltați un set individual de valori pentru a colecta date despre comportamentul utilizatorilor de pe site la Google Analytics 360. Utilizând exportul standard, datele neeșantionate pot fi trimise la Google BigQuery.
2. Configurați OWOX BI Pipeline pentru a colecta date de la serviciile publicitare către Google BigQuery.
3. Configurați exportul datelor tranzacției din sistemul CRM către Google BigQuery.
4. Creați un model de atribuire bazat pe canal ML pe baza datelor îmbinate în Google BigQuery.
5. Faceți legătura înregistrărilor pentru grupările de canale împreună cu analiștii OWOX BI, deoarece numele proprii ale retailerului pentru grupările de canale sunt diferite de GA 360.
6. Obțineți rapoarte în Foi de calcul Google pentru planificarea bugetului lunar.

Mai jos este diagrama de consolidare a datelor:

Acum, să aruncăm o privire mai atentă asupra modului în care a fost construit modelul de atribuire bazat pe pâlnie ML împreună cu rapoartele.

Analiștii OWOX BI au ajutat la dezvoltarea, configurarea și implementarea setului individual de valori pentru retailer. În plus, specialiștii noștri testează și actualizează în mod regulat sistemul metric pentru noi domenii, împreună cu noi funcții.

Datele despre comportamentul utilizatorilor de pe site au fost colectate în Google Analytics 360 și trimise zilnic către Google BigQuery, pentru a fi legate cu datele despre costurile publicitare și tranzacțiile. Compania a ales versiunea plătită a Google Analytics, deoarece site-ul său are un nivel ridicat de trafic. Versiunea standard aplică eșantionarea atunci când numărul de sesiuni de utilizatori depășește 500.000, în timp ce Google Analytics 360 permite obținerea de date exacte până la o accesare.

Datele despre costurile AdWords ajung la Google Analytics 360, datorită integrării native. În timp ce OWOX BI Pipeline este folosit pentru a trimite datele de la Facebook la Google Analytics 360 și pentru a îmbina datele de cost despre toate serviciile publicitare din Google BigQuery. Tabelul de mai jos prezintă structura datelor trimise:

Pentru a lua în considerare datele despre retururi și comenzile finalizate, analiștii exportă datele despre tranzacții din sistemul CRM către Google BigQuery. Structura datelor este prezentată mai jos:

Această structură ajută la îmbinarea datelor despre comenzile finalizate cu datele despre comportamentul utilizatorilor site-ului web, folosind tastele user_id și time .

Canalul de vânzări al retailerului constă din 5 pași: Vizitare, Pagina produsului, Adăugați în coș, Finalizare, Cumpărare. Echipa OWOX BI a calculat perioada medie de timp de la vizitarea site-ului web până la cumpărare și a recomandat fereastra optimă de conversie și fereastra de tranzacție.

Folosind aceste date, a fost creat un model de atribuire bazat pe canal ML:

Modelul de atribuire bazat pe pâlnie ML evaluează probabilitatea ca un utilizator să treacă de la o etapă a pâlniei de vânzări la alta. Coloana gri demonstrează valoarea probabilității. Cu cât este mai mică probabilitatea de a trece de la un pas la altul, cu atât mai multă valoare primește sesiunea în care un utilizator a trecut de acest pas. Doar sesiunile care au dus la comanda vor primi valoarea. Puteți afla mai multe despre logica de calcul a atribuirii OWOX BI în postarea noastră pe blog.

Rezultatele atribuirii sunt folosite pentru a crea rapoarte pe care le vom descrie la pasul 6.

Toate sursele de trafic din rapoartele Google Analytics 360 sunt formate implicit în următoarele grupări de canale: direct, organic, e-mail, recomandare, social, display, CPC și altele.

Cu toate acestea, specialiștii în marketing folosesc propriile nume de grupare de canale pentru rapoartele interne. Pentru a crea modelul de atribuire, echipa companiei a folosit datele deja colectate pentru perioadele trecute cu nume proprii pentru grupările de canale. De aceea, era prea târziu pentru a schimba numele în setările Google Analytics 360. Datorită acestui fapt, analiștii OWOX BI au realizat legătura înregistrărilor și au creat o listă actualizabilă de nume potrivite pentru grupările de canale în Foi de calcul Google. Tabelul de mai jos demonstrează structura listei:

Echipa OWOX BI a creat un script pentru a combina conectarea înregistrărilor în Google BigQuery cu rezultatele atribuirii lunar, folosind cheile sursă și medii .

Cu ajutorul analiștilor OWOX BI au fost create două rapoarte. Primul raport a ajutat la înțelegerea afiliaților care își atribuie valoarea altor canale. Acest raport este disponibil în OWOX BI Smart Data. Analiștii au exportat datele din raportul obținut în Google Sheets, folosind suplimentul gratuit OWOX BI BigQuery Reports.

Iată pașii pe care analiștii OWOX BI i-au urmat pentru a exporta datele în Google Sheets:

1. Navigați la Date inteligente și întrebați Cum este distribuită valoarea surselor și mediilor între pașii canalului și deschideți raportul.
2. Navigați în colțul din dreapta sus și alegeți Copiați interogarea SQL în Clipboard .

1. Creați un nou raport în Foi de calcul Google. Pentru a face acest lucru, deschideți meniul Suplimente , apoi alegeți Rapoarte OWOX BI BigQuery și Adăugați un nou raport . Apoi selectați proiecte Google Cloud Platform existente, alegeți Adăugați un nou raport și faceți clic pe Lipire :

Vă rugăm să rețineți că fiecare raport nou este creat într-o foaie nouă:

Furnizați configurația raportului într-o bară laterală: selectați un proiect Google Cloud Platform existent și o interogare Google BigQuery, care va furniza date de încărcat.

Notă! Puteți găsi mai multe detalii despre configurarea raportului aici.

1. Acum raportul este disponibil în Foi de calcul Google. Puteți programa actualizarea automată a raportului pentru mai multă comoditate. Pentru a face acest lucru, navigați la Programare rapoarte din setările Rapoartelor OWOX BI BigQuery:

Setați perioada de timp necesară pentru actualizare:

Notă! Pentru a afla mai multe despre cum să programați actualizarea obișnuită a raportului, urmați acest link.

Specialiștii OWOX BI au modificat interogarea și au adăugat parametri dinamici: sursa și perioada de analiză.

Notă! Urmați acest link pentru a afla mai multe despre parametrii dinamici în interogări.

Ca urmare, a fost obținut raportul de analiză a traficului care demonstrează care pas de pâlnie primește mai multă influență dintr-o anumită sursă:

După ce a filtrat numai partenerii afiliați, compania îi poate identifica pe cei cu cea mai mare valoare la pasul final al pâlniei:

Al doilea raport demonstrează costurile reale, veniturile și rentabilitatea cheltuielilor publicitare ale campaniilor publicitare. Folosind acest raport, specialiștii în marketing pot afla care surse aduc mai multe venituri și care nu dau roade:

• Sistemul corect și flexibil de colectare a datelor a fost pus la punct de către echipa OWOX BI.
• Folosind produsele OWOX BI și Google, procesul de colectare a datelor a fost automatizat. Toate datele sunt acum disponibile într-o singură interfață, în timp real.
• Modelul de atribuire bazat pe pâlnie ML a ajutat compania să evalueze mai bine performanța campaniilor și canalelor publicitare.