将机器学习洞察力应用于 PPC 多点触控归因模型

将机器学习应用于多点触控归因模型

2020 年 4 月 30 日更新

您的新媒体营销规划师很可能会结合机器学习来优化2020 年代 PPC 广告中使用的多点触控归因模型。

明天成功的数字营销机构更有可能是那些能够利用数据并应用机器学习洞察力来优化多点触控归因模型的机构。 获得的洞察力对于成功的再营销活动也很重要。

在进入 2020 年代之际，谷歌对机器智能方面的新创新的探索有助于将公司定位为全球第二个更具影响力的品牌。 这家搜索巨头正在积极探索机器学习的先进方面，从更经典的算法到深度学习等前沿技术。 鉴于使用 Google AdWords 做广告的企业在付费搜索领域不断获得新的胜利，因此了解机器学习和多点触控归因模型如何协同工作会很有帮助。

首先，让我们回答一些人们提出的常见问题。

什么是多点触控归因？

多点触控归因是衡量营销效果的一种手段。 这是一种评估所有消费者旅程接触点并为每个操作分配分数的技术，以便数字营销人员可以评估每个渠道对销售的影响程度。

什么是营销中的归因模型？

用户归因模型是一组规则，用于决定如何将销售和转化功劳分配给转化路径中的消费者接触点。 模型比较工具可以比较不同的归因模型如何影响您的营销渠道的估值和绩效。

多点触控归因为传统的基于规则的归因方法提供了一种更复杂的替代方法，例如首次和最后一次接触，在消费者通过购买、下载或任何其他事件。

如果您首先进行深入的营销研究，您可以更好地确定您的用户在网站上的活动。

这涉及利用机器智能的语言识别、语音、翻译、视觉处理趋势、排名和预测能力方面的工作。 提供直接或间接利益关系证据的大量大数据用于开发学习方法，以理解并快速产生更准确的搜索结果。

机器学习的进步正在迫使数字营销人员不断发展——无论 SEO 是否意识到这一点。 或者您是否为此准备网站。 本文将揭示为什么我们更喜欢在多点触控归因中使用基于位置的建模。

主要变化是这样的：媒体策划和采购公司知道他们已经采取了全新的广告策略，以成功增加在线销售量。

了解多点触控归因模型：基于规则与算法

我应该使用基于规则的方法还是算法 PPC 归因模型？

准确确定品牌的归因模型可以归为两类模型：基于规则的模型和算法机器学习。 基于规则的模型是人为扣除的，因此可以被标记为相当主观的。 这些更传统的归因模型基于关于第一次和最后一次接触、同等接触、时间衰减归因和其他场景的普遍理解假设。 例如，是最后一次曝光推动了人们的购买决定，或者第一次和最后一次接触被赋予相同的权重。

基于规则的营销归因被称为简单归因方法。 这些模型将值分配给由预定义公式建立的每个消费者接触点。 它仅将 100% 的信用分配给购买过程中的一个接触点，通常是第一个或最后一个接触点。

为了改进这一主观过程，在感知错位的情况下，依赖于分析成熟度规模的多点触控归因建模更具描述性，并且在依赖机器学习的同时涉及较低的考虑过程。 通过将单个接触点归因（最后一次交互和第一次交互）替换为多接触点模型，可以更轻松地根据现有规则将功劳分配给各个接触点。

鉴于Google BERT 算法中机器学习的进步，数据驱动的算法方法已被证明更可靠。 这意味着归因输出是基于数据和该数据的建模建立的。 部分归因按百分比分配，具体取决于一次触摸相对于整体的值。 不过，准确地说，算法机器学习归因在很大程度上取决于输入数据的丰富程度。 当使用受信任的来源时，可以获得全面的快照，但如果没有，结果可能会存在严重缺陷。

即使我们依赖机器学习，这个模型仍然依赖于高度的人机交互。 从人类分析师那里获得的上下文洞察有助于减少潜在的有缺陷的输入。 经验丰富的数字营销人员更有可能在事故影响输出之前迅速识别出来。

多点触控归因模型让营销人员能够全面了解每次用户交互对最终目标的影响。 这有助于更好地了解在这个巨大的跨渠道难题中什么有效，什么无效，以及什么影响了什么。 这些洞察力极大地提高了营销人员和品牌做出更明智营销决策的潜力。 让它通知您当地的搜索营销工作。

Eric Enge 说：“当正确归因于用户参与度时，机器学习可以用于从 SEO 规划到赢得在线购买”。 2016 年 2 月 4 日，Moz 文章题为机器学习革命：它是如何工作的及其对 SEO 的影响*，深入探讨了 Google 和其他搜索引擎在基于算法的技术方面所做的投资。 看看这个。

您应该为您的业务使用多点触控模型归因吗？

当正确归因于用户参与时，机器学习可用于为敏捷营销计划提供信息以赢得在线购买。

从数据挖掘中获益的最佳方法之一是细分客户，然后使用 AdWords 发送有针对性的消息。 这是一个相当简单的过程。 仅从您的 Search Console 和 Google Analytics（分析）数据，就可以将您的受众细分为有意义的细分，例如年龄、兴趣、收入、职业或性别。 无论您是在运行电子邮件营销活动、付费搜索还是刷新您的 SEO 策略，这都是有效的。

数据细分的另一个好处是能够更好地了解您的竞争格局。 仅此一项洞察力就可以帮助您确定您快速识别的常见市场以及针对您的企业想要服务的相同潜在买家的市场。

如果您像典型的企业一样，当被要求列出他们的竞争对手时，他们会返回一份个人名单。 思考和计划更大。 使用付费搜索营销来吸引更多购物者。 搜索引擎必须为用户搜索查询从全球范围内的潜在匹配池中进行选择。 大多数企业如果真的想竞争并获胜，就需要将他们的竞争网站圈扩大两到三倍。 数据挖掘和更多地了解机器学习的工作原理将帮助你做到这一点。

电子营销人员的文章标题为Google 的机器学习之旅：营销人员需要了解的内容讨论了顶级漏斗方法存在的各种方法。 这涉及一项战略计划，以获取进入您网站的合格潜在客户，包括直接来自 Google 地图的购物者。

“会话和对企业网站的访问并非都具有同等价值，公司不应该为所有潜在客户支付相同的金额，”贾斯汀库特罗尼说。

机器学习模型提高转化率的 8 大优势：

做出更好的广告决策首先要拥有准确的数据，并能够在每次转化时利用机器学习模型更新。

1. 轻松了解网站访问者的转化漏斗深度以及用户的决策方式。

2. 通过了解用户通常需要多长时间才能根据他们开始和结束购买的位置进行转换，从而了解何时进行优化。

3. 能够更好地确定下个季度将广告资金用于何处以增加投资回报率和业务收入。

4. 根据使用的设备和战略设备定位在漏斗的不同部分中的效果来解读转化次数。

5. 更好地了解您的上层漏斗​​策略和视频内容的使用如何影响每次转化。

6. 更准确地了解新业务和回头业务的整个客户生命周期的能力。

7. 算法归因模型的一个优点是早期猜测较少。

8. 它减少了事后重新检查数据的需要。

使用机器学习时间衰减归因来分配市场支出

“基本上，潜在客户与之互动的最后一个广告系列或展示会获得所有转化功劳。 如果您只运行一两个广告系列，则此模型的简单性和开箱即用的可访问性很有吸引力。 但是，在您拥有多个营销渠道的情况下，这种归因会产生误导，并且不会帮助您更好地分配营销支出，”Segment Analytics Academy** 表示。

使用时间衰减归因模型时，最接近消费者购买或转化时间的接触点被归因于最大份额的信用。 例如，如果 AdWords 广告系列点击和电子邮件渠道在销售前几个小时内被识别为最近的客户互动，则另一个渠道获得的功劳将低于广告或电子邮件渠道。 由于付费搜索互动发生在销售时间附近，因此与早期与代理商的社交互动相比，该渠道获得了更多的信誉。

使用 Google 的数据驱动归因建模

Google 更多地依赖机器学习来影响您的用户行为数据和算术能力，以找到最能最大化总转化量的归因模型。 找到一个比任何竞争对手都能增加 AdWords 移动转化量的数据集是一个金矿梦想。

AdWords 内以数据为依据的归因面临的一个挑战是，它最好地提供对用户参与度的单渠道解释。 要成功定位在线搜索您的产品的新客户，很难识别可能来自其他非搜索营销工作（例如电子邮件或社交网络）的转化。 机器学习更擅长将图像实体与人们正在搜索的产品进行匹配。 您的产品图片和广告可以显示在在线产品轮播中。

Google 建议在一个月的时间段内至少获得 20,000 次点击和 800 次转化。 许多刚开始使用 AdWords 的企业的数字都比较少，并且在开始时使用基于位置的归因做得最好。 为您的业务寻找 PPC 的最佳归因模型取决于许多因素，并且会随着时间和测试而揭示。

选择最佳多渠道归因模型的挑战

无论您选择什么型号，请记住尊重消费者透明度和隐私最佳实践。

分析的许多方面都比发现用于您的业务的最佳多渠道归因模型更复杂。

多年来，作为默认的 PPC 归因模型，最后一次点击怎么可能是错误的？ 然后要知道首次点击归因是错误的，也可能很难接受。 尽管随着时间的推移，我们正在转向基于位置的模型，但没有数据驱动的归因技术似乎是完美的。 您在来年的营销 PPC 支出可能会增加，从而获得更好的结果和更多的付费广告投资回报。 无论您是自然搜索团队还是付费搜索团队，最终如果您为消费者提供更多价值，您就会脱颖而出。

最后一次接触归因模型很简单，通常是许多营销人员所依赖的。 但是，它完全无视所有广告印象的刺激，最后一个除外。 或者，多点触控归因 (MTA) 模型的新理念已被许多人采用。 这意味着，基于在每个接触点导致用户做出购买决定的更真实的用户影响，一个以上的接触点每个都可以拥有一小部分信用。

由于新的机器学习技术，不要被以前的概念所拖延。 人工智能研究工作源于搜索和网站访问者行为的模式识别，让您的企业从数据和用户接触点中学习。 可以更好地可视化和信用转换数据。 机器学习的迭代方面很重要，因为当模型暴露于新数据时，它们能够独立适应。 他们从以前的计算中学习，以产生可靠、可重复的决策和结果。 这是一门古老的科学，但它得到了极大的改进，并从精明的数字营销人员那里获得了新的认可。 如果您保持最新的 SEO 营销实践，它也将有利于您的 PPC 操作。

虽然许多机器学习算法已经存在多年，但以更快的速度和更可靠的方式自动将复杂的数学计算应用于您的 Google Analytics 数据的能力是最近的发展。

如何使用多渠道漏斗分析热门转化路径报告

在您的 Google Analytics（或类似平台）中检查多渠道路径标准报告中的路径长度报告。 大量网站转化的路径长度通常大于一个，这使得正确归因转化具有挑战性。 Google Analytics（分析）让营销人员可以将有关用户转化路径的见解与概览部分中的多渠道转化可视化相结合。

查看 Google Analytics（分析）中的辅助转化报告。 关注显示所有辅助/最终点击或直接转化的最后一列：

• 对于低于 1 的值，该渠道推动最终点击转化的可能性更高。

• 对于超过1 的值，该渠道有可能在转换阶段的早期可用。 使用最终点击归因策略时，这些渠道可能缺少适当的功劳。

可以破译您的营销渠道中哪些领域可能被低估。

然后调整预算分配的百分比并衡量新的结果。 整个营销团队都受益于知道哪个渠道首先出现（那个致力于将您的品牌介绍给消费者的渠道”），接下来是哪个渠道（“培养我们的潜在买家决策”），然后是哪个渠道等等。

接下来，在 Analytics Top Conversion Paths 报告中找到见解。

数据挖掘以获得更好的归因模型

细分您的数据库并测试您获得的洞察力如何塑造广告文案可以提高业务转化率，从而提高利润率。 通过使您的 PPC 促销脱离一个紧凑的、高度感兴趣的营销计划，它可以使您的公司能够定制产品和促销，以更好地满足更通用、更广泛的促销可能可以满足的独特受众的需求。

关于如何为您的网站获得新的和合格的潜在客户的更聪明的顶级渠道方法可能涉及更多的中间渠道焦点。 利润驱动的营销包括预测客户流失的原因、用户参与度和更好的保留率，可以减少组织孤岛并看到企业整合他们的数据源。 我们有能力利用机器学习来改进数据集成，这些数据集成可用于推动新客户获取、降低着陆页跳出率并从现有客户那里建立退货购买。

许多人将机器学习、客户分析以及大数据如何协同工作以在一种类型的设备上通过特定信息传达给特定类型的买家的原因进行了归因。 在确定网站访问者执行的触发行为后，营销人员可以更准确地了解消息、优惠、频率、一天中的时间和其他因素的变化，以提高付费广告的效率。

PPC 归因中基于位置的建模

每个企业都希望尽可能节俭，以从他们的广告支出中获得最大的结果，并展示可见的特色片段。 通过仔细检查转化漏斗的底部，最终点击归因值得许多营销人员的努力。 虽然很容易理解为什么，当目标是 PPC 效率并且向外增长对注意力的要求较低时，我更喜欢时间衰减模型。

但是，当业务重点是增长和增加新客户获取时，更接近漏斗顶部是AdWords 优化的优先事项。 首次点击归因和最终点击都只提供了一小部分。 谷歌在 AdWords 和谷歌分析数据中可能有朝一日提供时间衰减的反向迭代，但由于今天不提供，基于位置或 U 形模型需要更多的工作和对可用数据报告的熟练解释。

通过关注预测数据和相关购买信息，可以增加消费者与您的产品和服务的关系。 这需要一个明确的内容营销策略，适用于您的常青销售漏斗。

U 形基于位置的归因模型可以更轻松地识别关键用户接触点，同时将一定比例的功劳归因于早期的营销工作。 当 IT 业务的采购周期较长时，中间接触点的权重通常会降低。 买家正在寻找产品评论来帮助他们下定决心。 归因建模是完全任意的。 多年的实践和分析思维可帮助您将功劳分配给最符合您的业务目标的指标和渠道。

跨设备跟踪研究为衡量和归因提供见解

改进的跨设备跟踪提供了用户行为的完整视图，并且可以用于多种目的，包括广告定位、多点触控归因、研究和转化归因。 但是，网站用户通常不知道或经常跳过阅读在页面底部发布的关于如何以及多久在不同设备上跟踪他们的行为的 cookie 通知。 因此，OTech 的一项研究收集了有关跨设备跟踪的信息，并从最终用户的角度提供了观察结果。

根据 FTC 技术部 Aaron Alva 1 月 5 日的电子邮件通讯，“互联网广告和分析技术公司正越来越多地试图找到将消费者拥有的各种设备的行为联系起来的方法。 这种跨设备跟踪可以更全面地了解消费者的行为，并且可以用于一系列目的，包括广告定位、研究和转化归因。”

有关更多信息，请阅读 FTC 新发布的报告，名为跨设备跟踪：技术研究和调查办公室 (OTech) 的测量和披露

机器学习如何让您的 Google Ads 受益

为什么企业主想要了解每个客户在每个接触点的活动：

• 改进了 Google Ads 的广告定位和量身定制的沟通方式——凭借对客户行为和在线互动的更深入了解，您的搜索营销策略可以形成自定义消息，从而更好地融合所有渠道。

• 更好的产品和服务决策——通过改进的客户数据洞察分析，您的零售登陆页面在通过知情营销、页面搜索引擎优化和定位决策进行调整后会变得更加有用。

• 提高客户忠诚度——一位客户如何帮助您的营销策略改善客户服务并积极影响客户忠诚度。

• 更好地在展示广告中提供复制和付费促销” ——了解您的用户行为以及客户在与您的品牌互动时的想法，这意味着您的营销团队可以提出以客户为中心的优惠和促销活动，这对网站访问者。

“在基于位置的归因模型中，40% 的功劳分配给第一次和最后一次互动，其余 20% 的功劳平均分配给中间互动。 在此示例中，付费搜索和直接渠道将分别获得 40% 的信用，而社交网络和电子邮件渠道将分别获得 10% 的信用。” – 谷歌分析支持

注意：Google 于 2013 年 2 月 15 日申请了一种用于在多渠道广告活动中进行数据驱动的多点触控归因确定的方法和设备。 也称为 US 20140236705 A1，它依赖于利用深度学习。

如何确定哪种模式最适合我的业务？

数字营销经理最擅长确定哪些 Google Ads 广告系列、广告素材和展示位置效果最佳，如何调整它们，或者您是否应该投资于特定的广告系列。 “视情况而定”的答案在这里是正确的，因为其他几个因素，例如预先存在的品牌知名度、投资回报率和人口统计，都在起作用； 部分归因没有。

在狭窄的利基市场中，数字营销人员面临着更大的压力。 他们越来越多地负责提高转化率并在搜索结果中获得丰富的特色片段。 随着新测量的出现，如果这些模型中的任何一个比孤立的通道测量更好，就更容易破译。 这些方法将使您深入了解您以前没有的消费者旅程。 决定哪种多点触控归因解决方案最适合您的产品，很大程度上取决于您的业务目标、要求、预算以及您希望如何使用输出来提高付费营销的有效性。

概括

在您方便的时候详细了解 Jeannie Hill和 Google Ads 服务。

如果您想了解结合机器学习方法可以做什么，让我们进一步讨论我们的AdWords 优化服务，以提高转化率

* https://moz.com/blog/machine-learning-revolution

** https://segment.com/academy/advanced-analytics/an-introduction-to-multi-touch-attribution/