选择 OWOX BI ML 基于漏斗的归因的 12 个理由

归因的目标是评估广告渠道和活动的有效性，并确定哪些付费流量渠道带来了转化。 知道了这一点，你就可以将你的广告预算重新分配到有效的渠道，停止在低效的渠道上花钱，最终获得更多的转化。

您在执行销售计划和发展业务方面的成功取决于归因模型的质量和有效性。 问题是大多数转化是由于不止一次会话而发生的：在购买之前，用户访问了该网站几次。 因此，要客观地分配特定订单的收入或利润价值，您需要评估每个会话，而不仅仅是最后一个会话。 大多数标准归因模型没有考虑订单前的所有用户操作，而是将其所有价值赋予链中的一个渠道。 或者他们根据条件规则而不是根据实际价值评估渠道。

在 OWOX BI，我们创建了自己的基于机器学习 (ML) 漏斗的归因模型，该模型考虑了所有用户在线和离线操作以及来自 CRM 的真实收入数据，并通过以下方式显示渠道对转化和用户推广的相互影响漏斗。

在本文中，我们描述了您可以使用 OWOX BI 归因工具做什么。

首先，让我们刷新您的理论知识。

归因是通过渠道提升用户的渠道之间转化的价值分布。 它有助于回答每个渠道在多大程度上通过渠道影响了用户的推广以及您最终获得的收入。

归因模型定义了分配此价值的逻辑——例如，有助于吸引用户的广告渠道和活动。 理想情况下，您的归因模型应该是可靠的（考虑到每项努力的客观贡献）和透明的（使理解和验证计算结果成为可能）。

谁需要归因，为什么？

那些管理营销渠道预算并希望有效分配预算以降低成本、增加收入和完成销售计划的人需要归因。

Google Analytics 中的标准归因模型

1. 第一次点击。 从转化中获得的所有价值都归因于引导用户走上转化之路的第一个来源。
2. 最后一次点击。 所有价值都流向用户在转换之前接触的最后一个渠道。
3. 上次非直接点击。 所有值都分配给链中的最后一个通道。 如果是直接流量，则该值归因于先前的来源。
4. 线性的。 价值在链中的所有来源之间平均分配。
5. 时间衰减。 该值以增量方式在渠道之间分配。
6. 基于位置。 将用户介绍给品牌的渠道和完成交易的渠道各获得 40% 的价值。 剩下的 20% 在漏斗中间的所有渠道之间平均分配。

广告服务中的归因模型

在不同的广告服务和分析系统中可以使用不同的归因模型。

大多数服务使用最后的非直接点击模型； 有些提供后视图、跨设备或其他模型。 但这些模型无法跨服务进行比较：Facebook 以自己的方式衡量广告，而 Google Ads 则采用不同的方法。 因此，不可能全面了解您的所有广告工具。

在以下情况下，标准归因模型不适用：

• 您网站上的大多数订单都是在一个以上的会话中完成的——也就是说，在交易之前链中有两次或多次访问
• 你有大量的广告来源
• 你需要评估每个渠道对漏斗推广的相互影响
• 您想了解广告渠道如何捆绑销售
• 您有一个复杂且不一致的销售渠道。

要评估所有来源的相互影响，您需要结合来自不同广告服务、Google Analytics 和您的 CRM 的数据并使用复杂的归因模型：Google Analytics 360 中的数据驱动模型、马尔可夫链、Shapley 值或自定义算法. 但这些模型也有其局限性：计算所需的最少数据量、无法考虑查看后转换或合并来自 CRM 的数据、隐藏的计算逻辑、复杂且昂贵的实施等。

来自 OWOX BI 的基于 ML Funnel 的归因可帮助您避免所有这些限制。

OWOX BI 归因模型评估您的广告活动的有效性，同时考虑到每个渠道通过转化漏斗对客户促销的贡献。 使用此模型，您可以：

• 正确分配您的广告预算，同时考虑渠道对转化的实际贡献及其相互影响
• 在增加收入的同时降低现金储备率 (CRR)
• 在节省预算的同时增加新客户的数量
• 增加媒体活动覆盖的目标用户数量，同时节省您的预算。

OWOX BI 中基于漏斗的归因基于马尔可夫链和机器学习。 马尔可夫链是一系列事件，其中每个后续事件都依赖于前一个事件。 基于马尔可夫链的归因使用概率模型计算漏斗步骤之间的转换概率，让您可以评估步骤对转化的相互影响，并找出哪些步骤最重要。

为了计算概率，在 OWOX BI 归因模型的设置中指定的转换漏斗的所有步骤，加上站点登录步骤，都在马尔可夫链中呈现为结果。 之后，计算这些结果之间转换的概率：

上图为便于理解的简化示例。 在实际情况下，可能会有更多的交易。

在我们的帮助中心阅读有关计算基于 OWOX BI 漏斗的归因模型的更多信息。

1. 在 Google BigQuery 中从您的网站收集原始用户行为数据。 为此，您可以使用来自 OWOX BI 或 BigQuery Export 的数据流和 Google Analytics 360。
2. 从广告服务将费用数据导入 Google BigQuery。 为此，您可以使用 OWOX BI 将 Google Analytics 中的 Google Ads 广告系列统计信息与来自其他广告服务的成本数据进行补充，然后将所有这些信息导入 Google BigQuery。 您还可以使用 OWOX BI 将原始数据从 Facebook 直接导入 BigQuery。
3. 如果您愿意，您可以使用来自 CRM/ERP、呼叫中心和内部会计系统的信息来补充 Google BigQuery 中的数据。 这将允许您在归因计算中使用离线销售和实际 CRM 收入数据。 您还可以将自定义事件用作漏斗步骤：电话、电子邮件、个人会议等。
4. 在您的 OWOX BI 项目中，创建一个归因模型并运行计算。

我们的大多数客户使用 OWOX BI 来客观地评估现有的广告活动并计划未来的广告活动。 这是执行具有计划广告支出回报率 (ROAS) 的收入计划所必需的。

以下是我们认为 OWOX BI 是营销人员最佳选择的主要原因。

我们的归因模型基于完整的数据：媒体广告印象和浏览后转化、您网站上的用户活动、来自广告服务的成本数据、来自您的 CRM 的交易数据，以及任何其他在线和离线事件。 因此，您可以看到用户与您的业务交互的全貌，并可以考虑所有营销工作对业务指标的影响。

Google Analytics（分析）中的收入与您 CRM 中购买商品的收入通常不匹配。 使用 OWOX BI，您可以通过考虑实体店的收入和 CRM 中已完成订单的数据来衡量在线营销对实际销售的贡献。

与标准归因模型不同，OWOX BI 模型考虑了用户在下单前的每一步——而不仅仅是最后一次点击。 越难通过一个步骤，会话获得的价值就越大，有助于实现它。 通过了解会话的价值，您可以计算活动的价值，同时考虑它们对通过渠道推广用户的贡献。

通过利用您的业务的独特优势，您可以比竞争对手更快地增长。 使用 OWOX BI，您可以创建符合您业务结构的漏斗。

除了用户在您网站上的操作之外，您还可以将来自 CRM、呼叫跟踪系统和其他系统的任何自定义事件添加为漏斗步骤。 例如，您可以将有关通话、会议或电子邮件的数据上传到 Google BigQuery。 将所有旨在将用户转化为一个渠道的业务努力相结合，以更准确地评估其有效性。

对您的广告活动进行全面评估是不够的。 您的评估必须使用 AIDA 模型分为认知、兴趣和转化三个阶段。

例如，使用 OWOX BI，您可能会看到活动几乎不会形成意识：

因此，旨在影响渠道下一阶段的活动可能看起来无效。 对现有广告系列的 ROAS 评估可能会告诉您如何在它们之间重新分配预算，但不会揭示漏斗上部缺乏努力。 OWOX BI 让您了解将精力集中在哪里。

没有算法可以取代你的经验。 例如，您可能知道您的品牌活动已经用尽，并且它们的高 ROAS 并不意味着您应该在它们上进行更多投资。

在 OWOX BI 中，您可以轻松指定不参与评估的渠道：

因此，您只能评估那些您可以客观管理的活动。 重要的是，您可以随时在方便的界面中执行此操作，而无需联系开发人员或您的支持团队。

OWOX BI 计算每个会话的值。 这允许您为不同的用户群组自定义归因模型，计算新用户和回访用户的 ROI/ROAS，并比较群组盈利能力。

例如，移动运营商可以评估广告活动对向当前客户（“当前客户”群组）销售附加服务的贡献。 时尚零售领域的公司可以分别评估首次购买者和下一次购买者，以找出哪些渠道更适合将新客户吸引到业务中。

此外，通过了解会话的成本，您可以计算您在每个产品组上的花费和收入。 借助这些信息，您可以评估针对不同地区、登陆页面、移动应用版本和应用程序的广告效果。

不仅要评估活动，而且要使评估对企业透明，这一点很重要。 任何黑盒评估都是有问题的，不会让你发现错误。

在 OWOX BI 中，您可以看到用户与之交互的每笔交易的价值如何在活动中分配：

由于尝试对不足的数据应用机器学习而获得的错误和不正确的结论对于企业来说可能代价高昂。 我们的算法自动检查和控制计算的统计意义。 此外，OWOX BI 让您的分析师可以完全访问每个细分市场的置信区间表。 多亏了这一点，您可以确定您的结果并了解它们是如何获得的。

在线营销的有效性越来越不依赖于所使用的技术，而是依赖于训练模型的数据质量。 因此，归因本身会输给使用市场数据构建的模型。

OWOX BI 机器学习模型考虑了来自数万个项目的数据。

要使归因模型有效，还需要满足以下要求：

1. 必须正确准备计算数据。 您不能只跳过 JavaScript 跟踪器通过机器学习收集的数据。 因此，BigQuery ML 适合用于实验，但不适合商业用途。
2. 您需要考虑与漏斗上部交互的信息：媒体广告印象。 为此，我们开发了 OWOX BI Post-View Pixel，它允许您在用户级别测量媒体广告。 我们还将 OWOX BI 与 Google Ads Data Hub 集成，它允许 BigQuery 从 Campaign Manager（前 DoubleClick Campaign Manager）和其他一些来源请求信息，以便企业可以考虑并透明地评估媒体广告对上层阶段的贡献漏斗。
3. 该模型应考虑专家意见：

• 管理哪些渠道？
• 这些渠道的容量是多少？
• 给定渠道在渠道中的作用是什么？
• 什么是转换窗口？

OWOX BI 归因模型满足所有这些要求。

Google Analytics 360 中以数据为依据的归因对数据的要求很高：每种类型的 400 次转化，路径长度至少为两次交互。 OWOX BI 通过将事件动态分组到漏斗阶段，以更少量的数据提供有意义的结果，并适合更多公司。 同时，计算的统计显着性在用户群组级别自动控制，因此您可以确定结果。

在 OWOX BI Smart Data 中，您无需分析师的帮助或任何 SQL 知识即可基于归因数据构建报告。 计算归因模型后，Smart Data 会根据添加的事件自动报告收入、转化次数、ROI、ROAS 和 CRR。 此外，您可以使用方便的报告生成器创建自己的报告。 只需选择您希望在报告中看到的参数和关键数据。 该服务将立即为您提供易于理解的图表和表格。

以下是您可以在智能数据中获得的一些开箱即用的数据归因报告示例：

此报告允许您比较使用不同归因模型的计算结果。 在我们的案例中，这些是用于 Google Analytics 的 Last Non-Direct Click，以及来自 OWOX BI 的基于 ML Funnel 的归因。 您可以按渠道、活动、用户类型、地区、城市和设备查看归因收入和 ROAS。 被高估的广告系列有负面影响。 被低估的活动具有积极的差异/价值。 例如，在上面的屏幕截图中，我们看到 yandex/display 频道被低估了，值得付出更多努力。

以下报告显示了来源和渠道的价值如何按漏斗步骤分布。 在上面的示例中，我们看到最多的购买（浅绿色条纹）是离线进行的。

除了事件之外，您还可以将其他参数添加到报告中，例如用户类型（新用户或返回用户）：

上面的报告显示了费用、渠道步骤和购买如何在客户群中分布。 有了它，您可以确定哪些渠道和活动吸引了新客户的交易并为他们分配预算。 这些活动可帮助您增加客户群。

使用 OWOX BI，您可以根据您的任何数据创建自动更新的细分受众群，并将这些细分受众群下载到 Google Ads。 此外，您可以将归因计算结果自动发送到 K50 和 Alytics 竞价服务以及 Google Ads 和 Facebook，以便根据广告的实际效果管理竞价。

在开创基于渠道的归因开发的过程中，我们收集了独特的经验，我们在数十篇文章和大量文档中与客户分享这些经验。 此外，我们已准备好在 SLA 中保证数据收集和处理质量达到 96% 以上。

借助 OWOX，您不仅可以获得在营销中使用机器学习的美妙想法，还可以获得分步指南、实用建议和成功用例示例。

了解 OWOX BI 归因如何帮助您的业务。 注册产品演示以评估我们产品的功能。