为什么单渠道归因模型是 CMO 的死胡同

通过访问大量客户数据，营销人员可以全面了解正在发生的事情。 例如，营销人员可以准确了解客户如何与您的品牌互动，预测用户购买某物的概率（以及何时），估计客户将带来的收入，并确定哪些渠道最适合与客户互动。 但这只是硬币的一方面。 另一方面，广告变得越来越昂贵，消费者的注意力越来越难以获得。

技术最先进的营销人员将赢得这场竞赛，而归因在评估广告渠道的有效性方面起着重要作用。 本文解释了为什么单渠道归因模型是一条无路可走的道路，以及为什么即使是数据驱动的模型也不足以成功营销。

随着技术的发展，越来越多的营销渠道（线上和线下）的出现，以及由于大流行导致企业向互联网的过渡，品牌了解客户来自哪里以及客户如何以及何时转换至关重要. 这就是营销归因发挥作用的地方。

在营销分析中，归因是关于评估广告渠道带来的价值。 这是数字营销人员的关键任务之一。 为什么？ 正如 Gartner 从 2020 年开始的研究显示，超过 80% 的营销预算专门用于数字渠道。 简而言之，数百万美元用于广告，公司显然希望确保这种支出能够带来客户和收入。

归因的目标是定义渠道对转化的贡献——它在将客户转移到渠道的下一步或推动购买方面的作用——并为每个渠道步骤分配一个价值。

品牌使用营销分析来定义客户与公司互动的方式、地点和时间，并使用归因来评估渠道效率。 借助这些数据，营销人员可以改变和改进广告活动。

归因模型有很多种，值得注意的是，没有一个正确的模型。 通常，归因模型根据其计算价值的逻辑进行分类。 归因模型的类型包括：

• 基于位置的归因模型——时间衰减，基于位置
• 算法归因模型——数据驱动，马尔可夫链
• 单渠道归因模型——最终点击、首次点击
• 多渠道归因模型——线性、时间衰减

大多数公司使用单渠道归因模型。 这些模型一直都在使用，那么为什么要更改似乎有效的东西呢？ 单渠道模型很简单，在 Google Analytics（通用）中是标准的，并且可以很容易地理解价值是如何分配的。

以下是转化价值如何在单渠道归因模型中分布的示例：

但是，这些模型只能评估一个渠道。 他们过度简化了全渠道客户的购买路径，导致严重的误解，当然也没有显示实际情况。

例如，如果我们查看网站访问者数量适中的多渠道零售商的路径报告，我们可以看到第一次访问时下订单产生的收入份额。 在这里，两次及以上访问的多渠道路径带来了 72% 的收入。

平均而言，客户需要 7 到 9 个接触点（表现最好的人可以将其减少到 5 个）才能转化。 显然，这些接触点（渠道）中的每一个都会影响转化的概率。 在这种情况下，有必要考虑所有渠道对买方的影响，这是合乎逻辑的。

但是，当使用单渠道归因模型时，漏斗的不同阶段会被忽略。 忽略在销售漏斗的开始、中间和结束时发生的事情可能会导致不正确的管理决策和金钱损失。

除了单渠道归因模型，数据驱动模型也很流行。 其中最著名的例子是谷歌的数据驱动模型、Facebook 的转化提升模型和尼尔森的营销提升模型。

数据驱动的模型更准确地反映了每个来源对转化路径的影响。 它们比单渠道模型快速、适应性强且更客观，因为它们考虑了用户与品牌交互的所有数据。 在多渠道环境中，所有接触点都会说服客户购买产品，但显然它们的影响力并不相同。 因此，简单的传统归因模型在分析数据时留下了很大的空白，并且无法全面了解正在发生的事情。

数据驱动的归因使用所有用户（转化的用户和未转化的用户）的数据来比较用户路径。 这种方法允许营销人员评估在哪种情况下转化的可能性更高。

因此，模型计算用户路径中每个渠道的转化权重，而不考虑其位置。

数据驱动模型的缺点包括算法必须接收足够的数据才能显示最准确的结果。 一个模型要提供可靠的估计，它需要大量的历史和市场数据。 要在数据驱动的归因模型中实现高精度，至少需要 12 个接触点。

总而言之，我们可以说，单渠道模型通常会导致不正确的管理决策，因为这些决策不会考虑全局。 因此，数据驱动模型优于单通道模型。 然而，完美是没有限制的。 更高级的选项会考虑转换的可能性，并使用机器学习技术对市场数据进行培训。

数据驱动的归因模型的最大问题是分析需要太多数据。 它不是一个参与与客户沟通的渠道，而是一整套不同变体的媒体源。 例如，为了衡量 ROI 指标，营销人员必须以某种方式管理整个管弦乐队。

这就是机器学习 (ML) 归因模型拯救世界的地方！ 使用机器学习和市场数据的模型彻底改变了归因方法。 ML 模型可以为企业量身定制，以最完整、最真实地了解客户的购买路径。 2019 年至 2020 年间，互联网销售额同比增长 70% 以上，因此任何营销人员都必须使用 ML 模型。

营销分析所需的所有数据——每天都在增加——如果不使用机器学习，就无法处理。 在它的帮助下，营销人员不再需要通过数字迷宫来寻找有用的见解。

毕竟，对于企业来说，重要的是不仅要了解哪些渠道不起作用，还要了解哪些渠道起作用，这样他们就不会盲目地分配预算。

根据 Gartner 的 2021 年 CMO 数字营销洞​​察研究，84% 的 CMO 认为使用机器学习和人工智能可以改善营销功能。 与此同时，只有 17% 的专业人士广泛使用 AI/ML 功能。

OWOX BI 团队已与超过 27,000 个项目合作，并了解每个企业都有自己的归因需求，并且没有针对每个人的明确答案。 对于一家公司，单渠道模型是合适的。 一些企业需要数据驱动的选项。 而对于其他人来说，营销组合优化（MMO）是必要的。

理论总是与实践齐头并进。 OWOX 模型的特点是速度更快，预测质量出色，因为它是根据来自数万个项目的市场数据进行训练的。 使用机器学习归因和自动导入受众帮助我们的一位客户将投资回报率提高了 2.2 倍。

OWOX 最近推出了其归因模型的更新版本。 这种新模式有什么好处？

1. 您不必手动选择漏斗步骤。 该模型本身根据转化的可能性确定活动的贡献。
2. 您可以预测任何会话的价值。 使用新模型，您可以回答以下问题：如果我今天停用此广告系列，我将来会获得多少转化？ 这种方法可以帮助您避免禁用延迟的广告系列并更快地关闭低效的广告系列。

3. 计算逻辑绝对透明。 开放数据转换代码允许您考虑任何公司特征。 OWOX 客户可以在服务更新来自营销来源（广告服务、呼叫服务、CRM）的数据时对代码进行必要的更改，将其与来自各种广告平台的成本数据相结合，并准备所需的报告。

归因模型允许您控制营销渠道，帮助您了解报告如何准确地展示营销的有效性，以及如何跨真正重要的接触点优化营销。

营销人员需要确保每项操作都能促使客户更接近转化。 您可以使用归因模型来确定最有利可图的营销活动，具体取决于您对它们的投资。

选择哪种模式取决于您的行业、公司的目标和业务规模。 但是，有一点是肯定的：这些模型都不能保证 100% 准确的结果。