將機器學習洞察力應用於 PPC 多點觸控歸因模型

將機器學習應用於多點觸控歸因模型

2020 年 4 月 30 日更新

您的新媒體營銷規劃師很可能會結合機器學習來優化2020 年代 PPC 廣告中使用的多點觸控歸因模型。

明天成功的數字營銷機構更有可能是那些能夠利用數據並應用機器學習洞察力來優化多點觸控歸因模型的機構。 獲得的洞察力對於成功的再營銷活動也很重要。

在進入 2020 年代之際，谷歌對機器智能方面的新創新的探索有助於將公司定位為全球第二個更具影響力的品牌。 這家搜索巨頭正在積極探索機器學習的先進方面，從更經典的算法到深度學習等前沿技術。 鑑於使用 Google AdWords 做廣告的企業在付費搜索領域不斷獲得新的勝利，因此了解機器學習和多點觸控歸因模型如何協同工作會很有幫助。

首先，讓我們回答一些人們提出的常見問題。

什麼是多點觸控歸因？

多點觸控歸因是衡量營銷效果的一種手段。 這是一種評估所有消費者旅程接觸點並為每個操作分配分數的技術，以便數字營銷人員可以評估每個渠道對銷售的影響程度。

什麼是營銷中的歸因模型？

用戶歸因模型是一組規則，用於決定如何將銷售和轉化功勞分配給轉化路徑中的消費者接觸點。 模型比較工具可以比較不同的歸因模型如何影響您的營銷渠道的估值和績效。

多點觸控歸因為傳統的基於規則的歸因方法提供了一種更複雜的替代方法，例如首次和最後一次接觸，在消費者通過購買、下載或任何其他事件。

如果您首先進行深入的營銷研究，您可以更好地確定您的用戶在網站上的活動。

這涉及利用機器智能的語言識別、語音、翻譯、視覺處理趨勢、排名和預測能力方面的工作。 提供直接或間接利益關係證據的大量大數據用於開發學習方法，以理解并快速產生更準確的搜索結果。

機器學習的進步正在迫使數字營銷人員不斷發展——無論 SEO 是否意識到這一點。 或者您是否為此準備網站。 本文將揭示為什麼我們更喜歡在多點觸控歸因中使用基於位置的建模。

主要變化是這樣的：媒體策劃和採購公司知道他們已經採取了全新的廣告策略，以成功增加在線銷售量。

了解多點觸控歸因模型：基於規則與算法

我應該使用基於規則的方法還是算法 PPC 歸因模型？

準確確定品牌的歸因模型可以歸為兩類模型：基於規則的模型和算法機器學習。 基於規則的模型是人為扣除的，因此可以被標記為相當主觀的。 這些更傳統的歸因模型基於關於第一次和最後一次接觸、同等接觸、時間衰減歸因和其他場景的普遍理解假設。 例如，是最後一次曝光推動了人們的購買決定，或者第一次和最後一次接觸被賦予相同的權重。

基於規則的營銷歸因被稱為簡單歸因方法。 這些模型將值分配給由預定義公式建立的每個消費者接觸點。 它僅將 100% 的信用分配給購買過程中的一個接觸點，通常是第一個或最後一個接觸點。

為了改進這一主觀過程，在感知錯位的情況下，依賴於分析成熟度規模的多點觸控歸因建模更具描述性，並且在依賴機器學習的同時涉及較低的考慮過程。 通過將單個接觸點歸因（最後一次交互和第一次交互）替換為多接觸點模型，可以更輕鬆地根據現有規則將功勞分配給各個接觸點。

鑑於Google BERT 算法中機器學習的進步，數據驅動的算法方法已被證明更可靠。 這意味著歸因輸出是基於數據和該數據的建模建立的。 部分歸因按百分比分配，具體取決於一次觸摸相對於整體的值。 不過，準確地說，算法機器學習歸因在很大程度上取決於輸入數據的豐富程度。 當使用受信任的來源時，可以獲得全面的快照，但如果沒有，結果可能會存在嚴重缺陷。

即使我們依賴機器學習，這個模型仍然依賴於高度的人機交互。 從人類分析師那裡獲得的上下文洞察有助於減少潛在的有缺陷的輸入。 經驗豐富的數字營銷人員更有可能在事故影響輸出之前迅速識別出來。

多點觸控歸因模型讓營銷人員能夠全面了解每次用戶交互對最終目標的影響。 這有助於更好地了解在這個巨大的跨渠道難題中什麼有效，什麼無效，以及什麼影響了什麼。 這些洞察力極大地提高了營銷人員和品牌做出更明智營銷決策的潛力。 讓它通知您當地的搜索營銷工作。

Eric Enge 說：“當正確歸因於用戶參與度時，機器學習可以用於從 SEO 規劃到贏得在線購買”。 2016 年 2 月 4 日，Moz 文章題為機器學習革命：它是如何工作的及其對 SEO 的影響*，深入探討了 Google 和其他搜索引擎在基於算法的技術方面所做的投資。 看看這個。

您應該為您的業務使用多點觸控模型歸因嗎？

當正確歸因於用戶參與時，機器學習可用於為敏捷營銷計劃提供信息以贏得在線購買。

從數據挖掘中獲益的最佳方法之一是細分客戶，然後使用 AdWords 發送有針對性的消息。 這是一個相當簡單的過程。 僅從您的 Search Console 和 Google Analytics（分析）數據，就可以將您的受眾細分為有意義的細分，例如年齡、興趣、收入、職業或性別。 無論您是在運行電子郵件營銷活動、付費搜索還是刷新您的 SEO 策略，這都是有效的。

數據細分的另一個好處是能夠更好地了解您的競爭格局。 僅此一項洞察力就可以幫助您確定您快速識別的常見市場以及針對您的企業想要服務的相同潛在買家的市場。

如果您像典型的企業一樣，當被要求列出他們的競爭對手時，他們會返回一份個人名單。 思考和計劃更大。 使用付費搜索營銷來吸引更多購物者。 搜索引擎必須為用戶搜索查詢從全球範圍內的潛在匹配池中進行選擇。 大多數企業如果真的想競爭並獲勝，就需要將他們的競爭網站圈擴大兩到三倍。 數據挖掘和更多地了解機器學習的工作原理將幫助你做到這一點。

電子營銷人員的文章標題為Google 的機器學習之旅：營銷人員需要了解的內容討論了頂級漏斗方法存在的各種方法。 這涉及一項戰略計劃，以獲取進入您網站的合格潛在客戶，包括直接來自 Google 地圖的購物者。

“會話和對企業網站的訪問並非都具有同等價值，公司不應該為所有潛在客戶支付相同的金額，”賈斯汀庫特羅尼說。

機器學習模型提高轉化率的 8 大優勢：

做出更好的廣告決策首先要擁有準確的數據，並能夠在每次轉化時利用機器學習模型更新。

1. 輕鬆了解網站訪問者的轉化漏斗深度以及用戶的決策方式。

2. 通過了解用戶通常需要多長時間才能根據他們開始和結束購買的位置進行轉換，從而了解何時進行優化。

3. 能夠更好地確定下個季度將廣告資金用於何處以增加投資回報率和業務收入。

4. 根據使用的設備和戰略設備定位在漏斗的不同部分中的效果來解讀轉化次數。

5. 更好地了解您的上層漏斗策略和視頻內容的使用如何影響每次轉化。

6. 更準確地了解新業務和回頭業務的整個客戶生命週期的能力。

7. 算法歸因模型的一個優點是早期猜測較少。

8. 它減少了事後重新檢查數據的需要。

使用機器學習時間衰減歸因來分配市場支出

“基本上，潛在客戶與之互動的最後一個廣告系列或展示會獲得所有轉化功勞。 如果您只運行一兩個廣告系列，則此模型的簡單性和開箱即用的可訪問性很有吸引力。 但是，在您擁有多個營銷渠道的情況下，這種歸因會產生誤導，並且不會幫助您更好地分配營銷支出，”Segment Analytics Academy** 表示。

使用時間衰減歸因模型時，最接近消費者購買或轉化時間的接觸點被歸因於最大份額的信用。 例如，如果 AdWords 廣告系列點擊和電子郵件渠道在銷售前幾個小時內被識別為最近的客戶互動，則另一個渠道獲得的功勞將低於廣告或電子郵件渠道。 由於付費搜索互動發生在銷售時間附近，因此與早期與代理商的社交互動相比，該渠道獲得了更多的信譽。

使用 Google 的數據驅動歸因建模

Google 更多地依賴機器學習來影響您的用戶行為數據和算術能力，以找到最能最大化總轉化量的歸因模型。 找到一個比任何競爭對手都能增加 AdWords 移動轉化量的數據集是一個金礦夢想。

AdWords 內以數據為依據的歸因面臨的一個挑戰是，它最好地提供對用戶參與度的單渠道解釋。 要成功定位在線搜索您的產品的新客戶，很難識別可能來自其他非搜索營銷工作（例如電子郵件或社交網絡）的轉化。 機器學習更擅長將圖像實體與人們正在搜索的產品進行匹配。 您的產品圖片和廣告可以顯示在在線產品輪播中。

Google 建議在一個月的時間段內至少獲得 20,000 次點擊和 800 次轉化。 許多剛開始使用 AdWords 的企業的數字都比較少，並且在開始時使用基於位置的歸因做得最好。 為您的業務尋找 PPC 的最佳歸因模型取決於許多因素，並且會隨著時間和測試而揭示。

選擇最佳多渠道歸因模型的挑戰

無論您選擇什麼型號，請記住尊重消費者透明度和隱私最佳實踐。

分析的許多方面都比發現用於您的業務的最佳多渠道歸因模型更複雜。

多年來，作為默認的 PPC 歸因模型，最後一次點擊怎麼可能是錯誤的？ 然後要知道首次點擊歸因是錯誤的，也可能很難接受。 儘管隨著時間的推移，我們正在轉向基於位置的模型，但沒有數據驅動的歸因技術似乎是完美的。 您在來年的營銷 PPC 支出可能會增加，從而獲得更好的結果和更多的付費廣告投資回報。 無論您是自然搜索團隊還是付費搜索團隊，最終如果您為消費者提供更多價值，您就會脫穎而出。

最後一次接觸歸因模型很簡單，通常是許多營銷人員所依賴的。 但是，它完全無視所有廣告印象的刺激，最後一個除外。 或者，多點觸控歸因 (MTA) 模型的新理念已被許多人採用。 這意味著，基於在每個接觸點導致用戶做出購買決定的更真實的用戶影響，一個以上的接觸點每個都可以擁有一小部分信用。

由於新的機器學習技術，不要被以前的概念所拖延。 人工智能研究工作源於搜索和網站訪問者行為的模式識別，讓您的企業從數據和用戶接觸點中學習。 可以更好地可視化和信用轉換數據。 機器學習的迭代方面很重要，因為當模型暴露於新數據時，它們能夠獨立適應。 他們從以前的計算中學習，以產生可靠、可重複的決策和結果。 這是一門古老的科學，但它得到了極大的改進，並從精明的數字營銷人員那裡獲得了新的認可。 如果您保持最新的 SEO 營銷實踐，它也將有利於您的 PPC 操作。

雖然許多機器學習算法已經存在多年，但以更快的速度和更可靠的方式自動將復雜的數學計算應用於您的 Google Analytics 數據的能力是最近的發展。

如何使用多渠道漏斗分析熱門轉化路徑報告

在您的 Google Analytics（或類似平台）中檢查多渠道路徑標準報告中的路徑長度報告。 大量網站轉化的路徑長度通常大於一個，這使得正確歸因轉化具有挑戰性。 Google Analytics（分析）讓營銷人員可以將有關用戶轉化路徑的見解與概覽部分中的多渠道轉化可視化相結合。

查看 Google Analytics（分析）中的輔助轉化報告。 關注顯示所有輔助/最終點擊或直接轉化的最後一列：

• 對於低於 1 的值，該渠道推動最終點擊轉化的可能性更高。

• 對於超過1 的值，該渠道有可能在轉換階段的早期可用。 使用最終點擊歸因策略時，這些渠道可能缺少適當的功勞。

可以破譯您的營銷渠道中哪些領域可能被低估。

然後調整預算分配的百分比並衡量新的結果。 整個營銷團隊都受益於知道哪個渠道最先出現（那個致力於將您的品牌介紹給消費者的渠道”），接下來是哪個渠道（“培養我們的潛在買家決策”），然後是哪個渠道等等。

接下來，在 Analytics Top Conversion Paths 報告中找到見解。

數據挖掘以獲得更好的歸因模型

細分您的數據庫並測試您獲得的洞察力如何塑造廣告文案可以提高業務轉化率，從而提高利潤率。 通過使您的 PPC 促銷脫離一個緊湊的、高度感興趣的營銷計劃，它可以使您的公司能夠定制產品和促銷，以更好地滿足更通用、更廣泛的促銷可能可以滿足的獨特受眾的需求。

關於如何為您的網站獲得新的和合格的潛在客戶的更聰明的頂級渠道方法可能涉及更多的中間渠道焦點。 利潤驅動的營銷包括預測客戶流失的原因、用戶參與度和更好的保留率，可以減少組織孤島並看到企業整合他們的數據源。 我們有能力利用機器學習來改進數據集成，這些數據集成可用於推動新客戶獲取、降低著陸頁跳出率並從現有客戶那裡建立退貨購買。

許多人將機器學習、客戶分析以及大數據如何協同工作以在一種類型的設備上通過特定信息傳達給特定類型的買家的原因進行了歸因。 在確定網站訪問者執行的觸發行為後，營銷人員可以更準確地了解消息、優惠、頻率、一天中的時間和其他因素的變化，以提高付費廣告的效率。

PPC 歸因中基於位置的建模

每個企業都希望盡可能節儉，以從他們的廣告支出中獲得最大的結果，並展示可見的特色片段。 通過仔細檢查轉化漏斗的底部，最終點擊歸因值得許多營銷人員的努力。 雖然很容易理解為什麼，當目標是 PPC 效率並且向外增長對注意力的要求較低時，我更喜歡時間衰減模型。

但是，當業務重點是增長和增加新客戶獲取時，更接近漏斗頂部是AdWords 優化的優先事項。 首次點擊歸因和最終點擊都只提供了一小部分。 谷歌在 AdWords 和谷歌分析數據中可能有朝一日提供時間衰減的反向迭代，但由於今天不提供，基於位置或 U 形模型需要更多的工作和對可用數據報告的熟練解釋。

通過關注預測數據和相關購買信息，可以增加消費者與您的產品和服務的關係。 這需要一個明確的內容營銷策略，適用於您的常青銷售漏斗。

U 形基於位置的歸因模型可以更輕鬆地識別關鍵用戶接觸點，同時將一定比例的功勞歸因於早期的營銷工作。 當 IT 業務的採購週期較長時，中間接觸點的權重通常會降低。 買家正在尋找產品評論來幫助他們下定決心。 歸因建模是完全任意的。 多年的實踐和分析思維可幫助您將功勞分配給最符合您的業務目標的指標和渠道。

跨設備跟踪研究為衡量和歸因提供見解

改進的跨設備跟踪提供了用戶行為的完整視圖，並且可以用於多種目的，包括廣告定位、多點觸控歸因、研究和轉化歸因。 但是，網站用戶通常不知道或經常跳過閱讀在頁面底部發布的關於如何以及多久在不同設備上跟踪他們的行為的 cookie 通知。 因此，OTech 的一項研究收集了有關跨設備跟踪的信息，並從最終用戶的角度提供了觀察結果。

根據 1 月 5 日來自 FTC 技術部門的 Aaron Alva 的電子郵件通訊，“互聯網廣告和分析技術公司正越來越多地試圖找到將消費者擁有的各種設備的行為聯繫起來的方法。 這種跨設備跟踪可以更全面地了解消費者的行為，並且可以用於一系列目的，包括廣告定位、研究和轉化歸因。”

有關更多信息，請閱讀 FTC 新發布的報告，名為跨設備跟踪：技術研究和調查辦公室 (OTech) 的測量和披露

機器學習如何讓您的 Google Ads 受益

為什麼企業主想要了解每個客戶在每個接觸點的活動：

• 改進了 Google Ads 的廣告定位和量身定制的溝通方式——憑藉對客戶行為和在線互動的更深入了解，您的搜索營銷策略可以形成自定義消息，從而更好地融合所有渠道。

• 更好的產品和服務決策——通過改進的客戶數據洞察分析，您的零售登陸頁面在通過知情營銷、頁面搜索引擎優化和定位決策進行調整後會變得更加有用。

• 提高客戶忠誠度——一位客戶如何幫助您的營銷策略改善客戶服務並積極影響客戶忠誠度。

• 更好地在展示廣告中提供複製和付費促銷” ——了解您的用戶行為以及客戶在與您的品牌互動時的想法，這意味著您的營銷團隊可以提出以客戶為中心的優惠和促銷活動，這對網站訪問者。

“在基於位置的歸因模型中，40% 的功勞分配給第一次和最後一次互動，其餘 20% 的功勞平均分配給中間互動。 在此示例中，付費搜索和直接渠道將分別獲得 40% 的信用，而社交網絡和電子郵件渠道將分別獲得 10% 的信用。” – 谷歌分析支持

注意：Google 於 2013 年 2 月 15 日申請了一種用於在多渠道廣告活動中進行數據驅動的多點觸控歸因確定的方法和設備。 也稱為 US 20140236705 A1，它依賴於利用深度學習。

如何確定哪種模式最適合我的業務？

數字營銷經理最擅長確定哪些 Google Ads 廣告系列、廣告素材和展示位置效果最佳，如何調整它們，或者您是否應該投資於特定的廣告系列。 “視情況而定”的答案在這裡是正確的，因為其他幾個因素，例如預先存在的品牌知名度、投資回報率和人口統計，都在起作用； 部分歸因沒有。

在狹窄的利基市場中，數字營銷人員面臨著更大的壓力。 他們越來越多地負責提高轉化率並在搜索結果中獲得豐富的特色片段。 隨著新測量的出現，如果這些模型中的任何一個比孤立的通道測量更好，就更容易破譯。 這些方法將使您深入了解您以前沒有的消費者旅程。 決定哪種多點觸控歸因解決方案最適合您的產品，很大程度上取決於您的業務目標、要求、預算以及您希望如何使用輸出來提高付費營銷的有效性。

概括

在您方便的時候詳細了解 Jeannie Hill和 Google Ads 服務。

如果您想了解結合機器學習方法可以做什麼，讓我們進一步討論我們的AdWords 優化服務，以提高轉化率

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

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