選擇 OWOX BI ML 基於漏斗的歸因的 12 個理由

歸因的目標是評估廣告渠道和活動的有效性，並確定哪些付費流量渠道帶來了轉化。 知道了這一點，你就可以將你的廣告預算重新分配到有效的渠道，停止在低效的渠道上花錢，最終獲得更多的轉化。

您在執行銷售計劃和發展業務方面的成功取決於歸因模型的質量和有效性。 問題是大多數轉化是由於不止一次會話而發生的：在購買之前，用戶訪問了該網站幾次。 因此，要客觀地分配特定訂單的收入或利潤價值，您需要評估每個會話，而不僅僅是最後一個會話。 大多數標準歸因模型沒有考慮訂單前的所有用戶操作，而是將其所有價值賦予鏈中的一個渠道。 或者他們根據條件規則而不是根據實際價值評估渠道。

在 OWOX BI，我們創建了自己的基於機器學習 (ML) 漏斗的歸因模型，該模型考慮了所有用戶在線和離線操作以及來自 CRM 的真實收入數據，並通過以下方式顯示渠道對轉化和用戶推廣的相互影響漏斗。

在本文中，我們描述了您可以使用 OWOX BI 歸因工具做什麼。

首先，讓我們刷新您的理論知識。

歸因是通過渠道提升用戶的渠道之間轉化的價值分配。 它有助於回答每個渠道在多大程度上通過渠道影響了用戶的推廣以及您最終獲得的收入。

歸因模型定義了分配此價值的邏輯——例如，有助於吸引用戶的廣告渠道和活動。 理想情況下，您的歸因模型應該是可靠的（考慮到每項努力的客觀貢獻）和透明的（使理解和驗證計算結果成為可能）。

誰需要歸因，為什麼？

那些管理營銷渠道預算並希望有效分配預算以降低成本、增加收入和完成銷售計劃的人需要歸因。

Google Analytics 中的標準歸因模型

1. 第一次點擊。 從轉化中獲得的所有價值都歸因於引導用戶走上轉化之路的第一個來源。
2. 最後一次點擊。 所有價值都流向用戶在轉換之前接觸的最後一個渠道。
3. 上次非直接點擊。 所有值都分配給鏈中的最後一個通道。 如果是直接流量，則該值歸因於先前的來源。
4. 線性的。 價值在鏈中的所有來源之間平均分配。
5. 時間衰減。 該值以增量方式在渠道之間分配。
6. 基於位置。 將用戶介紹給品牌的渠道和完成交易的渠道各獲得 40% 的價值。 剩下的 20% 在漏斗中間的所有渠道之間平均分配。

廣告服務中的歸因模型

在不同的廣告服務和分析系統中可以使用不同的歸因模型。

大多數服務使用最後的非直接點擊模型； 有些提供後視圖、跨設備或其他模型。 但這些模型無法跨服務進行比較：Facebook 以自己的方式衡量廣告，而 Google Ads 則採用不同的方法。 因此，不可能全面了解您的所有廣告工具。

在以下情況下，標準歸因模型不適用：

• 您網站上的大多數訂單都是在一個以上的會話中完成的——也就是說，在交易之前鏈中有兩次或多次訪問
• 你有大量的廣告來源
• 你需要評估每個渠道對漏斗推廣的相互影響
• 您想了解廣告渠道如何捆綁銷售
• 您有一個複雜且不一致的銷售渠道。

要評估所有來源的相互影響，您需要結合來自不同廣告服務、Google Analytics 和您的 CRM 的數據並使用複雜的歸因模型：Google Analytics 360 中的數據驅動模型、馬爾可夫鏈、Shapley 值或自定義算法. 但這些模型也有其局限性：計算所需的最少數據量、無法考慮查看後轉換或合併來自 CRM 的數據、隱藏的計算邏輯、複雜且昂貴的實施等。

來自 OWOX BI 的基於 ML Funnel 的歸因可幫助您避免所有這些限制。

OWOX BI 歸因模型評估您的廣告活動的有效性，同時考慮到每個渠道通過轉化漏斗對客戶促銷的貢獻。 使用此模型，您可以：

• 正確分配您的廣告預算，同時考慮渠道對轉化的實際貢獻及其相互影響
• 在增加收入的同時降低現金儲備率 (CRR)
• 在節省預算的同時增加新客戶的數量
• 增加媒體活動覆蓋的目標用戶數量，同時節省您的預算。

OWOX BI 中基於漏斗的歸因基於馬爾可夫鍊和機器學習。 馬爾可夫鍊是一系列事件，其中每個後續事件都依賴於前一個事件。 基於馬爾可夫鏈的歸因使用概率模型計算漏斗步驟之間的轉換概率，讓您可以評估步驟對轉化的相互影響，並找出哪些步驟最重要。

為了計算概率，在 OWOX BI 歸因模型的設置中指定的轉換漏斗的所有步驟，加上站點登錄步驟，都在馬爾可夫鏈中呈現為結果。 之後，計算這些結果之間轉換的概率：

上圖為便於理解的簡化示例。 在實際情況下，可能會有更多的交易。

在我們的幫助中心閱讀有關計算基於 OWOX BI 漏斗的歸因模型的更多信息。

1. 在 Google BigQuery 中從您的網站收集原始用戶行為數據。 為此，您可以使用來自 OWOX BI 或 BigQuery Export 的數據流和 Google Analytics 360。
2. 從廣告服務將費用數據導入 Google BigQuery。 為此，您可以使用 OWOX BI 將 Google Analytics 中的 Google Ads 廣告系列統計信息與來自其他廣告服務的成本數據進行補充，然後將所有這些信息導入 Google BigQuery。 您還可以使用 OWOX BI 將原始數據從 Facebook 直接導入 BigQuery。
3. 如果您願意，您可以使用來自 CRM/ERP、呼叫中心和內部會計系統的信息來補充 Google BigQuery 中的數據。 這將允許您在歸因計算中使用離線銷售和實際 CRM 收入數據。 您還可以將自定義事件用作漏斗步驟：電話、電子郵件、個人會議等。
4. 在您的 OWOX BI 項目中，創建一個歸因模型並運行計算。

我們的大多數客戶使用 OWOX BI 來客觀地評估現有的廣告活動併計劃未來的廣告活動。 這是執行具有計劃廣告支出回報率 (ROAS) 的收入計劃所必需的。

以下是我們認為 OWOX BI 是營銷人員最佳選擇的主要原因。

我們的歸因模型基於完整的數據：媒體廣告印象和瀏覽後轉化、您網站上的用戶活動、來自廣告服務的成本數據、來自您的 CRM 的交易數據，以及任何其他在線和離線事件。 因此，您可以看到用戶與您的業務交互的全貌，並可以考慮所有營銷工作對業務指標的影響。

Google Analytics（分析）中的收入與您 CRM 中購買商品的收入通常不匹配。 使用 OWOX BI，您可以通過考慮實體店的收入和 CRM 中已完成訂單的數據來衡量在線營銷對實際銷售的貢獻。

與標準歸因模型不同，OWOX BI 模型考慮了用戶在下單前的每一步——而不僅僅是最後一次點擊。 越難通過一個步驟，會話獲得的價值就越大，有助於實現它。 通過了解會話的價值，您可以計算活動的價值，同時考慮它們對通過渠道推廣用戶的貢獻。

通過利用您的業務的獨特優勢，您可以比競爭對手更快地增長。 使用 OWOX BI，您可以創建符合您業務結構的漏斗。

除了用戶在您網站上的操作之外，您還可以將來自 CRM、呼叫跟踪系統和其他系統的任何自定義事件添加為漏斗步驟。 例如，您可以將有關通話、會議或電子郵件的數據上傳到 Google BigQuery。 將所有旨在將用戶轉化為一個渠道的業務努力相結合，以更準確地評估其有效性。

對您的廣告活動進行全面評估是不夠的。 您的評估必須使用 AIDA 模型分為認知、興趣和轉化三個階段。

例如，使用 OWOX BI，您可能會看到活動幾乎不會形成意識：

因此，旨在影響渠道下一階段的活動可能看起來無效。 對現有廣告系列的 ROAS 評估可能會告訴您如何在它們之間重新分配預算，但不會揭示漏斗上部缺乏努力。 OWOX BI 讓您了解將精力集中在哪裡。

沒有算法可以取代你的經驗。 例如，您可能知道您的品牌活動已經用盡，並且它們的高 ROAS 並不意味著您應該在它們上進行更多投資。

在 OWOX BI 中，您可以輕鬆指定不參與評估的渠道：

因此，您只能評估那些您可以客觀管理的活動。 重要的是，您可以隨時在方便的界面中執行此操作，而無需聯繫開發人員或您的支持團隊。

OWOX BI 計算每個會話的值。 這允許您為不同的用戶群組自定義歸因模型，計算新用戶和回訪用戶的 ROI/ROAS，並比較群組盈利能力。

例如，移動運營商可以評估廣告活動對向當前客戶（“當前客戶”群組）銷售附加服務的貢獻。 時尚零售領域的公司可以分別評估首次購買者和下一次購買者，以找出哪些渠道更適合將新客戶吸引到業務中。

此外，通過了解會話的成本，您可以計算您在每個產品組上的花費和收入。 借助這些信息，您可以評估針對不同地區、登陸頁面、移動應用版本和應用程序的廣告效果。

不僅要評估活動，而且要使評估對企業透明，這一點很重要。 任何黑盒評估都是有問題的，不會讓你發現錯誤。

在 OWOX BI 中，您可以看到用戶與之交互的每筆交易的價值如何在活動中分配：

由於嘗試對不足的數據應用機器學習而獲得的錯誤和不正確的結論對於企業來說可能代價高昂。 我們的算法自動檢查和控制計算的統計意義。 此外，OWOX BI 讓您的分析師可以完全訪問每個細分市場的置信區間表。 多虧了這一點，您可以確定您的結果並了解它們是如何獲得的。

在線營銷的有效性越來越不依賴於所使用的技術，而是依賴於訓練模型的數據質量。 因此，歸因本身會輸給使用市場數據構建的模型。

OWOX BI 機器學習模型考慮了來自數万個項目的數據。

要使歸因模型有效，還需要滿足以下要求：

1. 必須正確準備計算數據。 您不能只跳過 JavaScript 跟踪器通過機器學習收集的數據。 因此，BigQuery ML 適合用於實驗，但不適合商業用途。
2. 您需要考慮與漏斗上部交互的信息：媒體廣告印象。 為此，我們開發了 OWOX BI Post-View Pixel，它允許您在用戶級別測量媒體廣告。 我們還將 OWOX BI 與 Google Ads Data Hub 集成，它允許 BigQuery 從 Campaign Manager（前 DoubleClick Campaign Manager）和其他一些來源請求信息，以便企業可以考慮並透明地評估媒體廣告對上層階段的貢獻漏斗。
3. 該模型應考慮專家意見：

• 管理哪些渠道？
• 這些渠道的容量是多少？
• 給定渠道在渠道中的作用是什麼？
• 什麼是轉換窗口？

OWOX BI 歸因模型滿足所有這些要求。

Google Analytics 360 中以數據為依據的歸因對數據的要求很高：每種類型的 400 次轉化，路徑長度至少為兩次交互。 OWOX BI 通過將事件動態分組到漏斗階段，以更少量的數據提供有意義的結果，並適合更多公司。 同時，計算的統計顯著性在用戶群組級別自動控制，因此您可以確定結果。

在 OWOX BI Smart Data 中，您無需分析師的幫助或任何 SQL 知識即可基於歸因數據構建報告。 計算歸因模型後，Smart Data 會根據添加的事件自動報告收入、轉化次數、ROI、ROAS 和 CRR。 此外，您可以使用方便的報告生成器創建自己的報告。 只需選擇您希望在報告中看到的參數和關鍵數據。 該服務將立即為您提供易於理解的圖表和表格。

以下是您可以在智能數據中獲得的一些開箱即用的數據歸因報告示例：

此報告允許您比較使用不同歸因模型的計算結果。 在我們的案例中，這些是用於 Google Analytics 的 Last Non-Direct Click，以及來自 OWOX BI 的基於 ML Funnel 的歸因。 您可以按渠道、活動、用戶類型、地區、城市和設備查看歸因收入和 ROAS。 被高估的廣告系列有負面影響。 被低估的活動具有積極的差異/價值。 例如，在上面的屏幕截圖中，我們看到 yandex/display 頻道被低估了，值得付出更多努力。

以下報告顯示了來源和渠道的價值如何按漏斗步驟分佈。 在上面的示例中，我們看到最多的購買（淺綠色條紋）是離線進行的。

除了事件之外，您還可以將其他參數添加到報告中，例如用戶類型（新用戶或返回用戶）：

上面的報告顯示了費用、渠道步驟和購買如何在客戶群中分佈。 有了它，您可以確定哪些渠道和活動吸引了新客戶的交易並為他們分配預算。 這些活動可幫助您增加客戶群。

使用 OWOX BI，您可以根據您的任何數據創建自動更新的細分受眾群，並將這些細分受眾群下載到 Google Ads。 此外，您可以自動將歸因計算結果發送到 K50 和 Alytics 競價服務以及 Google Ads 和 Facebook，以根據您的廣告的實際效果管理競價。

在開創基於渠道的歸因開發的過程中，我們收集了獨特的經驗，我們在數十篇文章和大量文檔中與客戶分享這些經驗。 此外，我們已準備好在 SLA 中保證數據收集和處理質量達到 96% 以上。

借助 OWOX，您不僅可以獲得在營銷中使用機器學習的美妙想法，還可以獲得分步指南、實用建議和成功用例示例。

了解 OWOX BI 歸因如何幫助您的業務。 註冊產品演示以評估我們產品的功能。