Guía del especialista en marketing para la atribución de marketing basada en datos

La atribución de marketing es una forma de medir el valor de las campañas y los canales que llegan a sus clientes potenciales.

Mediante el uso de los resultados de un modelo de atribución, puede comprender qué puntos de contacto tienen la mayor influencia en los viajes exitosos del comprador y tomar decisiones más informadas sobre cómo optimizar la inversión en recursos de marketing futuros.

Pero todos sabemos que los viajes del comprador rara vez son sencillos y que los caminos hacia el éxito pueden ser largos y sinuosos.

Con tantos puntos de contacto para considerar, es difícil distinguir entre las verdaderas interacciones de alto y bajo impacto, lo que puede resultar en una división inexacta del crédito y una representación falsa del desempeño de marketing.

Por eso es tan importante elegir el mejor modelo de atribución para su negocio.

En esta publicación, analizaremos algunos antecedentes sobre diferentes modelos de atribución y, en última instancia, cómo crear un modelo de atribución personalizado basado en datos para medir el rendimiento de las campañas globales.

Limitaciones de los modelos de atribución de marketing tradicionales

Todos los modelos de atribución tienen sus pros y sus contras, pero un inconveniente que tienen en común los modelos tradicionales es que se basan en reglas. El usuario tiene que decidir por adelantado cómo quiere que se divida el crédito de los eventos de ventas entre los puntos de contacto.

Los modelos tradicionales incluyen:

Afortunadamente, existen enfoques basados ​​en datos más sofisticados que pueden capturar las complejidades de los viajes del comprador al modelar cómo los puntos de contacto realmente interactúan con los compradores y entre ellos para influir en el resultado de ventas deseado.

También evaluamos el modelo de Shapley a partir de la teoría de juegos cooperativos. Este modelo popular (ganador del premio Nobel) proporcionó mucha más información sobre el rendimiento del canal que los enfoques tradicionales, pero no se amplió para manejar el gran volumen de puntos de contacto en el mundo digital actual.

El modelo de Shapley funcionó bien en un número relativamente pequeño de canales, pero la mayoría de las empresas necesitan realizar atribuciones para todas las campañas, lo que puede equivaler a cientos de puntos de contacto a lo largo del viaje de un comprador.

Evaluación del modelo de atribución de Markov

El modelo probabilístico de Markov representa los viajes del comprador como un gráfico, con los nodos del gráfico como puntos de contacto o "estados", y los bordes de conexión del gráfico son las transiciones observadas entre esos estados.

Por ejemplo, un comprador ve un seminario web sobre un producto (primer estado) y luego navega a LinkedIn (transición) donde hace clic en una impresión de anuncio para el mismo producto (segundo estado).

El ingrediente clave del modelo son las probabilidades de transición (la probabilidad de moverse entre estados).

El número de veces que los compradores han hecho la transición entre dos estados se convierte en una probabilidad, y el gráfico completo se puede utilizar para medir la importancia de cada estado y los caminos más probables hacia el éxito.

Por ejemplo, en una muestra de datos del recorrido del comprador, observamos que el punto de contacto del seminario web se produce 8 veces, y los compradores vieron el seminario web seguido de hacer clic en el anuncio de LinkedIn solo 3 veces, por lo que la probabilidad de transición entre los dos estados es 3/8 = 0,375 (37,5%).

Se calcula una probabilidad para cada transición para completar el gráfico.

Antes de comenzar a calcular la atribución de la campaña, el gráfico de Markov puede brindarnos un par de datos útiles sobre los viajes de nuestros compradores.

En el ejemplo anterior, puede ver que la ruta con la mayor probabilidad de éxito es "Inicio> Seminario web> Campaña Z> Éxito" con una probabilidad total del 42,5% (1,0 * 0,425 * 1,0).

El gráfico de Markov también nos puede decir la tasa de éxito general; es decir, la probabilidad de que el viaje del comprador sea exitoso dado el historial de todos los viajes del comprador. La tasa de éxito es una línea de base para el desempeño general del marketing y la aguja para medir la efectividad de cualquier cambio.

El gráfico de Markov de ejemplo anterior tiene una tasa de éxito del 67,5%:

Atribución de campaña

Se puede utilizar un gráfico de Markov para medir la importancia de cada campaña calculando lo que se conoce como el efecto de eliminación.

La efectividad de una campaña se determina eliminándola del gráfico y simulando los recorridos del comprador para medir el cambio en la tasa de éxito sin ella.

El uso de Removal Effect para la atribución de marketing es la última pieza del rompecabezas. Para calcular el valor de atribución de cada campaña podemos utilizar la siguiente fórmula:

Por ejemplo, supongamos que durante el primer trimestre del año fiscal el valor total en USD de todos los viajes de compradores exitosos es de 1 millón de dólares.

Los mismos recorridos del comprador se utilizan para construir un modelo de Markov y calculó el efecto de eliminación para nuestra campaña publicitaria en 0,7 (es decir, la tasa de éxito del recorrido del comprador se redujo en un 70% cuando la campaña publicitaria se eliminó del gráfico de Markov).

Conocemos los valores de Efecto de eliminación para cada campaña observada en los datos de entrada y, para este ejemplo, digamos que suman 2.8. Al introducir los números en la fórmula, calculamos que el valor de atribución de nuestra campaña publicitaria es de 250.000 dólares.

Empiece con su propio modelo

La aplicación de atribución de marketing anterior fue desarrollada por el Centro de excelencia de marketing y datos de Cloudera, pero puede comenzar hoy mismo con su propio modelo.

Al aprovechar un modelo de atribución basado en datos, puede eliminar los sesgos asociados con los mecanismos de atribución tradicionales y comprender cómo varios mensajes influyen en los clientes potenciales y las variaciones según la geografía y el tipo de ingresos.

Una vez que tenga datos sólidos y confiables detrás de la atribución, puede confiar en el uso de los resultados para informar e impulsar la estrategia de mezcla de marketing y las decisiones de inversión. Y puede confiar en los números cuando se asocia con equipos de ventas para impulsar las estrategias de marketing.

James Kinley es científico de datos principal en Cloudera. Se unió a ellos desde la industria de defensa del Reino Unido, donde se especializó en seguridad cibernética.