Model Atribusi untuk Pemasar: Cara Mendapatkan Wawasan Akurat Yang Penting

Anda telah bekerja sepanjang kuartal pada seri pemasaran konten baru dan konversi terus meningkat.

Apakah Anda mengaitkan konversi ini secara eksklusif dengan konten Anda? Bagaimana dengan pelanggan yang mengeklik artikel Anda dari halaman media sosial Anda—apakah Anda mengaitkan konversi tersebut dengan acara sosial atau artikel (atau keduanya)?

Mengoptimalkan pengeluaran pemasaran adalah prioritas utama bagi pemasar. Namun sulit untuk mengetahui di mana harus memfokuskan upaya Anda saat corong linier menghilang lebih jauh ke dalam legenda.

Model atribusi multi-sentuh telah mencoba memecahkan masalah ini, tetapi banyak pemasar menggunakan model yang salah untuk mengukur kampanye mereka.

Dalam artikel ini, kami akan mendalami model atribusi populer yang berfungsi dan menjelaskan cara mendapatkan data atribusi yang paling tepat sehingga Anda bisa mendapatkan gambaran akurat tentang ROI Anda.

Apa itu model atribusi?

Model atribusi adalah seperangkat aturan yang mengatur cara Anda mengalokasikan kredit yang diberikan untuk upaya pemasaran dan penjualan yang menghasilkan konversi. Dengan kata lain, ini bertujuan untuk menjawab pertanyaan “saluran atau kampanye mana yang menghasilkan pengguna, prospek, atau penjualan ini?”

Dalam model pemasaran tradisional, atribusi itu mudah. Seorang pelanggan mengunjungi toko Anda dengan membawa kliping koran, dan Anda mengaitkan obral itu dengan iklan koran terbaru Anda.

Karena poin kontak sekarang terjadi di lusinan saluran (sering kali dalam rentang hari atau bahkan jam), jalur konversi menjadi lebih rumit dan jauh lebih tidak linier:

Pelanggan kini berinteraksi dengan merek melalui media sosial, email, Google Ads, postingan blog, dll. Hal ini mempersulit pengembangan model yang akurat untuk mengukur nilai poin kontak (dan, oleh karena itu, untuk mengetahui di mana harus mengalokasikan anggaran).

Contoh pemodelan atribusi

Ikuti perjalanan pelanggan yang cukup mudah ini:

• Pelanggan menelusuri Google untuk memecahkan masalah, dan menemukan salah satu postingan blog Anda;
• Artikel tersebut memperkenalkan solusi untuk tantangan mereka, dan mereka mengunduh ebook Anda untuk mempelajari lebih lanjut;
• Magnet utama memicu urutan pengasuhan email Anda untuk mengirim kiat mingguan agar tetap berada di atas titik sakit ini;
• Di beberapa titik dalam kampanye email, Anda menawarkan demo produk yang dipersonalisasi;
• Setelah demo, pelanggan berlangganan platform Anda.

Di jalur ini, touchpoint mana yang bertanggung jawab atas konversi?

Anda bisa berdebat:

• Posting blog menarik pelanggan ke situs Anda sejak awal—meskipun mereka mungkin belum siap untuk membeli.
• Kampanye email mendidik pelanggan tentang tantangan yang belum mereka pahami—namun mereka masih belum siap untuk membeli.
• Demo penjualan menghasilkan penjualan—tetapi mereka hanya melihat demo karena mengunduh ebook.

Pada kenyataannya, masing-masing titik kontak kemungkinan besar berkontribusi dalam beberapa cara . Pemodelan pengaitan multisaluran yang efektif membantu Anda menentukan saluran mana yang paling berpengaruh sehingga Anda dapat membuat keputusan pemasaran yang lebih baik.

Misalnya, Anda mungkin menemukan bahwa kampanye email Anda memiliki sedikit pengaruh pada konversi, dan konten sosial yang mereka gunakan berminggu-minggu setelah mengunduh eBook adalah yang mendorong penjualan. Menyelaraskan urutan email tersebut dengan konten sosial Anda dapat mempercepat siklus penjualan, mengurangi biaya akuisisi pelanggan (CAC).

Anda hanya dapat mengakses wawasan ini setelah menentukan model atribusi yang paling tepat untuk merek Anda.

Out-of-the-box: Model atribusi standar

Tidak ada model atribusi pemasaran yang sempurna, namun model yang tepat dalam konteks yang tepat akan membantu Anda menekan lebih banyak anggaran pemasaran .

Google Analytics, platform yang paling banyak digunakan untuk melacak atribusi pemasaran, menawarkan Alat Perbandingan Model Corong Multisaluran (MCF) untuk membantu Anda menentukan model mana yang paling masuk akal untuk kampanye Anda.

Gunakan berbagai model atribusi di bawah untuk memandu proses pengambilan keputusan Anda, dan bersiaplah untuk terlibat dalam beberapa eksperimen guna menemukan model yang tepat untuk strategi pemasaran Anda.

Dari mana mereka berasal? Model atribusi interaksi terakhir

Atribusi interaksi terakhir, juga dikenal sebagai atribusi sentuhan terakhir atau atribusi klik terakhir, adalah default di sebagian besar alat analitik dan yang paling banyak digunakan.

Pertimbangkan jalur ini:

• Pelanggan melihat Iklan Google Anda saat menelusuri produk yang Anda jual;
• Mereka menambahkan produk ke keranjang mereka tetapi tidak membeli;
• Anda mengirim email pengabaian keranjang;
• Pengabaian gerobak mereka juga memicu iklan penargetan ulang;
• Pelanggan mengklik iklan Facebook penargetan ulang dan melakukan pembelian.

Dalam model interaksi terakhir, iklan penargetan ulang tersebut menerima 100% kredit atribusi.

Model atribusi ini memberi bobot pada interaksi terakhir dengan merek Anda, terlepas dari titik kontak lain yang muncul sebelumnya.

Meskipun ini adalah model atribusi default, klik terakhir pada dasarnya cacat. Hampir tidak pernah terjadi bahwa titik kontak terakhir hanya bertanggung jawab atas konversi.

Pada contoh jalur di atas, pelanggan mungkin tidak datang ke situs Anda tanpa melihat iklan awal. Mereka mungkin juga berencana untuk membeli malam itu setelah menerima diskon di email pengabaian keranjang.

Seperti yang dikatakan Avinash Kaushik, “Satu-satunya penggunaan atribusi klik terakhir sekarang adalah membuat Anda dipecat. Hindari itu."

Kapan menggunakan model atribusi klik terakhir

Hindari model interaksi terakhir saat siklus pembelian Anda panjang, banyak pembuat keputusan terlibat, atau Anda menjual barang mahal. Ada banyak pertimbangan yang terlibat dalam transaksi ini dan klik terakhir tidak akan memberi tahu Anda poin kontak mana yang paling efektif.

Gunakan model klik terakhir saat siklus pembelian pendek dan sedikit pertimbangan yang terlibat, seperti di sektor barang konsumen yang bergerak cepat (FMCG).

Dari mana mereka memulai? Model atribusi interaksi pertama

Atribusi interaksi pertama, juga dikenal sebagai atribusi sentuhan pertama atau klik pertama, adalah kebalikan dari model atribusi klik terakhir. Ini memberikan kredit sepenuhnya ke titik kontak pertama.

Ingat jalur yang dibahas dalam model sebelumnya. Di bawah model interaksi pertama, Google Ad awal akan menerima 100% tanggung jawab untuk memengaruhi penjualan, terlepas dari titik kontak lain yang muncul setelahnya.

Ada beberapa validitas untuk menggunakan model ini (titik sentuh berikut tidak akan pernah terjadi tanpa yang pertama), tetapi masih cacat. Pembeli jarang berkonversi berdasarkan satu interaksi awal, seperti membaca posting blog atau melihat iklan media sosial.

Seperti yang ditulis Avinash, "Atribusi klik pertama mirip dengan memberi pacar pertama saya 100% kredit karena saya menikahi istri saya."

Kapan menggunakan model atribusi klik pertama

Model atribusi sentuhan pertama mungkin sesuai jika membangun merek menjadi perhatian utama Anda, misalnya, jika Anda adalah pendatang baru di pasar.

Dalam contoh ini, tujuan Anda adalah agar upaya pemasaran Anda menyentuh pelanggan potensial sebanyak mungkin, sehingga interaksi sentuhan pertama menjadi penting untuk mencapai tujuan tersebut.

Apa yang mereka lakukan sebelum mereka melakukan itu? Model pengaitan klik tidak langsung terakhir

Atribusi klik non-langsung terakhir mirip dengan model klik terakhir, hanya saja pengaitan ini mendiskon lalu lintas langsung.

Pertimbangkan jalur e-niaga yang terlihat seperti ini:

• Pelanggan menjalankan penelusuran organik untuk produk tertentu di Google;
• Kata kunci ini memicu salah satu Google Ads Anda;
• Pelanggan mengklik iklan, menelusuri produk, dan menambahkan beberapa ke keranjang mereka;
• Mereka tidak melakukan pembelian, yang memicu email pengabaian keranjang;
• Kemudian, pelanggan langsung kembali ke situs web Anda dan melanjutkan pembelian.

Di bawah model interaksi terakhir, konversi ini akan diatribusikan ke lalu lintas langsung. Pada model klik tidak langsung terakhir, ini diatribusikan ke email pengabaian keranjang.

Kapan harus menggunakan model atribusi klik tidak langsung terakhir

Untuk sebagian besar bisnis, model klik tidak langsung terakhir masih terlalu mendasar untuk memperhitungkan sebagian besar perjalanan pembelian. Ini sering mengarahkan kredit ke tempat yang tidak jatuh tempo.

Jika lalu lintas langsung Anda berkonversi dengan cepat, Anda berpotensi mendapatkan keuntungan dari model ini. Namun, jika pelanggan cenderung menelusuri situs Anda selama sesi pembelian, hindari model ini. Bisa jadi ada hal lain yang meyakinkan mereka untuk membeli.

Seperti yang dikatakan Avinash, “Mengapa meremehkan Direct? Mengapa meremehkan upaya pemasar untuk menciptakan pengenalan merek dan nilai merek?”

Membagi kredit secara merata: Model atribusi linier

Atribusi linier selangkah lebih baik daripada model titik sentuh tunggal. Ini memperhitungkan semua interaksi yang dapat dilacak dan menyebarkan kredit atribusi secara merata.

Meskipun setiap titik kontak mendapatkan penghargaan partisipasi karena berkontribusi pada penjualan, model tersebut tidak memperhitungkan seberapa layak bagian tersebut.

Mari kita lihat jalur pelanggan ini:

• Pelanggan melihat tweet positif tentang merek Anda dari influencer yang mereka kagumi, sehingga mereka menghabiskan sekitar satu jam menjelajahi konten di situs web Anda;
• Dari situs web Anda, mereka mengeklik ikon media sosial Anda dan mengikuti Anda di beberapa saluran, dan mereka juga mendaftar ke buletin Anda;
• Selama beberapa bulan mendatang, pelanggan menelusuri postingan merek Anda di media sosial, jarang berhenti untuk membaca;
• Mereka juga tidak pernah membuka buletin Anda;
• Situasi di tempat kerja membuat pelanggan membutuhkan solusi Anda dengan cepat dan influencer memposting lagi tentang merek Anda pada hari yang sama;
• Pelanggan membuka buletin terbaru Anda di kotak masuk mereka dan berlangganan ke platform Anda melalui CTA di bagian bawah.

Model atribusi linier memberikan kredit yang sama untuk media sosial, situs web Anda, dan buletin Anda, meskipun mereka menelusuri posting Anda dan tidak membaca email Anda.

Dengan logika ini, Anda akan tergoda untuk membagi pengeluaran pemasaran secara merata untuk setiap saluran. Namun, Anda dapat berargumen bahwa pemasaran influencer dan konten di situs web Anda adalah yang paling efektif di sini.

Kapan menggunakan model atribusi linier

Perusahaan besar atau perusahaan yang lebih mapan dengan anggaran pemasaran yang layak harus fokus pada penentuan persentase atribusi secara lebih akurat.

Jika Anda tidak memiliki anggaran atau data untuk mengalokasikan persentase yang lebih akurat, model linier setidaknya memperhitungkan beberapa poin kontak alih-alih menempatkan semuanya dalam satu kapal.

Memprioritaskan poin kontak pertama dan terakhir: Model atribusi berbasis posisi

Model atribusi berbasis posisi (terkadang disebut atribusi berbentuk u) adalah perpaduan antara model linear, interaksi terakhir, dan interaksi pertama.

Model ini memberikan sebagian besar kredit ke interaksi pertama dan terakhir, dengan kredit yang tersisa didistribusikan secara merata di setiap poin kontak lainnya.

Model ini tampaknya paling masuk akal; touchpoint pertama dan terakhir jelas sangat berpengaruh. Ini mengenali dua langkah penting dalam perjalanan pembeli, sambil tetap memperhitungkan langkah lain di sepanjang jalan.

Kapan menggunakan model atribusi berbasis posisi

Gunakan model atribusi berbasis posisi jika bisnis Anda memiliki beberapa titik kontak sebelum pelanggan melakukan pembelian (yaitu bisnis dengan siklus penjualan yang panjang).

Semakin penting: Model atribusi peluruhan waktu

Model atribusi peluruhan waktu didasarkan pada prinsip bahwa semua titik kontak bernilai sesuatu, tetapi yang paling dekat dengan konversi lebih bernilai.

Interaksi terakhir menerima kredit paling banyak, dan semua interaksi sebelumnya menerima atribusi dalam jumlah yang menurun.

Kritik terbesar dari model ini adalah bahwa model ini meremehkan nilai upaya pemasaran top-of-the-funnel, yang pertama kali memperkenalkan merek kepada pelanggan.

Kapan harus menggunakan model atribusi peluruhan waktu

Gunakan model peluruhan waktu dalam skenario dengan siklus pembelian yang panjang dan saat membangun hubungan merupakan faktor kunci dalam kesuksesan penjualan (khususnya di B2B).

Melampaui model standar untuk data atribusi pemasaran yang lebih akurat

Keenam jenis model atribusi tradisional yang dibahas di atas adalah awal yang baik, tetapi penerapannya cukup terbatas.

Memilih salah satu model pengaitan standar bersifat subjektif, berdasarkan firasat pemasar tentang di mana dan kapan pelanggan membuat keputusan pembelian. Keputusan subyektif bisa salah, menyebabkan upaya dan pengeluaran yang sia-sia.

Menyesuaikan model pengaitan standar dapat mendekatkan Anda ke akurasi

Dimungkinkan untuk membuat model pengaitan khusus di atas model Google Analytics siap pakai.

Misalnya, Anda dapat menyesuaikan pembobotan interaksi dalam model berbasis posisi untuk memberikan lebih sedikit penghargaan pada interaksi pertama atau terakhir.

Anda dapat menyesuaikan model atribusi lebih lanjut dengan menggabungkan Google Analytics dan R, bahasa pemrograman untuk komputasi statistik.

Gunakan model Markov (model proses acak yang mencerminkan perubahan sistem) untuk meningkatkan pelacakan atribusi. Pada tingkat tinggi, model Markov melihat kemungkinan langkah selanjutnya dalam jalur konversi, dan berupaya menghitung pentingnya titik kontak berdasarkan penghapusannya.

Kaelin Tessier dari Bounteous, agensi pengalaman digital, menjelaskan manfaat menggunakan model Markov untuk pemodelan atribusi:

Objektivitas – Tidak ada firasat di sini! Hanya fakta.
Akurasi Prediktif – Memprediksi peristiwa konversi.
Ketangguhan – Hasil yang valid dan andal.
Interpretabilitas – Transparan dan relatif mudah untuk ditafsirkan.
Keserbagunaan – Tidak bergantung pada kumpulan data. Mampu beradaptasi dengan data baru.
Efisiensi Algoritma – Memberikan hasil tepat waktu.

Model Markov memecahkan tantangan terbesar model GA berbasis heuristik: objektivitas. Model menentukan pentingnya setiap titik kontak, bukan pemasar.

Namun masih banyak nuansa yang perlu dipertimbangkan. Misalnya, bagaimana jika prospek mengikuti CEO Anda di LinkedIn dan dipengaruhi oleh konten yang mereka publikasikan? Mengatribusikan ke “dark funnel” bisa jadi rumit.

Untuk wawasan atribusi yang paling akurat, lihat model berbasis data.

Meningkatkan presisi dengan model atribusi berdasarkan data

Saat perjalanan pelanggan semakin kompleks, model atribusi juga harus demikian. Memaksa perjalanan pelanggan ke dalam kotak-kotak kecil yang rapi jarang secara akurat menggambarkan bagaimana keputusan pembelian terjadi.

Untuk saat ini, pendekatan algoritmik atau berbasis data dapat dianggap sebagai standar emas atribusi pemasaran.

Seperti yang dikatakan Bill Macaitis, mantan CMO Slack, dalam sebuah wawancara:

Bill Macaitis:

“Saat ini, atribusi algoritmik telah menjadi praktik terbaik bagi pemasar dan perusahaan berbasis data.

Kami sekarang dapat memanfaatkan semua pengumpulan data, alat, dan model yang tersedia untuk mengambil semua titik sentuh yang berbeda dan membuat atribusi algoritmik yang prediktif. Jika disiapkan dengan benar, kami dapat melacak setiap titik sentuh dan semua metrik corong hilir. Dan dengan memberi bobot secara proporsional pada kumpulan data yang sangat besar, kami dapat menentukan dengan lebih akurat dan presisi apa yang harus mendapatkan kredit–termasuk periklanan online, offline, berbasis kinerja, dan merek.

Itu tidak sempurna, dan itu tidak mudah. Menjadi sulit dengan rujukan dari mulut ke mulut, sosial gelap, dan "sentuhan tersembunyi" lainnya. Namun, ini mendorong pemahaman yang jauh lebih dalam tentang perjalanan pembeli dan upaya pemasaran mana yang membuahkan hasil.”

Produk seperti Google Analytics 360 dan Impact.com menggunakan pembelajaran mesin dan penghitungan statistik lanjutan, seperti regresi logistik, untuk menentukan cara distribusi kredit untuk poin kontak pemasaran.

Pada tingkat tinggi, pengaitan berdasarkan data menganalisis perbedaan interaksi titik kontak antara pelanggan yang berkonversi dan yang tidak. Pola keterlibatan, sekarang memperhitungkan konversi cepat dan peluang yang hilang, menginformasikan atribusi kredit proporsional yang lebih akurat.

Model algoritmik bersifat objektif dan otomatis, menghilangkan keputusan "insting" yang diambil pemasar saat mereka memutuskan langkah mana yang tampaknya paling penting.

Model algoritmik sangat kompleks dan ditujukan untuk perusahaan. Ini akan berlebihan bagi banyak bisnis, terutama jika mempertimbangkan biaya produk ini (Google Analytics 360 mulai dari $150.000 per tahun).

Jika atribusi algoritmik tidak dapat dijangkau, pendekatan terbaik Anda adalah menggunakan model standar yang paling sesuai dengan strategi Anda, menyesuaikannya, dan terus mengoptimalkan saat Anda mempelajari apa yang berhasil dan yang tidak.

Mengisolasi kelemahan melalui pengujian keberadaan

“Pengujian keberadaan” menyimpulkan keefektifan saluran tertentu dengan mengeluarkannya sebentar. Omong-omong, inilah yang menjadi dasar banyak model berbasis data di atas, tetapi dalam skala besar.

Jim Novo, pendiri The Drilling Down Project, menjelaskannya dengan baik di episode Podcast Analisis Digital:

Jim Novo:

“Jika menurut Anda [tampilan] sangat berharga dalam hal membantu kampanye lain, mengapa Anda tidak menghentikannya selama satu atau dua minggu dan lihat apa yang terjadi? Dan kemudian menambahkannya kembali.

Tidak bisakah Anda melakukan pengujian semacam itu? Apakah layak bagi Anda untuk menginvestasikan uang itu di tempat lain? Seberapa serius Anda mencari tahu nilai tampilan?

Menghubungkan titik-titik antara perilaku offline dan online

Perilaku pembelian modern mencakup serangkaian aktivitas pelanggan. Anda mungkin memiliki pelanggan yang terlibat dalam salah satu atau kombinasi dari hal berikut:

• Meneliti dan membeli murni secara online;
• Meneliti dan membeli murni offline;
• Meneliti online dan membeli offline (juga dikenal sebagai ROPO atau webrooming);
• Menguji produk di dalam toko dan membeli secara online (juga dikenal sebagai showrooming).

Model atribusi standar cenderung memperhitungkan pemasaran digital dan perilaku online secara eksklusif. Bahkan saat melacak saluran luring seperti media cetak dan surat langsung, hal itu dilakukan dengan URL khusus.

Jadi, bagaimana pemasar dapat melacak apa yang sedang terjadi secara offline?

Ada beberapa cara bisnis dapat memperhitungkan aktivitas di dalam toko dan menghubungkan titik-titik tersebut ke aktivitas online.

1. Suar Bluetooth Hemat Energi (BLE).

Beacon dapat berguna bagi pelanggan Anda sekaligus memberikan informasi tentang kebiasaan belanja mereka.

Ini biasanya berfungsi seperti "GPS di dalam toko". Ketika pelanggan yang telah menginstal aplikasi Anda di perangkat mereka memasuki toko Anda, beacon berkomunikasi dengan aplikasi dan menghubungkan perilaku online pengguna tersebut dengan pembelian di toko mereka.

Target menggunakan suar untuk membantu pelanggan menemukan item di daftar belanja mereka, menemukan bantuan di dalam toko, dan bahkan memiliki umpan berita berbasis geografis.

Macy's telah menggunakan suar untuk menawarkan saran, mengirimkan promosi waktu nyata, serta melacak dan mengatribusikan pembelian sejak 2014.

Meskipun jenis pelacakan ini populer di toko ritel, beberapa pelanggan mungkin merasa tidak nyaman dengannya. Atasi minat dengan mensurvei pembeli, lalu uji dengan grup kecil sebelum diluncurkan.

2. Kartu loyalitas

Kartu loyalitas adalah cara sederhana untuk menghubungkan profil digital dengan pembeli offline, asalkan kartu tersebut diaktifkan secara online.

Beberapa platform menawarkan program loyalitas terintegrasi untuk bisnis, seperti Yotpo dan Stampme.

Platform menghubungkan pengalaman online dan offline, biasanya dengan meminta pengguna memindai kartu loyalitas di kasir fisik, sehingga pengguna dapat mengumpulkan poin di mana pun mereka berbelanja.

3. Pimpin pelanggan secara offline

Produser furnitur dan dekorasi VOX mendorong perjalanan pelanggan untuk berujung pada konsultasi tatap muka menggunakan aplikasi bernama VOXBOX.

VOXBOX memungkinkan pelanggan merancang tata letak furnitur virtual dan kemudian merekomendasikan pelanggan untuk menjadwalkan konsultasi langsung di salah satu toko fisik mereka.

Dengan pendekatan ini, VOX dapat melacak semua titik kontak untuk pelanggan tersebut, termasuk aktivitas offline.

Kesimpulan

Tidak ada satu ukuran yang cocok untuk semua dalam pemodelan atribusi. Solusi yang paling kuat menggunakan pemodelan algoritme untuk menetapkan kredit atribusi, tetapi membutuhkan biaya yang signifikan.

Jika atribusi algoritmik tidak ada di ruang kemudi Anda, taruhan terbaik Anda adalah membuat model yang disesuaikan di atas penawaran dasar di suite analitik pilihan Anda. Optimalkan atribusi Anda saat Anda mempelajari lebih lanjut tentang bagaimana pelanggan Anda berinteraksi dengan poin kontak pemasaran.

Menjadi master atribusi dengan kursus atribusi pemasaran kami.