Panduan pemasar untuk atribusi pemasaran berbasis data

Atribusi pemasaran adalah cara mengukur nilai kampanye dan saluran yang menjangkau calon pelanggan Anda.

Dengan menggunakan hasil model atribusi, Anda dapat memahami titik kontak apa yang paling berpengaruh pada perjalanan pembeli yang sukses dan membuat keputusan yang lebih tepat tentang cara mengoptimalkan investasi dalam sumber daya pemasaran di masa mendatang.

Tapi kita semua tahu bahwa perjalanan pembeli jarang langsung, dan jalan menuju sukses bisa panjang dan berliku.

Dengan begitu banyak titik kontak yang perlu dipertimbangkan, sulit untuk membedakan antara interaksi berdampak tinggi dan rendah yang sebenarnya, yang dapat mengakibatkan pembagian kredit yang tidak akurat dan representasi kinerja pemasaran yang salah.

Inilah sebabnya mengapa memilih model atribusi terbaik untuk bisnis Anda sangat penting.

Dalam posting ini, kita akan membahas sedikit latar belakang tentang model atribusi yang berbeda, dan pada akhirnya, bagaimana membuat model atribusi berdasarkan data khusus untuk mengukur kinerja kampanye global.

Keterbatasan model atribusi pemasaran tradisional

Semua model atribusi memiliki kelebihan dan kekurangannya masing-masing, tetapi satu kelemahan yang dimiliki oleh model tradisional adalah bahwa model tersebut berbasis aturan. Pengguna harus memutuskan terlebih dahulu bagaimana mereka ingin kredit untuk acara penjualan dibagi di antara titik kontak.

Model tradisional meliputi:

Untungnya, ada pendekatan berbasis data yang lebih canggih yang mampu menangkap seluk-beluk perjalanan pembeli dengan memodelkan bagaimana titik kontak sebenarnya berinteraksi dengan pembeli, dan satu sama lain, untuk memengaruhi hasil penjualan yang diinginkan.

Kami juga mengevaluasi model Shapley dari teori permainan kooperatif. Model populer (pemenang hadiah Nobel) ini memberikan lebih banyak wawasan tentang kinerja saluran daripada pendekatan tradisional, tetapi model ini tidak berskala untuk menangani volume titik kontak di dunia digital saat ini.

Model Shapley berkinerja baik pada sejumlah saluran yang relatif kecil, tetapi sebagian besar perusahaan perlu melakukan atribusi untuk semua kampanye, yang dapat disamakan dengan ratusan titik kontak di sepanjang perjalanan pembeli.

Mengevaluasi model atribusi Markov

Model probabilistik Markov mewakili perjalanan pembeli sebagai grafik, dengan simpul grafik menjadi titik kontak atau "status", dan tepi penghubung grafik menjadi transisi yang diamati antara status tersebut.

Misalnya, pembeli menonton Webinar produk (status pertama) lalu menelusuri LinkedIn (transisi) tempat mereka mengklik tayangan Iklan untuk produk yang sama (status kedua).

Bahan utama model ini adalah probabilitas transisi (kemungkinan berpindah antar negara bagian).

Frekuensi pembeli melakukan transisi antara dua keadaan diubah menjadi probabilitas, dan grafik lengkap dapat digunakan untuk mengukur pentingnya setiap keadaan dan jalur yang paling mungkin menuju kesuksesan.

Misalnya, dalam sampel data perjalanan pembeli, kami mengamati bahwa titik kontak Webinar terjadi 8 kali, dan pembeli menonton webinar diikuti dengan mengklik Iklan LinkedIn hanya 3 kali, sehingga probabilitas transisi antara dua keadaan adalah 3/8 = 0,375 (37,5%).

Probabilitas dihitung untuk setiap transisi untuk menyelesaikan grafik.

Sebelum kita menghitung atribusi kampanye, grafik Markov dapat memberi tahu kita beberapa nugget informasi yang berguna tentang perjalanan pembeli kita.

Dari contoh di atas dapat dilihat bahwa jalur dengan probabilitas keberhasilan tertinggi adalah “Start > Webinar > Campaign Z > Success” dengan total probabilitas 42,5% (1,0 * 0,425 * 1,0).

Grafik Markov juga dapat memberi tahu kami tingkat keberhasilan secara keseluruhan; yaitu, kemungkinan perjalanan pembeli yang berhasil berdasarkan riwayat semua perjalanan pembeli. Tingkat keberhasilan adalah dasar untuk kinerja pemasaran secara keseluruhan dan jarum untuk mengukur efektivitas setiap perubahan.

Contoh grafik Markov di atas memiliki tingkat keberhasilan 67,5%:

Atribusi kampanye

Grafik Markov dapat digunakan untuk mengukur pentingnya setiap kampanye dengan menghitung apa yang dikenal sebagai Efek Penghapusan.

Efektivitas kampanye ditentukan dengan menghapusnya dari grafik dan mensimulasikan perjalanan pembeli untuk mengukur perubahan dalam tingkat keberhasilan tanpa adanya kampanye tersebut.

Menggunakan Efek Penghapusan untuk atribusi pemasaran adalah bagian terakhir dari teka-teki. Untuk menghitung nilai atribusi setiap kampanye, kita dapat menggunakan rumus berikut:

Misalnya, katakanlah bahwa selama kuartal pertama tahun fiskal, total nilai USD dari semua perjalanan pembeli yang berhasil adalah $1 juta.

Perjalanan pembeli yang sama digunakan untuk membangun model Markov dan menghitung Efek Penghapusan untuk kampanye Iklan kami menjadi 0,7 (yaitu Tingkat keberhasilan perjalanan pembeli turun 70% saat kampanye Iklan dihapus dari grafik Markov).

Kami mengetahui nilai Efek Penghapusan untuk setiap kampanye yang diamati dalam data masukan, dan untuk contoh ini, katakanlah jumlahnya 2,8. Dengan memasukkan angka ke dalam rumus, kami menghitung nilai atribusi untuk kampanye Iklan kami menjadi $250k.

Mulailah dengan model Anda sendiri

Aplikasi atribusi pemasaran di atas dikembangkan oleh Pusat Keunggulan Pemasaran dan Data Cloudera, tetapi Anda dapat memulai hari ini dengan model Anda sendiri.

Dengan memanfaatkan model atribusi berdasarkan data, Anda dapat menghilangkan bias yang terkait dengan mekanisme atribusi tradisional, dan memahami bagaimana berbagai pesan memengaruhi calon pelanggan dan perbedaan menurut geografi dan jenis pendapatan.

Setelah Anda memiliki data yang solid dan tepercaya di balik atribusi, Anda dapat yakin dalam menggunakan hasilnya untuk menginformasikan dan mendorong strategi bauran pemasaran dan keputusan investasi. Dan, Anda dapat mengandalkan angka saat bermitra dengan tim penjualan untuk mendorong strategi pemasaran ke depan.

James Kinley adalah Ilmuwan Data Utama di Cloudera. Dia bergabung dengan mereka dari industri pertahanan Inggris di mana dia mengkhususkan diri dalam keamanan siber.