Mengapa dan Bagaimana Pengaitan Pemasaran: Panduan Berbasis Data

Merek biasa-biasa saja menebak : "Sepertinya iklan Facebook terbaru kami bekerja dengan baik."

Merek papan atas tahu : "Set iklan Facebook kami saat ini mengarahkan lalu lintas, tetapi piksel penargetan ulang kami yang mengubah pelanggan."

Ini adalah pemahaman berbasis data tentang apa yang berhasil—dan apa yang tidak—yang memisahkan pemasar canggih dari paket.

Model pengaitan pemasaran membantu pemasar menilai data di balik poin kontak dan konversi pengguna untuk memahami dampaknya terhadap ROI.

Dalam artikel ini, Anda akan mempelajari cara kerja pengaitan pemasaran, cara mengukurnya dengan enam model berbeda, dan cara membuat keputusan berdasarkan data yang meningkatkan anggaran pemasaran Anda.

Apa itu atribusi pemasaran dan mengapa itu penting?

Atribusi pemasaran adalah praktik menganalisis bagaimana pelanggan terlibat dengan titik kontak pemasaran selama perjalanan pembelian mereka.

Anda memilih model atribusi (serangkaian aturan yang mengatur cara Anda mengatribusikan kredit konversi ke setiap poin kontak) untuk memahami bagaimana taktik pemasaran Anda berkontribusi terhadap pertumbuhan pendapatan.

Pengaitan pemasaran menyediakan data yang mendukung wawasan seperti:

• Google Ads kami adalah pendorong pendapatan kami yang paling signifikan.
• Kampanye pengasuhan email ini tidak efektif dan perlu dibangun kembali.
• Sebagian besar pelanggan kami menemukan kami melalui konten organik kami.

Tanpa data ini, keputusan pemasaran sebagian besar didasarkan pada intuisi.

Katakanlah Anda ditugasi tantangan untuk meningkatkan perolehan prospek sebesar 25% untuk kuartal berikutnya, untuk mencapai sasaran pendapatan organisasi Anda untuk tahun ini.

Data atribusi pemasaran dapat menunjukkan kepada Anda, misalnya, bahwa konten organik Anda adalah titik kontak pertama yang paling umum dalam perjalanan tipikal pelanggan Anda. Dengan kata lain, konten adalah cara sebagian besar pelanggan menemukan perusahaan Anda.

Tanpa data ini, Anda mungkin melihat saluran pemasaran dan taktik yang Anda mainkan saat ini dan berkata, “Mari kita alokasikan ulang anggaran konten kuartal ini ke Google Ads. Kita perlu berlari untuk mencapai sasaran pendapatan ini.”

Dalam hal ini, menurunkan prioritas upaya publikasi konten adalah langkah yang salah, tetapi langkah yang dapat Anda lakukan dengan mudah jika tidak memiliki akses ke data atribusi.

Seberapa efektif wawasan ini bergantung pada cara Anda mengukur atribusi pemasaran.

Cara mengukur atribusi pemasaran

Sebagian besar pemasar akan menggunakan salah satu model out-of-the-box dalam perangkat lunak atribusi mereka. Meskipun ini memiliki kelemahan (yang akan segera kita diskusikan), mereka memberikan pemahaman dasar tentang bagaimana pelanggan berinteraksi dengan titik kontak pemasaran.

Model atribusi sekali sentuh

Model atribusi sekali sentuh memberikan kredit hanya untuk satu titik kontak dalam perjalanan pelanggan.

Kelemahannya di sini langsung terlihat jelas: pelanggan jarang berkonversi di belakang titik kontak tunggal.

Pertimbangkan peta perjalanan pelanggan ini dari konsultan penjualan digital Columbia Road, dengan 10 poin kontak menuju keputusan.

Namun, ada beberapa kelebihan dalam model atribusi sederhana ini. Pertimbangkan perjalanan pelanggan ini, yang mendekati jalur umum yang diambil pelanggan untuk membeli dari merek e-niaga:

• Pelanggan datang ke situs web Anda melalui Iklan Google
• Mereka menambahkan produk ke keranjang mereka, tetapi tidak mengonversi
• Ini memicu email keranjang yang diabaikan, yang dilihat pelanggan tetapi tidak diklik
• Pelanggan juga melihat iklan penargetan ulang di Facebook, salah satunya memicu pembelian

Pada nilai nominalnya, iklan Facebook sepenuhnya bertanggung jawab atas konversi.

Namun model atribusi sentuhan pertama menyoroti katalis Iklan Google.

Model atribusi sekali sentuh mungkin tidak komprehensif, tetapi model tersebut membantu Anda memahami bagaimana titik kontak bersatu untuk memberi Anda indikasi yang lebih baik tentang apa yang berfungsi.

Atribusi sentuhan pertama

Atribusi sentuhan pertama memberikan semua kredit untuk interaksi pertama yang dilakukan pelanggan dengan merek Anda.

Tidak masalah berapa banyak titik kontak yang muncul setelahnya, atau berapa lama waktu yang dibutuhkan pelanggan untuk membeli setelah interaksi pertama tersebut. Klik pertama mendapat 100% kredit.

Pada contoh di atas, Google Ad awal menerima semua kredit atribusi.

Meski terbatas, model atribusi ini berguna untuk memahami aktivitas pemasaran mana yang menarik pelanggan.

Anda dapat menggunakan data tersebut untuk mengoptimalkan aktivitas corong teratas dan mendorong lebih banyak prospek baru.

Atribusi sentuhan terakhir

Atribusi sentuhan terakhir memberikan semua kredit ke titik kontak terakhir dalam perjalanan pelanggan. Ini akan menjadi iklan Facebook penargetan ulang dari contoh kami di atas.

Ini adalah model atribusi sekali sentuh yang paling banyak digunakan, terutama untuk bisnis dengan siklus pembelian dan tahap pertimbangan yang singkat. Dalam kasus tersebut, interaksi terakhir lebih cenderung memotivasi pembelian.

Ambil Wish, pasar online yang terkenal menjual produk aneh yang tidak pernah Anda pikirkan untuk dibeli sebaliknya. Itu mungkin tidak memiliki perjalanan pelanggan yang rumit, jadi atribusi sentuhan terakhir akan menjadi model yang sesuai.

Atribusi klik tidak langsung terakhir

Model pengaitan klik tidak langsung terakhir serupa dengan model sentuhan terakhir, kecuali model ini mendiskon lalu lintas langsung.

Mari pertimbangkan perjalanan pembelian e-niaga yang sedikit berbeda:

• Pelanggan datang ke situs web Anda melalui Iklan Google
• Mereka menambahkan produk ke keranjang mereka, tetapi tidak mengonversi
• Ini memicu email keranjang yang diabaikan, yang dilihat pelanggan tetapi tidak diklik
• Kemudian, pelanggan kembali ke situs Anda secara langsung dan membeli

Di bawah model pengaitan klik terakhir, ini akan mengarahkan lalu lintas. Menggunakan model interaksi tidak langsung terakhir, email pemulihan keranjang mendapatkan semua kredit.

Model ini sesuai jika pelanggan berkonversi dengan cepat sekali di situs Anda (misalnya, mereka menambahkan produk yang mereka inginkan ke keranjang dan langsung menuju pembayaran).

Hindari model ini jika pelanggan Anda membutuhkan waktu lebih lama untuk berkonversi karena model ini mengabaikan faktor yang memengaruhi (seperti CTA dan ulasan pelanggan unggulan) dalam konversi.

Model atribusi multi-sentuh

Model atribusi multi-sentuh mempertimbangkan semua poin kontak digital dan menetapkan setidaknya beberapa kredit rasio konversi untuk setiap interaksi.

Pertimbangkan jalur yang mungkin diambil pembeli B2B untuk membeli platform manajemen proyek.

Pelanggan melihat iklan produk untuk Asana di YouTube dan mengklik CTA. Mereka membaca halaman arahan, tetapi tidak melakukan konversi.

Merenungkan masalah yang disajikan dalam iklan video (misalnya mengelola tim pekerja lepas), pelanggan melakukan penelusuran Google untuk "mengelola pekerja lepas". Pelanggan mengklik postingan Asana, mengenali merek tersebut.

Ini membantu, dan mereka memutuskan untuk menerapkan beberapa strategi. Kemudian, mereka melihat iklan Asana di LinkedIn dan mengklik CTA untuk mendownload ebook.

Selanjutnya, mereka menerima serangkaian email pengasuhan prospek Asana. Yang terakhir adalah tawaran untuk bulan pertama gratis saat mereka mendaftar untuk paket tahunan, yang mereka terima.

Dalam perjalanan ini, ada enam saluran pemasaran digital berbeda yang terlibat:

• iklan YouTube
• Halaman arahan
• Konten organik
• Iklan LinkedIn
• Ebook
• Kampanye pengasuhan email

Model atribusi sekali sentuh secara alami akan mengabaikan lima dari enam interaksi ini. Model multi-sentuh berbagi kredit atribusi di semua saluran, meskipun cara distribusi kredit bergantung pada model yang Anda terapkan.

Atribusi linier

Model pengaitan linier memberikan kredit secara merata di semua poin kontak. Dalam contoh di atas, masing-masing dari enam poin kontak akan menerima 16,67% dari kredit atribusi.

Model ini cocok jika Anda tidak memiliki anggaran atau data untuk menentukan pembobotan yang lebih akurat, tetapi tidak dapat menerima batasan model sekali sentuh.

Jika Anda adalah perusahaan mapan dengan banyak sumber daya, berinvestasilah dalam penentuan yang lebih akurat.

Atribusi berbasis posisi

Atribusi berbasis posisi (juga disebut atribusi berbentuk U) memberi bobot lebih pada interaksi pertama dan terakhir. Tetap saja, itu memberikan beberapa kredit ke titik kontak di antaranya.

Model yang paling umum adalah menetapkan masing-masing 40% ke poin kontak pertama dan terakhir, dengan 20% sisanya tersebar merata di seluruh titik kontak lainnya.

Dalam contoh kami di atas, distribusi kredit akan terlihat seperti ini:

• Iklan YouTube – 40%
• Halaman arahan – 5%
• Konten organik – 5%
• Iklan LinkedIn – 5%
• Ebook – 5%
• Kampanye pengasuhan email – 40%

Atribusi berbasis posisi berguna jika siklus penjualan Anda panjang dan terdapat beberapa poin kontak yang terlibat dalam keputusan pembelian, seperti pembelian B2B. Untuk siklus pembelian yang panjang, penting untuk memberikan setidaknya beberapa pujian untuk setiap interaksi yang membuat percakapan tetap hidup.

Atribusi peluruhan waktu

Model atribusi peluruhan waktu mendistribusikan kredit berdasarkan berapa banyak waktu yang telah berlalu sejak interaksi.

Titik kontak terakhir selalu menerima kredit paling banyak, dan titik kontak pertama menerima paling sedikit.

Dalam contoh Asana kami, distribusi kredit mungkin terlihat seperti ini:

• Iklan YouTube – 5%
• Halaman arahan – 7,5%
• Konten organik – 12,5%
• Iklan LinkedIn – 20%
• Ebook – 25%
• Kampanye pengasuhan email – 30%

Model peluruhan waktu berguna saat membangun hubungan merupakan faktor kunci, seperti dalam penjualan perusahaan, karena interaksi awal cenderung kurang penting untuk konversi.

Namun, jika membangun merek dan saluran kesadaran sangat penting untuk tujuan bisnis Anda, gunakan model berbasis posisi.

Tantangan dan keterbatasan atribusi pemasaran

Meskipun model atribusi membantu pemasar mendapatkan pemahaman dasar tentang perilaku pelanggan, model tersebut tidak sempurna dan tidak lengkap. Mereka terbatas untuk menangkap, bukan menciptakan, permintaan.

Sebagian besar model tradisional gagal karena didasarkan pada tebakan atau sama sekali melewatkan aktivitas corong gelap.

Model pengaitan yang canggih mengungguli model dasar, tetapi perhatikan batasan ini sebelum memilih arah.

Pilihan model atribusi sebagian besar bersifat arbitrer

Memilih model atribusi sebagian besar didasarkan pada intuisi, bukan data keras.

Misalnya, Anda dapat memilih model atribusi berbasis posisi jika tampaknya masuk akal untuk memberikan kredit paling banyak ke poin kontak pertama dan terakhir.

Tetapi mengapa masing-masing berhak mendapatkan 40%? Mengapa tidak 30% untuk interaksi pertama dan 50% untuk yang terakhir, atau sebaliknya? Distribusi kredit didasarkan pada firasat, bukan data keras.

Solusi yang ideal adalah menerapkan model atribusi berbasis data atau algoritme menggunakan platform seperti Impact.com atau Google Analytics 360.

Alat pemodelan ini menggunakan penghitungan statistik lanjutan dan pembelajaran mesin untuk memahami perbedaan antara pelanggan yang berkonversi, dan yang tidak. Kemudian, interpretasikan pola keterlibatan tersebut untuk menentukan cara mengatribusikan kredit di seluruh titik kontak secara efektif.

Sayangnya, produk ini sangat mahal untuk beberapa bisnis (keanggotaan Google Analytics 360 mulai dari $150.000 per tahun).

Jika level model atribusi ini tidak terjangkau, jalur terbaik adalah dengan:

1. Pilih model atribusi standar yang paling masuk akal untuk strategi Anda
2. Optimalkan dan sesuaikan saat Anda mempelajari lebih lanjut tentang apa yang berhasil dan apa yang tidak
3. Pahami batasan atribusi non-algoritmik saat menggunakan wawasan untuk menginformasikan keputusan pemasaran

Sebagian besar model atribusi tidak memperhitungkan poin kontak non-digital

Semua model atribusi yang dibahas di atas memenuhi titik kontak digital, tetapi perjalanan pembelian tidak murni digital.

Hal ini terutama berlaku di industri ritel seperti pakaian dan pakaian jadi, di mana dua pola pembelian yang berbeda muncul selain pendekatan online vs. offline standar:

• ROPO (riset online, beli offline). Pembeli melalui sebagian besar corong online tetapi kemudian menyelesaikan pembelian mereka di toko fisik.
• Ruang pamer. Pembeli memeriksa produk di toko fisik tetapi kemudian membelinya secara online.

Dalam kedua kasus tersebut, model atribusi yang sepenuhnya digital tidak memperhitungkan semua poin kontak.

Menemukan solusi lengkap untuk tantangan ini sulit. Salah satu strateginya adalah menggunakan kartu loyalitas untuk menghubungkan pembelian offline dengan profil digital.

Platform seperti Yotpo dan Stampme memungkinkan merek untuk mengintegrasikan program loyalitas sehingga mereka dapat melacak titik kontak offline secara efektif.

Taktik lain adalah mengarahkan pelanggan secara offline, seperti produsen furnitur dan dekorasi VOX.

Aplikasi VOXBOX mereka memungkinkan pelanggan merancang tata letak furnitur virtual secara online. Kemudian, mereka merekomendasikan pembeli untuk menjadwalkan konsultasi langsung di toko fisik.

Hal ini memungkinkan VOX mengontrol transisi perjalanan pembelian dari online ke offline, memungkinkan mereka untuk mengintegrasikan titik kontak offline ke dalam model atribusi mereka.

Jika sesuai dengan merek dan industri Anda, pertimbangkan untuk menerapkan salah satu strategi ini untuk melacak interaksi offline. Jika tidak, perlu diingat bahwa model pengaitan khusus digital mungkin tidak menangkap gambaran lengkap.

Akuntansi untuk pelanggan yang sudah ada di pasar itu menantang

Model pengaitan pemasaran sering mengarah pada bias berbasis korelasi, di mana peristiwa dalam perjalanan pelanggan (misalnya konversi) diasumsikan disebabkan oleh hal lain (misalnya titik kontak akhir). Pada kenyataannya, mungkin tidak demikian.

Secara khusus, pemasar mungkin secara tidak tepat menetapkan atribusi konversi kepada pelanggan yang berada di pasar untuk tetap membeli produk tersebut.

Pertimbangkan iklan Facebook bertarget ini dari Shopify.

Katakanlah Shopify menyiapkan iklan ini untuk menargetkan audiens yang terlibat dengan halaman terkait e-niaga tertentu di Facebook.

Penonton terlibat dengan halaman ini dan sering mendiskusikan alat terbaik di pasar. Ada kemungkinan besar mereka telah menentukan bahwa Shopify adalah pilihan yang tepat sebelum iklan muncul.

Jadi ketika mereka melihat dan mengkliknya, apakah itu bertanggung jawab atas konversi?

Perhitungkan bias dalam pasar dengan melakukan survei pasca pembelian. Lebih dari sekadar bertanya "Bagaimana Anda mendengar tentang kami?" dan tanyakan, “Apa yang membuat Anda memutuskan untuk membeli dari kami?”

Untuk data kualitatif lainnya, sertakan pertanyaan seperti, “Sebelum mendaftar ke Shopify, Anda mengklik iklan Facebook ini. Seberapa besar pengaruh iklan ini terhadap pembelian Anda?” Mintalah pelanggan menilai respons pada skala 1–5. Ini membantu Anda mendapatkan pemahaman yang lebih baik tentang apakah iklan Anda benar-benar memengaruhi konversi, atau hanya menghalangi pembelian yang akan tetap terjadi.

Menggunakan pemodelan atribusi khusus untuk atribusi tingkat lanjut

Model di atas adalah model atribusi dasar—model sederhana berbasis heuristik dan siap pakai yang ditemukan di Google Analytics. Mereka semua memberi Anda jawaban, tetapi pemasar top akan mempertanyakan keakuratannya.

Anda juga dapat membuat model khusus di atas model berbasis aturan siap pakai di Google Analytics.

Anda juga dapat membuat model khusus di atas model berbasis aturan siap pakai di Google Analytics.

Namun, bahkan model kustom berisiko condong ke bias dan asumsi, yang sewenang-wenang dan berdasarkan nuansa perjalanan pelanggan Anda.

Kami juga telah melihat beberapa artikel menarik tentang penerapan Model Markov dalam Google Analytics. Ini berguna saat Anda tidak puas dengan model yang diuraikan di atas, terutama jika Anda kekurangan titik data tertentu untuk mendapatkan gambaran lengkap tentang perjalanan pelanggan Anda.

Untuk menyederhanakan Model Markov dalam kasus penggunaan ini, lihat kemungkinan langkah selanjutnya dalam jalur konversi tertentu. Hitung kepentingan relatif dari titik kontak tertentu berdasarkan penghapusannya:

Model Markov memiliki manfaat sebagai berikut, sebagaimana diuraikan dalam makalah ini:

• Objektivitas – Tidak ada firasat.
• 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.

Inilah pos yang bagus menjelaskan bagaimana melakukannya. Ini satu lagi. Analis data yang baik akan mampu menerapkan ini pada model atribusi Anda.

Ukur keefektifan tindakan tertentu menggunakan kelompok

Kohort berbasis waktu dapat memegang kunci untuk menemukan keefektifan perubahan yang dilakukan pada aktivitas pemasaran atau saluran tempat mereka diterapkan. Paling tidak, Anda dapat menemukan indikasi keefektifan dengan menggabungkan analisis kohort dengan eksperimen terkontrol untuk validitas yang lebih besar.

Secara khusus, melihat kelompok dapat membantu Anda menentukan seberapa efektif tindakan pemasaran tertentu, setidaknya secara korelatif. Jim Novo, pendiri The Drilling Down Project, menjelaskannya dengan baik di episode Podcast Analisis Digital:

Saya pikir orang-orang di SaaS yang bekerja dengan analisis kelompok melakukannya dengan baik.

Jadi Anda melihat orang-orang yang mendaftar pada bulan Januari, dan pada saat kami mencapai bulan Maret, persentase ini keluar. Kami dapat mengaitkannya dengan upaya promosi tertentu yang kami lakukan dalam jangka waktu tersebut.

Tapi kemudian kami melihat kohort yang dimulai pada bulan Maret, kami melakukan upaya promosi yang berbeda, dan kami memiliki konversi yang jauh lebih baik dari freemium ke berbayar, atau apa pun, dalam model itu.

Terkait dengan ini adalah jenis pengujian keberadaan di mana Anda menyimpulkan keefektifan saluran tertentu dengan mengeluarkannya sebentar, Jim menyarankan pengujian untuk melihat apakah Anda dapat hidup tanpanya:

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?

Aktivitas yang selalu Anda lakukan mungkin tidak memberikan dampak sebesar yang Anda yakini. Pengujian adalah seni penghapusan sekaligus penambahan. Ini berlaku untuk memotong seluruh inisiatif sama sekali.

Cara menggunakan atribusi pemasaran untuk membuat keputusan berbasis data yang lebih kuat

Model atribusi hadir untuk meningkatkan visibilitas dan wawasan tentang perjalanan pelanggan. Dilakukan dengan benar, mereka mengangkat tabir tentang bagaimana pelanggan berinteraksi dengan titik kontak dan apa yang memengaruhi perilaku pembelian.

Masukkan temuan ini ke dalam upaya pemasaran Anda untuk mengembangkan strategi berbasis data yang lebih efektif.

Bangun peta perjalanan pelanggan yang lebih realistis

Peta perjalanan pelanggan dapat menjadi alat yang ampuh untuk menyelaraskan poin kontak dan pengiriman pesan di seluruh siklus pembelian.

Sayangnya, banyak dari mereka terlalu mendasar untuk menjadi sangat membantu. Peta ini, misalnya, hampir tidak mencakup lebih dari satu titik kontak potensial di setiap tahap, dan tidak cukup detail. Misalnya, di mana riset produk dilakukan?

Dengan memahami poin kontak mana yang digunakan pelanggan dan pada titik mana dalam perjalanan mereka, Anda dapat membuat peta perjalanan yang komprehensif, seperti yang satu ini dari Rail Europe.

Dalam peta perjalanan pelanggan ini, ada beberapa titik kontak untuk setiap tahap karena tidak semua pengalaman pelanggan sama. Rail Europe memperhitungkan ketidaksamaan ini dan menggabungkan semua kemungkinan titik kontak yang diidentifikasi melalui atribusi. Atribusi khusus membantu memetakan interaksi dan perjalanan pelanggan yang kompleks.

Gunakan data atribusi Anda untuk membuat peta perjalanan pelanggan yang lebih realistis, dan pertimbangkan di mana segmentasi mungkin diperlukan.

Misalnya, merek e-niaga mungkin mengidentifikasi dua jalur umum untuk membeli:

1. Iklan bertarget di Facebook > Penelusuran situs web > Tambahkan produk ke troli > Bounce > Email pemulihan keranjang yang ditinggalkan > Konversi
2. Pencarian organik > Penjelajahan situs web > Mendaftar untuk keanggotaan loyalitas > Bangkit > Beli di toko

Cari tren di seluruh data atribusi, dan segmentasikan perjalanan pelanggan jika sesuai.

Gunakan atribusi pemasaran untuk menyelaraskan alokasi pembelanjaan dengan sasaran organisasi

Gunakan atribusi pemasaran untuk menginformasikan cara Anda berinvestasi di berbagai saluran dan poin kontak, serta optimalkan alokasi anggaran menggunakan data dunia nyata.

Gandakan aktivitas yang menurut rangkaian analitik Anda paling berpengaruh. Misalnya, jika platform atribusi Anda memberi tahu Anda bahwa Google Ads berperforma baik, sebaiknya tingkatkan investasi di saluran ini.

Ingatlah bahwa model pengaitan dan alokasi kredit Anda mendorong wawasan ini.

Misalnya, dalam contoh ini, Anda menggunakan model atribusi sentuhan pertama.

Data ini memberi tahu Anda bahwa Google Ads Anda berperforma baik sebagai interaksi awal, tetapi belum tentu melakukan hal yang berat dalam hal konversi. Menggandakan pengeluaran iklan akan mendorong lebih banyak prospek ke bagian atas corong, tetapi tidak serta merta mengonversinya secara lebih efektif.

Sebagai gantinya, analisis beberapa model pengaitan untuk mendapatkan perspektif 360 derajat, lalu gunakan wawasan ini untuk menyelaraskan alokasi pembelanjaan dengan sasaran perusahaan Anda.

Dalam contoh ini, Anda juga dapat menganalisis seperti apa atribusi menggunakan model sentuhan terakhir, memberikan wawasan tentang saluran mana yang bekerja dengan baik di akhir perjalanan.

Kemudian, sesuaikan pembelanjaan berdasarkan sasaran perusahaan Anda. Jika akuisisi pelanggan baru adalah prioritas, investasikan lebih banyak dalam interaksi sentuhan terakhir. Jika membangun kesadaran merek dan momentum corong lebih penting, berinvestasilah di titik kontak pertama.

Pahami dampak pengiriman pesan pada efektivitas titik kontak

Asumsi umum dengan pengaitan pemasaran adalah jika satu saluran tidak berkinerja sebaik yang lain, saluran itu yang harus disalahkan. Pelanggan Anda tidak ada di LinkedIn, kata Anda.

Tapi itu belum tentu benar. Misalnya , pelanggan Anda ada di sana tetapi pesan Anda tidak terhubung.

Atribusi pemasaran dapat digunakan untuk memahami bagaimana pesan yang berbeda memengaruhi efektivitas titik kontak.

Katakanlah iklan penargetan ulang Facebook Anda berkonversi dengan sangat baik, tetapi iklan LinkedIn Anda berkinerja buruk. Pertimbangkan perpesanan yang Anda gunakan dalam konteks yang disajikan.

Apa yang berhasil untuk satu saluran belum tentu diterjemahkan ke saluran lain, dan perpesanan yang sesuai dengan prospek corong atas tidak akan membuat pembeli corong bawah melewati batas.

Gunakan model atribusi yang berbeda untuk mengukur dampak pengiriman pesan di tahapan corong yang berbeda.

Misalnya, jika Google Ads terlihat kuat dengan model sentuhan pertama, pertimbangkan bagaimana Anda dapat mereplikasi pesan ini di saluran lain untuk menargetkan pembeli tahap awal. Kemudian, analisis bagaimana kredit atribusi bergeser saat perubahan ini diterapkan.

Anda mungkin menggunakan pesan yang sama dari Iklan Google dalam tayangan baru iklan LinkedIn untuk menguji dampak pesan ini di saluran.

Jika kredit atribusi beralih ke LinkedIn, perubahan tersebut berhasil. Jika tidak, Anda telah mengetahui bahwa pesan khusus ini tidak berfungsi untuk audiens LinkedIn Anda. Uji, analisis, dan optimalkan.

Alat atribusi pemasaran: Cara memilih alat yang tepat untuk bisnis Anda

Google Analytics adalah alat yang paling banyak digunakan untuk atribusi pemasaran, tetapi itu bukan satu-satunya.

Ruler Analytics adalah alat yang ampuh untuk menghubungkan pendapatan ke atribusi sehingga Anda dapat mengukur titik kontak pemasaran pada tingkat dolar. Oktopost memberikan analitik yang kuat pada penggunaan media sosial B2B dan titik kontak sosial yang berkontribusi terhadap konversi. AppsFlyer melihat atribusi pemasaran dalam konteks pertumbuhan aplikasi seluler.

Bergantung pada industri, tahap pertumbuhan, dan tujuan bisnis Anda, Anda dapat memilih untuk menggunakan salah satu atau kombinasi dari platform ini.

Google Analytics

Salah satu daya tarik terbesar Google Analytics adalah meskipun merupakan produk yang tangguh, ia gratis.

Hal ini memudahkan pemula untuk terjun ke dunia atribusi pemasaran, dan memulai dengan beberapa model yang lebih mendasar seperti klik pertama atau terakhir.

Google Analytics cocok untuk memantau atribusi dasar di seluruh saluran ini:

• Pencarian berbayar dan organik (di semua mesin pencari, bukan hanya Google)
• Situs rujukan dan afiliasi
• Jaringan media sosial
• Surel
• Kampanye khusus, jika Anda telah menyiapkannya di Google Analytics (seperti kampanye offline yang mengarahkan lalu lintas ke URL cantik)

Jika Anda mengonversi lebih dari 600 pelanggan setiap periode 30 hari, Anda juga dapat memanfaatkan model atribusi berbasis data Google Analytics (saat ini dalam versi Beta). Model ini menggunakan pembelajaran mesin untuk memahami poin kontak mana yang paling mungkin mendorong konversi, dan menetapkan kredit atribusi yang sesuai.

Analisis Penguasa

Ruler Analytics menawarkan sejumlah fitur bermanfaat di luar atribusi pemasaran, seperti pemodelan bauran pemasaran dan analitik prediktif.

Namun, manfaat utamanya adalah kemampuan untuk menghubungkan platform dengan CRM Anda dan menarik data pendapatan ke dalam model atribusi Anda.

Atribusi menggunakan model standar memberi tahu Anda poin kontak dan saluran mana yang mendorong konversi. Dengan Ruler Analytics, Anda dapat memahami bagaimana poin kontak ini memengaruhi pendapatan.

Katakanlah Anda dapat menentukan bahwa Anda memiliki dua jalur konversi utama.

• Jalur satu: 70% pelanggan Anda mengambilnya dan itu mendorong nilai pelanggan tahunan sebesar $4.500.
• Jalur kedua: 30% pelanggan Anda mengambilnya (termasuk setiap klien perusahaan) dan nilai pelanggan tahunan adalah $560.000.

Tanpa menutup lingkaran pendapatan, Anda mungkin akan berinvestasi lebih banyak di jalur pertama, yang sebenarnya mengonversi pelanggan bernilai lebih rendah.

Gunakan Ruler Analytics untuk mendapatkan pemahaman yang lebih baik tentang bagaimana poin kontak dalam kampanye pemasaran Anda memengaruhi pendapatan, bukan hanya konversi.

Oktopost

Oktopost bukanlah alat atribusi pemasaran; ini adalah platform manajemen keterlibatan media sosial untuk tim pemasaran B2B.

Pemasar B2B semakin menyadari nilai sosial, apakah itu menjalankan iklan di LinkedIn atau meminta perwakilan penjualan membangun merek pribadi di Twitter.

Oktopost membantu pemasar secara akurat mengukur dan mengaitkan nilai dari aktivitas ini.

Anda dapat mengukur keterlibatan menurut saluran, jenis konten, dan wilayah. Anda bahkan dapat mempelajari tingkat postingan untuk menganalisis bagaimana perpesanan, kata kunci, tagar, dan jenis media terkait dengan keterlibatan.

Jika Anda berada di B2B, gunakan Oktopost untuk menggali lebih dalam tentang bagaimana media sosial memengaruhi konversi selain mengetahui bahwa LinkedIn berfungsi untuk menumbuhkan kesadaran.

AppsFlyer

AppsFlyer adalah platform analitik pemasaran khusus untuk mengukur pertumbuhan aplikasi.

Jika alat atribusi lainnya cenderung berfokus pada konversi dalam konteks situs web, AppsFlyer melihat pemodelan atribusi dalam ekosistem seluler.

Dengan AppsFlyer, Anda dapat mengatribusikan kredit ke poin kontak yang mengarah ke penginstalan aplikasi. Misalnya, Anda dapat melihat interaksi dengan iklan di aplikasi lain, dan bagaimana iklan tersebut berkontribusi pada pelanggan baru yang mendownload milik Anda.

Pemodelan atribusi mereka juga diperluas untuk mengukur peristiwa dalam aplikasi, sehingga Anda dapat mengatribusikan penginstalan dan konversi aplikasi secara terpisah ke paket berbayar.

Gunakan AppsFlyer untuk memahami bagaimana jaringan iklan Anda memengaruhi pengunduhan aplikasi dan meningkatkan efektivitas alokasi belanja iklan Anda.

Kesimpulan

Untuk mendapatkan pemahaman dasar tentang bagaimana pelanggan berinteraksi dengan berbagai titik kontak pemasaran, model atribusi standar yang tersedia di sebagian besar platform analitik sudah cukup.

Untuk melihat lebih komprehensif tentang saluran dan taktik mana yang memengaruhi konversi, dan untuk membuat keputusan berdasarkan data tentang alokasi pengeluaran pemasaran, lihat model algoritme yang digerakkan oleh AI.

Tingkatkan keterampilan atribusi Anda dengan kursus online kami, dikemas dengan wawasan ahli: Menjadi hebat dalam Atribusi.