Riorganizzazione del modello di attribuzione di Google: 3 soluzioni per gli inserzionisti

Probabilmente hai sentito la notizia: Google Ads e Google Analytics 4 ritireranno completamente i modelli di attribuzione primo clic, lineare, decadimento temporale e basato sulla posizione a settembre.

Rimarranno disponibili i modelli di attribuzione basati sull'ultimo clic e basati sui dati, insieme all'attribuzione esterna.

Ciò di cui alcuni marketer PPC non si rendono conto è che Google non interromperà questi modelli di attribuzione solo dal punto di vista delle offerte. Verranno inoltre rimossi dalle funzionalità di reportistica e confronto.

Ciò significa che non puoi più analizzare i percorsi dei tuoi clienti all'interno di Google Ads e Google Analytics utilizzando i modelli di attribuzione. Hai bisogno di alternative.

Uno sguardo ai modelli di attribuzione

I modelli di attribuzione consentono di collegare una conversione (ovvero una vendita o un lead) a un clic oa un'impressione sull'annuncio. È un modo per determinare quali annunci, segmenti di pubblico o reti hanno il rendimento migliore.

Storicamente, abbiamo utilizzato diversi modelli di attribuzione con regole diverse per stabilire tale connessione.

Usando l'analogia con il calcio, ecco cosa rappresenta ogni modello:

• Ultimo clic : tutto il merito va al capocannoniere.
• Primo clic : Il merito va al primo giocatore che ha toccato la palla durante l'azione che porta al goal.
• Lineare : tutti i giocatori che hanno toccato la palla durante l'azione che ha portato a un goal meritano una parte uguale del merito.
• Decadimento del tempo : gli ultimi giocatori che hanno toccato la palla durante l'azione che ha portato a un goal meritano più credito dei primi giocatori.
• Basato sulla posizione : Il marcatore e il primo giocatore che ha toccato la palla durante l'azione che ha portato a un gol meritano il 40% del credito ciascuno. Gli altri giocatori riceveranno il restante 20% in modo uniforme.

Il problema con il modello di attribuzione preferito di Google

Questo cambiamento lascia l'attribuzione basata sui dati (DDA) come modello di attribuzione predefinito in Google Ads.

Google non condivide le regole che decidono quali annunci collegare a una conversione. Personalmente presumo che DDA utilizzi una combinazione dei suddetti modelli di attribuzione.

C'è un aspetto molto interessante, però: DDA è su misura per il tuo account.

• "L'attribuzione basata sui dati è diversa dagli altri modelli di attribuzione perché utilizza i dati di conversione per calcolare il contributo effettivo di ciascuna interazione con l'annuncio lungo il percorso di conversione. Ogni modello basato sui dati è specifico per ogni inserzionista", secondo Google.

Teoricamente, questo è perfetto.

Un modello di attribuzione su misura per te. E non dovevi nemmeno preoccuparti di pensare a quelle regole!

Eppure, sembra troppo bello per essere vero.

DDA è su misura per il tuo account. Ma in base a quali criteri? Non lo sappiamo.

Questo non dovrebbe importare finché funziona.

E potremmo assicurarci che lo faccia confrontandolo con altri modelli.

Ma cosa succede ora che Google interromperà i "vecchi" modelli di attribuzione dalla sezione dei rapporti?

Un minor numero di modelli di attribuzione significa necessariamente prestazioni inferiori?

Questa è la vera domanda.

Anche se probabilmente tutti odiamo perdere più controllo ogni anno che passa, questo non dovrebbe essere un problema finché le prestazioni continuano ad aumentare.

E come abbiamo visto in precedenza, l'impatto è minore in termini di gestione delle offerte (3% di tutte le conversioni).

Il vero problema sta altrove, a livello strategico.

Come afferma Google:

"Nel percorso verso la conversione, i clienti possono interagire con più annunci dello stesso inserzionista... I modelli di attribuzione possono darti una migliore comprensione del rendimento dei tuoi annunci e possono aiutarti a ottimizzare i percorsi di conversione."

Quindi, come ottimizziamo i percorsi di conversione se ci manca la visibilità? Facciamo prima un esempio:

Analizzare i percorsi dei clienti in azione

Uno dei nostri clienti ha un media mix relativamente semplice, quindi lo userò come esempio per illustrare il mio punto di vista.

Come nel calcio, quel cliente ha tattiche diverse: difensori, centrocampisti e attaccanti. Ci vuole tutta la squadra per segnare un gol.

Si noti che la ricerca a pagamento "punteggia" abbastanza bene quando si utilizza il modello di attribuzione del primo clic. Tuttavia, non tanto quando si utilizza l'ultimo clic. La ricerca organica e l'email marketing rubano la scena quando si utilizza quel modello di attribuzione.

Questo è come previsto, però, perché:

• Il percorso di conversione inizia con la ricerca a pagamento senza brand. Generano contatti.
• Il lead nurturing è necessario per far maturare i potenziali clienti. Ciò avviene principalmente attraverso l'email marketing.
• I potenziali clienti qualificati alla fine acquistano tramite la ricerca di marca organica e a pagamento.

O, per dirla in termini calcistici:

• Ricerca a pagamento senza marchio = Difensori
• Email = Centrocampisti
• Ricerca brandizzata organica e a pagamento = Strikers

Il DDA è sufficiente?

Avresti capito questa canalizzazione di conversione senza quei modelli di attribuzione?

Probabilmente. Questo esempio è abbastanza semplice.

Ma cosa succede se iniziamo a lavorare su un progetto B2B in cui le vendite richiedono mesi o un progetto B2C in cui gli acquisti ripetuti sono importanti?

Questa è un'altra storia. Ho visto molti esempi in cui DDA non ha funzionato bene.

Penso che convalidare le conclusioni della DDA con vecchi e rigidi modelli di attribuzione abbia ancora valore. Senza tali parametri di riferimento, ti esponi a potenziali danni.

Dopotutto, l'apprendimento automatico è intelligente solo quanto i dati che gli forniamo.

Ecco tre soluzioni per gli inserzionisti che desiderano adattarsi ai cambiamenti.

Soluzione 1: piano di tagging di livello superiore

Lo sviluppo di un solido programma di dati è il primo passo per identificare le interazioni del percorso del cliente.

Attraverso il monitoraggio completo, puoi utilizzare con sicurezza DDA o i modelli di attribuzione dell'ultimo clic... ma con tutti quei passaggi del percorso del cliente per sostituire il primo clic e così via.

So che non è l'ideale, ma questo è un primo passo. Se usiamo il mio esempio sopra, attribuiresti i lead dell'ultimo clic alla ricerca senza brand e le vendite dell'ultimo clic alla ricerca con brand. Non è l'ideale, ma funziona.

Naturalmente, ciò richiede il monitoraggio dell'intero percorso del cliente. Non puoi fare affidamento sul tuo vecchio piano di tagging semplicistico. Hai bisogno di micro-conversioni.

Soluzione 2: integrazione dei dati CRM

Quando monitori le conversioni, ti fermi alle vendite?

Ora devi tracciare e alimentare l'intero percorso del cliente (sì, inclusa la post-vendita) nelle piattaforme pubblicitarie attraverso l'attribuzione esterna.

Puoi quindi utilizzare quello strumento per una maggiore visibilità, come il punteggio principale, ma questa volta con il punteggio del cliente.

Se rilevi discrepanze di rendimento, ciò dovrebbe consentirti di influenzare le tue offerte in modo diverso rispetto al modello "basato sui dati".

In breve, il CRM deve diventare (se non lo è già) uno strumento centrale per gli inserzionisti per comprendere e informare meglio il percorso del cliente e, di conseguenza, il media mix appropriato.

Soluzione 3: altri metodi di attribuzione

Mi sto avventurando in terreni più sofisticati qui, che non si applicano a tutti i progetti.

Fondamentalmente, incrementalità significa esporre un pubblico al tuo annuncio e nascondere intenzionalmente lo stesso annuncio a un pubblico simile, quindi confrontare i livelli di rendimento di entrambi i segmenti di pubblico.

Come puoi immaginare, questo metodo è molto interessante ma soggetto a errori. (Per non parlare del fatto che è disponibile solo se disponi di budget elevati in primo luogo per motivi di affidabilità dei dati.)

La tua prossima scommessa migliore è con i sondaggi sui clienti.

Ad esempio, puoi utilizzare un popup di intento di uscita (chiedere ai visitatori in uscita da dove provengono, cosa non gli è piaciuto, ecc.) o campi aggiuntivi nel tuo percorso di acquisto/conduzione per acquisire ulteriori informazioni.

Naturalmente, fai attenzione con tali dati dichiarativi poiché sono spesso distorti in una certa misura.

Non esiste un modello di attribuzione perfetto

In questo articolo, ho cercato il modo perfetto per misurare le prestazioni.

Ma non perderti nella tana del coniglio. Non esiste un'attribuzione perfetta.

Quello che vuoi è un input affidabile ma direzionale per la tua strategia.

Superare quella fase è per i fanatici della pubblicità come me, ma non è utile per il processo decisionale aziendale. Dai la priorità di conseguenza.