Guida del marketer all'attribuzione del marketing basata sui dati

L'attribuzione del marketing è un modo per misurare il valore delle campagne e dei canali che stanno raggiungendo i tuoi potenziali clienti.

Utilizzando i risultati di un modello di attribuzione, puoi capire quali punti di contatto hanno la maggiore influenza sui percorsi di successo dell'acquirente e prendere decisioni più informate su come ottimizzare gli investimenti nelle future risorse di marketing.

Ma sappiamo tutti che i percorsi degli acquirenti sono raramente semplici e le strade per il successo possono essere lunghe e tortuose.

Con così tanti punti di contatto da considerare, è difficile distinguere tra le vere interazioni ad alto e basso impatto, che possono comportare una divisione imprecisa del credito e una falsa rappresentazione delle prestazioni di marketing.

Ecco perché è così importante scegliere il miglior modello di attribuzione per la tua attività.

In questo post, discuteremo un po' di background sui diversi modelli di attribuzione e, in definitiva, su come creare un modello di attribuzione personalizzato e basato sui dati per misurare il rendimento delle campagne globali.

Limitazioni dei modelli di attribuzione di marketing tradizionali

Tutti i modelli di attribuzione hanno i loro pro e contro, ma uno svantaggio che hanno in comune i modelli tradizionali è che sono basati su regole. L'utente deve decidere in anticipo come dividere il credito per gli eventi di vendita tra i touchpoint.

I modelli tradizionali includono:

Fortunatamente, esistono approcci basati sui dati più sofisticati in grado di catturare le complessità dei percorsi degli acquirenti modellando il modo in cui i punti di contatto interagiscono effettivamente con gli acquirenti e tra loro per influenzare un risultato di vendita desiderato.

Abbiamo anche valutato il modello di Shapley dalla teoria dei giochi cooperativi. Questo modello popolare (premiato da un Nobel) ha fornito molte più informazioni sulle prestazioni del canale rispetto agli approcci tradizionali, ma non è stato scalabile per gestire l'enorme volume di punti di contatto nel mondo digitale di oggi.

Il modello Shapley ha funzionato bene su un numero relativamente piccolo di canali, ma la maggior parte delle aziende deve eseguire l'attribuzione per tutte le campagne, il che può equivalere a centinaia di punti di contatto lungo il percorso di un acquirente.

Valutazione del modello di attribuzione di Markov

Il modello probabilistico di Markov rappresenta i viaggi dell'acquirente come un grafico, con i nodi del grafico che sono i punti di contatto o "stati", e i bordi di collegamento del grafico sono le transizioni osservate tra quegli stati.

Ad esempio, un acquirente guarda un webinar sul prodotto (primo stato) quindi accede a LinkedIn (transizione) dove fa clic su un'impressione dell'annuncio per lo stesso prodotto (secondo stato).

L'ingrediente chiave del modello sono le probabilità di transizione (la probabilità di spostarsi tra gli stati).

Il numero di volte in cui gli acquirenti sono passati da uno stato all'altro viene convertito in una probabilità e il grafico completo può essere utilizzato per misurare l'importanza di ciascuno stato e i percorsi più probabili verso il successo.

Ad esempio, in un campione di dati sul percorso dell'acquirente osserviamo che il touchpoint del Webinar si verifica 8 volte e gli acquirenti hanno guardato il webinar seguito facendo clic sull'annuncio di LinkedIn solo 3 volte, quindi la probabilità di transizione tra i due stati è 3/8 = 0,375 (37,5%).

Viene calcolata una probabilità per ogni transizione di completare il grafico.

Prima di arrivare al calcolo dell'attribuzione della campagna, il grafico di Markov può darci un paio di informazioni utili sui nostri percorsi di acquisto.

Dall'esempio sopra puoi vedere che il percorso con la più alta probabilità di successo è "Inizio > Webinar > Campagna Z > Successo" con una probabilità totale del 42,5% (1,0 * 0,425 * 1,0).

Il grafico di Markov può anche dirci il tasso di successo complessivo; ovvero, la probabilità di un percorso di acquisto di successo data la cronologia di tutti i percorsi di acquisto. Il tasso di successo è una linea di base per le prestazioni di marketing complessive e l'ago per misurare l'efficacia di eventuali modifiche.

Il grafico di Markov di esempio sopra ha una percentuale di successo del 67,5%:

Attribuzione campagna

Un grafico di Markov può essere utilizzato per misurare l'importanza di ciascuna campagna calcolando il cosiddetto effetto di rimozione.

L'efficacia di una campagna viene determinata rimuovendola dal grafico e simulando i percorsi dell'acquirente per misurare la variazione del tasso di successo senza che sia presente.

L'uso dell'effetto di rimozione per l'attribuzione del marketing è l'ultimo pezzo del puzzle. Per calcolare il valore di attribuzione di ogni campagna possiamo utilizzare la seguente formula:

Ad esempio, supponiamo che durante il primo trimestre dell'anno fiscale il valore totale in USD di tutti i percorsi di acquisto di successo sia di $ 1 milione.

Gli stessi percorsi dell'acquirente vengono utilizzati per costruire un modello Markov e ha calcolato che l'effetto di rimozione per la nostra campagna pubblicitaria è 0,7 (ovvero il tasso di successo del percorso dell'acquirente è diminuito del 70% quando la campagna pubblicitaria è stata rimossa dal grafico Markov).

Conosciamo i valori dell'effetto di rimozione per ogni campagna osservata nei dati di input e per questo esempio supponiamo che la somma sia pari a 2,8. Inserendo i numeri nella formula, calcoliamo che il valore di attribuzione per la nostra campagna pubblicitaria è di $ 250.000.

Inizia con il tuo modello

L'applicazione di attribuzione del marketing sopra è stata sviluppata dal Marketing and Data Center of Excellence di Cloudera, ma puoi iniziare oggi stesso con il tuo modello.

Sfruttando un modello di attribuzione basato sui dati è possibile eliminare i pregiudizi associati ai meccanismi di attribuzione tradizionali e comprendere come i vari messaggi influenzano i potenziali clienti e le variazioni per area geografica e tipo di entrate.

Una volta che disponi di dati solidi e affidabili dietro l'attribuzione, puoi essere sicuro di utilizzare i risultati per informare e guidare la strategia di marketing mix e le decisioni di investimento. E puoi fare affidamento sui numeri quando collabori con i team di vendita per portare avanti le strategie di marketing.

James Kinley è un Principal Data Scientist presso Cloudera. Si è unito a loro dall'industria della difesa del Regno Unito, dove si è specializzato in sicurezza informatica.