데이터 기반 마케팅 기여에 대한 마케터 가이드

마케팅 기여는 잠재 고객에게 도달하는 캠페인 및 채널의 가치를 측정하는 방법입니다.

기여 모델의 결과를 사용하여 성공적인 구매자 여정에 가장 큰 영향을 미치는 터치포인트를 이해하고 향후 마케팅 리소스에 대한 투자를 최적화하는 방법에 대해 정보에 입각한 결정을 내릴 수 있습니다.

그러나 우리 모두는 구매자 여정이 거의 간단하지 않으며 성공으로 가는 길은 길고 험난할 수 있다는 것을 알고 있습니다.

고려해야 할 접점이 너무 많기 때문에 실제 영향이 큰 상호 작용과 영향이 적은 상호 작용을 구별하기가 어렵습니다. 이로 인해 부정확한 신용 분할과 마케팅 성과의 잘못된 표현이 발생할 수 있습니다.

이것이 바로 귀하의 비즈니스에 가장 적합한 기여 모델을 선택하는 것이 중요한 이유입니다.

이 게시물에서는 다양한 기여 모델에 대한 약간의 배경 지식과 궁극적으로 글로벌 캠페인의 성과를 측정하기 위해 맞춤형 데이터 기반 기여 모델을 구축하는 방법에 대해 논의할 것입니다.

전통적인 마케팅 기여 모델의 한계

모든 기여 모델에는 장단점이 있지만 기존 모델에는 규칙 기반이라는 공통점이 있습니다. 사용자는 판매 이벤트에 대한 크레딧을 터치포인트 간에 분할하는 방법을 미리 결정해야 합니다.

기존 모델에는 다음이 포함됩니다.

운 좋게도 터치포인트가 실제로 구매자와 상호 작용하여 원하는 판매 결과에 영향을 미치는 방식을 모델링하여 구매자 여정의 복잡성을 포착할 수 있는 보다 정교한 데이터 기반 접근 방식이 있습니다.

또한 협력 게임 이론에서 Shapley 모델을 평가했습니다. 이 인기 있는(노벨상을 수상한) 모델은 기존 접근 방식보다 채널 성능에 대해 훨씬 더 많은 통찰력을 제공했지만 오늘날의 디지털 세계에서 엄청난 양의 터치포인트를 처리할 수 있을 만큼 확장되지 않았습니다.

Shapley 모델은 상대적으로 적은 수의 채널에서 좋은 성과를 거두었지만 대부분의 기업은 모든 캠페인에 대해 기여를 수행해야 하며 이는 구매자의 여정을 따라 수백 개의 터치포인트에 해당할 수 있습니다.

Markov 기여 모델 평가

Markov의 확률 모델은 구매자 여정을 그래프로 나타내며, 그래프의 노드는 터치포인트 또는 "상태"이고 그래프의 연결 가장자리는 이러한 상태 간의 관찰된 전환입니다.

예를 들어 구매자는 제품 웨비나(첫 번째 상태)를 시청한 다음 LinkedIn(전환)으로 이동하여 동일한 제품에 대한 광고 노출을 클릭합니다(두 번째 상태).

모델의 핵심 요소는 전환 확률(상태 간 이동할 가능성)입니다.

구매자가 두 상태 사이를 전환한 횟수를 확률로 변환하고 전체 그래프를 사용하여 각 상태의 중요성과 성공 가능성이 가장 높은 경로를 측정할 수 있습니다.

예를 들어 구매자 여정 데이터 샘플에서 웨비나 터치포인트가 8번 발생하고 구매자가 웨비나를 시청한 후 LinkedIn 광고를 클릭한 횟수는 3번이므로 두 상태 간의 전환 확률은 3 / 8 = 0.375입니다. (37.5%).

그래프를 완성할 모든 전환에 대해 확률이 계산됩니다.

캠페인 기여도를 계산하기 전에 Markov 그래프는 구매자 여정에 대한 몇 가지 유용한 정보를 알려줄 수 있습니다.

위의 예에서 성공 확률이 가장 높은 경로는 "시작 > 웨비나 > 캠페인 Z > 성공"이며 총 확률은 42.5%(1.0 * 0.425 * 1.0)입니다.

Markov 그래프는 또한 전반적인 성공률을 알려줄 수 있습니다. 즉, 모든 구매자 여정의 이력을 고려할 때 성공적인 구매자 여정의 가능성입니다. 성공률은 전반적인 마케팅 성과의 기준이 되며 변화의 효과를 측정하는 바늘입니다.

위의 예시 Markov 그래프의 성공률은 67.5%입니다.

캠페인 기여

Markov 그래프는 제거 효과로 알려진 것을 계산하여 각 캠페인의 중요도를 측정하는 데 사용할 수 있습니다.

캠페인의 효율성은 그래프에서 캠페인을 제거하고 구매자 여정을 시뮬레이션하여 캠페인 없이 성공률의 변화를 측정함으로써 결정됩니다.

마케팅 기여에 제거 효과를 사용하는 것은 퍼즐의 마지막 조각입니다. 각 캠페인의 기여도를 계산하기 위해 다음 공식을 사용할 수 있습니다.

예를 들어 회계 연도의 1분기 동안 모든 성공적인 구매자 여정의 총 USD 가치가 1백만 달러라고 가정해 보겠습니다.

동일한 구매자 여정이 Markov 모델을 구축하는 데 사용되었으며 광고 캠페인에 대한 제거 효과를 0.7로 계산했습니다(즉, 광고 캠페인이 Markov 그래프에서 제거되었을 때 구매자 여정 성공률이 70% 감소했습니다).

입력 데이터에서 관찰된 모든 캠페인에 대한 제거 효과 값을 알고 있으며 이 예에서는 합이 2.8이라고 가정해 보겠습니다. 수식에 숫자를 대입하면 광고 캠페인의 기여 가치가 $250,000로 계산됩니다.

나만의 모델 시작하기

위의 마케팅 어트리뷰션 애플리케이션은 Cloudera의 Marketing and Data Center of Excellence에서 개발했지만 지금 바로 자체 모델에서 시작할 수 있습니다.

데이터 기반 기여 모델을 활용하여 기존 기여 메커니즘과 관련된 편향을 제거하고 다양한 메시지가 잠재 고객과 지역 및 수익 유형에 따른 차이에 미치는 영향을 이해할 수 있습니다.

기여에 대한 확실하고 신뢰할 수 있는 데이터가 있으면 결과를 사용하여 마케팅 믹스 전략 및 투자 결정을 알리고 추진하는 데 확신을 가질 수 있습니다. 또한 영업 팀과 협력하여 마케팅 전략을 추진할 때 숫자에 의존할 수 있습니다.

James Kinley는 Cloudera의 수석 데이터 과학자입니다. 그는 사이버 보안을 전문으로 했던 영국 방위 산업에서 합류했습니다.