ROI를 위한 마케팅 기여: 마케터를 위한 궁극적인 가이드

오늘날의 마케팅 환경은 데이터에 의해 운영됩니다. 그러나 해당 데이터를 이해하려면 데이터의 출처를 확실히 이해해야 합니다. 마케팅 속성을 입력합니다. 마케팅 어트리뷰션은 마케터가 전환의 출처와 해당 정보를 사용하여 더 나은 결정을 내리는 방법을 이해하는 데 도움이 됩니다.

마케팅 어트리뷰션이란 무엇입니까?

마케팅 기여는 전환에 기여한 마케팅 커뮤니케이션을 결정하는 방법입니다. 즉, 어떤 마케팅 캠페인이 누군가를 구매하도록 유도했는지 알아내는 과정입니다.

예를 들어 동일한 고객이 Facebook 광고와 LinkedIn 광고를 모두 보았다고 가정해 보겠습니다. 마케팅 어트리뷰션은 어떤 광고가 구매로 이어졌는지 마케터에게 알려줄 것입니다. 거기에서 그들은 이것을 설명하기 위해 캠페인을 재구성할 수 있습니다.

궁극적으로 마케팅 어트리뷰션은 마케터가 보다 효율적인 캠페인을 운영하는 데 도움이 됩니다. 또한 마케팅 예산이 가장 성공적인 터치포인트에 직접 전달되도록 합니다.

마케팅 어트리뷰션이 점점 더 어려워지는 이유

몇 년 전만 해도 대부분의 사람들이 인터넷을 검색하는 데 사용할 수 있는 장치는 컴퓨터 한 대뿐이었습니다. 결국 데스크탑과 노트북으로 성장했고, 스마트폰이 추가되었고, 태블릿이 추가되었습니다.

이제 동일한 소비자가 데스크톱, 노트북, 업무용 노트북, 스마트폰, 태블릿 및 VR 헤드셋에서 모두 같은 날 웹을 탐색할 수 있습니다. 이들 각각은 분석 도구에서 고유한 방문자처럼 보일 수 있습니다. 상상할 수 있듯이 어떤 마케팅 터치포인트가 전환으로 이어졌는지 분석하는 것은 어려운 과제입니다.

ROI에 대한 마케팅 기여도를 측정하는 방법

첫 번째 단계는 Google Analytics 또는 WordPress와 같은 분석 도구를 설정하는 것입니다. 모든 준비가 완료되면 필요에 맞는 올바른 마케팅 기여 모델을 선택할 수 있습니다. 여기에는 다음이 포함됩니다.

퍼스트 터치 어트리뷰션

이름에서 알 수 있듯이 첫 번째 터치 어트리뷰션은 잠재 고객이 상호 작용하거나 보는 첫 번째 광고가 판매에 대한 전체 크레딧을 얻는 광고임을 의미합니다.

그 이면에 있는 이론은 다음과 같습니다. 소비자가 광고를 아무리 많이 보더라도 결국 첫 번째 광고를 보고 무의식적으로 전환 결정을 내렸습니다. 따라서 해당 광고는 전환에 대한 기여도를 100% 얻습니다.

물론 상황이 이렇게 명확하지는 않지만 첫 번째 터치 기여는 실용적인 이유로 이러한 가정을 합니다. 이러한 유형의 어트리뷰션은 Google 애널리틱스에서 설정하기 쉽지만 많은 데이터를 제외합니다.

마지막 터치 어트리뷰션

라스트 터치 어트리뷰션은 기본적으로 퍼스트 터치 어트리뷰션의 반대입니다. 소비자가 본 첫 번째 광고에 기여도를 부여하는 대신 이러한 형태의 기여는 소비자가 전환하기 전에 본 마지막 광고에 기여도를 부여합니다.

기본적으로, 마지막 터치 어트리뷰션은 가장 최근에 본 광고가 가장 설득력이 있다고 가정하고, 그것이 당신을 한계를 넘어 전환하게 만든 광고입니다. 결과적으로 100% 신용을 제공하고 그 이전의 터치포인트에 주의를 기울이지 않습니다.

불행히도 첫 번째 터치 어트리뷰션과 마찬가지로 이 모델은 마지막 터치포인트만 고려하여 그림의 큰 부분을 무시합니다.

마지막 간접 클릭

마지막 간접 클릭 어트리뷰션은 라스트 터치 어트리뷰션과 유사합니다. 그러나 소비자가 구매하기 전에 웹사이트 외부에서 마지막으로 클릭한 광고에 100% 기여도를 부여합니다.

예를 들어 소비자가 광고를 보고 클릭하고 구매하지 않고 다른 광고를 보고 구매했다면 두 번째 광고가 나중에 나왔더라도 클릭한 광고에 크레딧이 적용됩니다.

Multi-Touch Attribution이란 무엇이며 어떻게 작동합니까?

우리가 살펴본 마지막 몇 개의 기여 모델은 하나의 터치포인트만 살펴보았지만 멀티터치 기여 모델은 모든 터치포인트를 고려합니다. 결과적으로 일반적으로 더 정확한 것으로 간주됩니다.

이 모든 데이터를 이해하기 위해 멀티터치 기여 모델은 일반적으로 터치포인트에 다른 가중치를 부여합니다. 따라서 이전 터치포인트보다 이후 터치포인트에 더 많은 가중치를 부여하고 그 반대의 경우도 마찬가지입니다.

선형 기여

선형 기여는 각 터치포인트에 균등하게 기여도를 할당합니다. 클릭, 전환에 대한 근접성 또는 기타 항목에 우선 순위가 부여되지 않습니다.

예를 들어, 20개의 터치포인트가 있는 경우 각 터치포인트는 5%의 크레딧을 받습니다. 다소 기초적이지만 특정 상황 및 광고 모델에 유용할 수 있습니다.

선형 기여의 좋은 점 중 하나는 마케터가 전체 그림을 고려할 수 있다는 것입니다. 그러나 터치포인트 간에 차이를 제공하지도 않습니다.

시간 붕괴 속성

이 모델은 마지막 터치 및 마지막 간접 클릭 어트리뷰션과 가장 유사합니다. 기여도를 균등하게 나누는 선형 기여와 달리 시간 소멸 기여는 전환 이벤트에 더 가까운 터치포인트에 더 많은 기여도를 부여합니다.

기본적으로 터치포인트가 전환에 가까울수록 가중치가 높아집니다. 궁극적으로 마지막 터치포인트는 가장 많은 크레딧을 받고 첫 번째 터치포인트는 가장 적게 받습니다.

이 모델은 마케터가 전환 이벤트로 이어진 터치포인트를 보다 쉽게 ​​식별하도록 돕는 데 성공합니다. 그러나 고객이 처음에 어떻게 비즈니스를 찾았는지에 대한 정보는 제공하지 않습니다.

U자형(위치 기반) 속성

이 어트리뷰션 스킴은 퍼스트 터치 어트리뷰션과 라스트 터치 어트리뷰션 사이에서 절충안을 찾으려고 합니다. 간단히 말해서 첫 번째 터치 포인트에 40%, 마지막 터치 포인트에 40%를 주고 나머지 20%를 몇 개의 터치 포인트가 그 사이에 오더라도 나누어 줍니다. 따라서 20개의 터치포인트가 있는 경우 각각은 1%를 얻습니다.

이 모델에서 마케터는 처음과 마지막 터치 포인트에 가장 많은 비중을 두려고 합니다. 이론적으로는 고객이 비즈니스에 처음 소개된 다음 구매하기 전 마지막 광고입니다.

일반적인 마케팅 귀속 문제 및 실수

어떤 기여 방법을 사용하고 싶은지 결정한 후에도 여전히 실수할 수 있고 직면하게 될 문제가 있습니다. 이러한 실수를 하면 데이터와 통찰력의 무결성이 손상될 수 있습니다.

브랜드 및 행동

마케팅 어트리뷰션의 함정 중 하나는 브랜드의 가치와 사람들이 브랜드에 반응하는 방식을 적절하게 고려하지 않는다는 것입니다. 마케팅이 가중 터치포인트로만 축소되면 전체 그림을 파악하기 어려울 수 있습니다.

상관 기반 편향

과학이나 수학 수업을 들은 적이 있다면 "인과 관계는 상관 관계가 없습니다"라는 말을 들어본 적이 있을 것입니다. 그렇게 유명한 문구임에도 불구하고 중요할 때 그것을 기억하는 사람은 거의 없습니다.

간단히 말해서, 두 가지를 함께 연결하는 것처럼 보이는 무언가가 있다는 이유만으로 한 가지가 다른 원인을 일으켰다고 추론할 수 없음을 의미합니다. 패턴을 찾을 때 마음은 때때로 패턴을 만들기 시작하여 패턴이 없는 곳에서 패턴을 보거나 특정 결과를 선호할 수 있습니다. 여기에서 상관 편향 편향이 발생합니다.

기본적으로 데이터를 살펴볼 때 보고 있는 내용에 너무 집착하지 않는 것이 중요합니다. 특정 광고를 본 후 여러 사람이 전환했다고 해서 인과 관계가 있다고 가정하지 마십시오. 단지 상관관계가 있었고 진정한 원인은 완전히 다른 광고였을 가능성이 있습니다.

인마켓 바이어스

구매 의도 편향은 광고를 보았지만 어쨌든 전환할 예정인 모든 사람들을 포함하기 때문에 문제가 됩니다. 예를 들어, 친구로부터 귀하의 제품에 대해 듣고 구매하기로 결정한 사람이 구매할 기회가 있기 전에 우연히 Facebook에서 귀하의 광고를 스크롤한 사람이 포함될 수 있습니다.

불행히도 이를 설명할 쉬운 방법이 없으므로 데이터를 분석할 때 이를 염두에 두어야 합니다. 표시되는 숫자 중 100%가 귀하의 광고에서 나온 것은 아니며 괜찮을 것입니다.

주요 시사점: ROI를 위한 마케팅 기여

마케팅 기여는 마케팅 담당자가 어떤 커뮤니케이션과 캠페인이 효과가 있는지 추적하는 데 도움이 되기 때문에 중요합니다. 고객이 구매하도록 유도하는 요인을 이해함으로써 귀중한 통찰력을 추출하고 훨씬 더 효율적인 캠페인에 참여할 수 있습니다.

시장 기여도를 이해하는 것은 예술이자 과학입니다. 귀하의 비즈니스에 가장 적합한 솔루션을 찾으려면 다양한 유형을 실험해야 합니다.