Przewodnik marketera po atrybucji marketingu opartego na danych

Atrybucja marketingowa to sposób mierzenia wartości kampanii i kanałów, które docierają do Twoich potencjalnych klientów.

Korzystając z wyników modelu atrybucji, możesz zrozumieć, które punkty styku mają największy wpływ na udane ścieżki zakupowe, i podejmować bardziej świadome decyzje dotyczące optymalizacji inwestycji w przyszłe zasoby marketingowe.

Ale wszyscy wiemy, że podróże kupujących rzadko są proste, a drogi do sukcesu mogą być długie i kręte.

Przy tak wielu punktach styku do rozważenia trudno jest odróżnić prawdziwe interakcje o dużym i niskim wpływie, co może skutkować niedokładnym podziałem zasług i fałszywą reprezentacją wyników marketingowych.

Dlatego tak ważny jest wybór najlepszego modelu atrybucji dla Twojej firmy.

W tym poście omówimy trochę tła na temat różnych modeli atrybucji i ostatecznie, jak zbudować niestandardowy, oparty na danych model atrybucji do pomiaru skuteczności kampanii globalnych.

Ograniczenia tradycyjnych modeli atrybucji marketingowej

Wszystkie modele atrybucji mają swoje plusy i minusy, ale jedną wspólną wadą tradycyjnych modeli jest to, że są oparte na regułach. Użytkownik musi z góry zadecydować, w jaki sposób chce, aby kredyt za zdarzenia sprzedażowe został podzielony między punkty styku.

Tradycyjne modele obejmują:

Na szczęście istnieją bardziej wyrafinowane podejścia oparte na danych, które są w stanie uchwycić zawiłości podróży kupujących poprzez modelowanie, w jaki sposób punkty kontaktu faktycznie wchodzą w interakcję z kupującymi i ze sobą, aby wpłynąć na pożądany wynik sprzedaży.

Oceniliśmy również model Shapleya z teorii gier kooperacyjnych. Ten popularny (nagrodzony nagrodą Nobla) model zapewniał znacznie lepszy wgląd w wydajność kanału niż tradycyjne podejścia, ale nie skalował się, aby poradzić sobie z ogromną liczbą punktów styku w dzisiejszym cyfrowym świecie.

Model Shapleya sprawdzał się dobrze na stosunkowo niewielkiej liczbie kanałów, ale większość firm musi przeprowadzać atrybucję we wszystkich kampaniach, co może oznaczać setki punktów styku na ścieżce kupującego.

Ocena modelu atrybucji Markowa

Model probabilistyczny Markowa przedstawia podróże kupujących jako graf, przy czym węzły grafu są punktami styku lub „stanami”, a krawędzie łączące grafu są obserwowanymi przejściami między tymi stanami.

Na przykład kupujący ogląda seminarium internetowe dotyczące produktu (pierwszy stan), a następnie przechodzi do LinkedIn (przejście), gdzie klika wyświetlenie reklamy dla tego samego produktu (drugi stan).

Kluczowym składnikiem modelu są prawdopodobieństwa przejścia (prawdopodobieństwo przemieszczania się między stanami).

Liczba przejść kupujących między dwoma stanami jest przeliczana na prawdopodobieństwo, a pełny wykres można wykorzystać do pomiaru ważności każdego stanu i najbardziej prawdopodobnych ścieżek do sukcesu.

Na przykład w próbce danych dotyczących podróży kupującego obserwujemy, że punkt styku webinaru występuje 8 razy, a kupujący obejrzeli webinar, a następnie kliknęli reklamę LinkedIn tylko 3 razy, więc prawdopodobieństwo przejścia między tymi dwoma stanami wynosi 3/8 = 0,375 (37,5%).

Prawdopodobieństwo jest obliczane dla każdego przejścia w celu ukończenia wykresu.

Zanim przejdziemy do obliczania atrybucji kampanii, wykres Markowa może nam przekazać kilka przydatnych informacji na temat naszych podróży kupujących.

Z powyższego przykładu widać, że ścieżka o najwyższym prawdopodobieństwie sukcesu to „Start > Webinar > Kampania Z > Sukces” z łącznym prawdopodobieństwem 42,5% (1,0 * 0,425 * 1,0).

Wykres Markowa może również powiedzieć nam ogólny wskaźnik sukcesu; czyli prawdopodobieństwo udanej podróży kupującego, biorąc pod uwagę historię wszystkich podróży kupujących. Wskaźnik sukcesu jest punktem odniesienia dla ogólnych wyników marketingowych i igłą do pomiaru skuteczności wszelkich zmian.

Powyższy przykładowy wykres Markowa ma wskaźnik sukcesu 67,5%:

Atrybucja kampanii

Wykres Markowa można wykorzystać do pomiaru znaczenia każdej kampanii poprzez obliczenie tzw. Efektu usunięcia.

Skuteczność kampanii określa się, usuwając ją z wykresu i symulując podróże kupujących, aby zmierzyć zmianę wskaźnika sukcesu bez tego.

Wykorzystanie efektu usunięcia do atrybucji marketingowej to ostatni element układanki. Aby obliczyć wartość atrybucji każdej kampanii, możemy użyć następującego wzoru:

Załóżmy na przykład, że w pierwszym kwartale roku podatkowego łączna wartość wszystkich udanych podróży kupujących wynosi 1 mln USD.

Te same podróże kupującego są używane do budowania modelu Markowa i obliczono, że efekt usunięcia dla naszej kampanii reklamowej wynosi 0,7 (tj. Wskaźnik sukcesu podróży kupującego spadł o 70%, gdy kampania reklamowa została usunięta z wykresu Markowa).

Znamy wartości Efektu usunięcia dla każdej kampanii zaobserwowanej w danych wejściowych i dla tego przykładu załóżmy, że sumują się one do 2,8. Wstawiając liczby do wzoru, obliczamy wartość atrybucji dla naszej kampanii reklamowej na 250 tys. USD.

Zacznij od własnego modelu

Powyższa aplikacja atrybucji marketingowej została opracowana przez Marketing and Data Center of Excellence firmy Cloudera, ale możesz zacząć już dziś na swoim własnym modelu.

Wykorzystując model atrybucji oparty na danych, możesz wyeliminować błędy związane z tradycyjnymi mechanizmami atrybucji i zrozumieć, w jaki sposób różne komunikaty wpływają na potencjalnych klientów oraz na różnice w zależności od lokalizacji geograficznej i typu przychodów.

Po uzyskaniu solidnych i wiarygodnych danych dotyczących atrybucji możesz mieć pewność, że wykorzystasz wyniki do informowania i kierowania strategią marketingową oraz decyzjami inwestycyjnymi. Możesz też polegać na liczbach, gdy współpracujesz z zespołami sprzedaży, aby rozwijać strategie marketingowe.

James Kinley jest głównym analitykiem danych w Cloudera. Dołączył do nich z brytyjskiego przemysłu obronnego, gdzie specjalizował się w cyberbezpieczeństwie.