Модели атрибуции для маркетологов: как получить точную информацию, которая имеет значение

Вы работали весь квартал над новой серией контент-маркетинга, и конверсии растут.

Связываете ли вы эти конверсии исключительно с вашим контентом? А как насчет клиентов, которые перешли на вашу статью с вашей страницы в социальной сети — вы связываете эти конверсии с социальными сетями или со статьей (или с тем и другим)?

Оптимизация расходов на маркетинг является главным приоритетом для маркетологов. Но трудно понять, на чем сосредоточить свои усилия, когда линейные воронки постепенно исчезают в легендах.

Мультисенсорные модели атрибуции пытались решить эту проблему, но многие маркетологи используют неправильные модели для оценки своих кампаний.

В этой статье мы рассмотрим популярные модели атрибуции, которые работают, и объясним, как получить наиболее точные данные атрибуции, чтобы вы могли получить точную картину рентабельности инвестиций.

Что такое модель атрибуции?

Модель атрибуции — это набор правил, определяющих, как вы распределяете кредиты, отдаваемые усилиям по маркетингу и продажам, которые приводят к конверсии. Другими словами, он направлен на то, чтобы ответить на вопрос «какой канал или кампания сгенерировала этого пользователя, лида или продажу?»

В традиционной маркетинговой модели атрибуция была простой. Покупатель посетил ваш магазин с вырезкой из газеты, и вы приписали бы эту продажу вашему недавнему объявлению в газете.

Поскольку точки соприкосновения теперь происходят по десяткам каналов (часто в течение нескольких дней или даже часов), пути конверсии стали более сложными и гораздо менее линейными:

Теперь клиенты взаимодействуют с брендами через социальные сети, электронную почту, Google Ads, сообщения в блогах и т. д. Это затрудняет разработку точной модели для измерения ценности точки взаимодействия (и, следовательно, определения того, на что распределять бюджет).

Пример моделирования атрибуции

Возьмите этот довольно простой путь клиента:

• Клиент ищет в Google, чтобы решить проблему, и обнаруживает одну из ваших записей в блоге;
• В статье представлены решения их проблемы, и они скачивают вашу электронную книгу, чтобы узнать больше;
• Лид-магнит запускает последовательность рассылок по электронной почте, чтобы еженедельно отправлять советы, чтобы не отставать от этой болевой точки;
• В какой-то момент кампании по электронной почте вы предлагаете персонализированную демонстрацию продукта;
• После демонстрации клиент подписывается на вашу платформу.

Какая точка соприкосновения на этом пути отвечает за конверсию?

Вы можете возразить:

• Сообщение в блоге в первую очередь привлекло клиента на ваш сайт, хотя они, возможно, не были готовы к покупке.
• Кампания по электронной почте информировала клиентов о проблеме, которую они еще не понимали, но все еще не были готовы к покупке.
• Демонстрация продаж привела к продаже, но они увидели демоверсию только потому, что скачали электронную книгу.

На самом деле каждая из точек соприкосновения, вероятно, внесла свой вклад . Эффективное моделирование многоканальной атрибуции поможет вам определить, какие каналы наиболее влиятельны, чтобы вы могли принимать более эффективные маркетинговые решения.

Например, вы можете обнаружить, что ваша кампания по электронной почте мало влияет на конверсию, а социальный контент, с которым они взаимодействовали через несколько недель после загрузки электронной книги, — это то, что стимулирует продажи. Согласование этой последовательности писем с вашим социальным контентом может ускорить цикл продаж, снизив стоимость привлечения клиента (CAC).

Вы можете получить доступ к этим сведениям только после того, как определите наиболее подходящую модель атрибуции для своего бренда.

Готово: стандартные модели атрибуции

Ни одна модель маркетинговой атрибуции не идеальна, но правильная модель в правильном контексте поможет вам выжать больше из вашего маркетингового бюджета .

Google Analytics, наиболее широко используемая платформа для отслеживания маркетинговой атрибуции, предлагает инструмент сравнения моделей многоканальных последовательностей (MCF), который поможет вам определить, какая модель наиболее подходит для ваших кампаний.

Используйте различные модели атрибуции ниже, чтобы управлять процессом принятия решений, и будьте готовы к экспериментам, чтобы найти правильную модель для вашей маркетинговой стратегии.

Откуда они пришли? Модель атрибуции по последнему взаимодействию

Атрибуция по последнему взаимодействию, также известная как атрибуция по последнему касанию или атрибуция по последнему клику, используется по умолчанию в большинстве аналитических инструментов и наиболее широко используется.

Рассмотрим этот путь:

• Клиент видит вашу рекламу в Google при поиске продукта, который вы продаете;
• Они добавляют товар в корзину, но не покупают;
• Вы отправляете электронное письмо с отказом от корзины;
• Их отказ от корзины также запускает ретаргетинг рекламы;
• Клиент нажимает на ретаргетинговое объявление Facebook и совершает покупку.

В последней модели взаимодействия это ретаргетинговое объявление получает 100% кредита атрибуции.

Эта модель атрибуции придает большое значение последнему взаимодействию с вашим брендом, независимо от того, какие другие точки взаимодействия были до него.

Несмотря на то, что это модель атрибуции по умолчанию, последний клик в корне ошибочен. Почти никогда не бывает так, что последняя точка взаимодействия несет исключительную ответственность за конверсию.

В приведенном выше примере клиент может не прийти на ваш сайт, не увидев начальное объявление. Они также могли запланировать покупку в тот вечер после получения скидки в электронном письме об отказе от корзины.

Как выразился Авинаш Кошик, «единственное применение атрибуции по последнему клику сейчас — это ваше увольнение. Избегай это."

Когда использовать модель атрибуции по последнему клику

Избегайте модели последнего взаимодействия, когда ваш цикл покупки длинный, в него вовлечено много лиц, принимающих решения, или вы продаете дорогостоящие товары. Эти транзакции требуют большого внимания, и последний щелчок не скажет вам, какие точки взаимодействия были наиболее эффективными.

Используйте модель «последнего клика», когда цикл покупки короткий и требуется мало размышлений, например, в секторах товаров повседневного спроса (FMCG).

С чего они начали? Модель атрибуции по первому взаимодействию

Атрибуция первого взаимодействия, также известная как атрибуция первого касания или первого клика, является противоположностью модели атрибуции последнего клика. Он полностью отдает должное первой точке соприкосновения.

Вспомните путь, обсуждавшийся в предыдущей модели. В соответствии с первой моделью взаимодействия первоначальная реклама Google будет нести 100% ответственности за влияние на продажу, независимо от других точек взаимодействия, которые появятся после нее.

В использовании этой модели есть определенная обоснованность (следующие точки соприкосновения никогда бы не состоялись без первой), но она все же имеет недостатки. Покупатели редко совершают конверсию на основе одного первоначального взаимодействия, такого как чтение сообщения в блоге или просмотр рекламы в социальных сетях.

Как писал Авинаш: «Атрибуция по первому клику сродни предоставлению моей первой девушке 100% кредита на то, что я женился на своей жене».

Когда использовать модель атрибуции по первому клику

Модель атрибуции «первое касание» может быть уместна, когда создание бренда является вашей основной задачей, например, если вы новичок на рынке.

В этом примере ваша цель состоит в том, чтобы ваши маркетинговые усилия затронули как можно больше потенциальных клиентов, поэтому эти взаимодействия с первым касанием становятся жизненно важными для достижения этой цели.

Что они делали до этого? Модель атрибуции по последнему непрямому клику

Атрибуция по последнему непрямому клику похожа на модель по последнему клику, за исключением того, что в ней не учитывается прямой трафик.

Рассмотрим путь электронной коммерции, который выглядит примерно так:

• Клиент выполняет обычный поиск определенного продукта в Google;
• Это ключевое слово запускает одно из ваших объявлений Google;
• Клиент нажимает на объявление, просматривает продукты и добавляет некоторые из них в свою корзину;
• Они не совершают покупку, что вызывает электронное письмо с отказом от корзины;
• Позже клиент возвращается прямо на ваш сайт и совершает покупку.

В модели последнего взаимодействия эта конверсия будет относиться к прямому трафику. В последней модели непрямого клика это относится к электронному письму о брошенной корзине.

Когда использовать модель атрибуции по последнему непрямому клику

Для большинства компаний модель последнего непрямого клика по-прежнему слишком проста, чтобы учитывать большинство покупательских путей. Это часто направляет кредит, где это не из-за.

Если ваш прямой трафик быстро конвертируется, вы можете извлечь выгоду из этой модели. Однако, если клиенты обычно просматривают ваш сайт во время сеанса покупки, избегайте этой модели. Это может быть что-то еще, что убеждает их купить.

Как сказал Авинаш: «Зачем недооценивать Direct? Зачем недооценивать усилия маркетолога по созданию узнаваемости и ценности бренда?»

Разделение заслуг поровну: модель линейной атрибуции

Линейная атрибуция на шаг лучше, чем модели с одной точкой взаимодействия. Он учитывает все отслеживаемые взаимодействия и равномерно распределяет кредит атрибуции.

Хотя каждая точка взаимодействия получает награду за участие в продаже, модель не учитывает, насколько заслужена эта доля.

Давайте посмотрим на этот путь клиента:

• Клиент видит положительный твит о вашем бренде от влиятельного лица, которым он восхищается, поэтому он тратит час или около того на изучение контента на вашем веб-сайте;
• На вашем веб-сайте они нажимают на значки ваших социальных сетей и следят за вами по нескольким каналам, а также подписываются на вашу рассылку;
• В ближайшие месяцы клиент пролистывает посты вашего бренда в социальных сетях, редко останавливаясь, чтобы прочитать их;
• Они также никогда не открывают ваши информационные бюллетени;
• Ситуация на работе заставляет клиента быстро нуждаться в вашем решении, и влиятельный человек снова публикует информацию о вашем бренде в тот же день;
• Клиент открывает ваш последний информационный бюллетень в своем почтовом ящике и подписывается на вашу платформу через CTA внизу.

Модель линейной атрибуции дает равные оценки социальным сетям, вашему веб-сайту и вашей рассылке, даже если они прокручивают ваши сообщения и не читают ваши электронные письма.

Следуя этой логике, у вас может возникнуть соблазн разделить расходы на маркетинг поровну для каждого канала. Тем не менее, вы можете возразить, что маркетинг влияния и контент на вашем сайте были здесь наиболее эффективными.

Когда использовать линейную модель атрибуции

Крупные компании или более авторитетные компании с приличным маркетинговым бюджетом должны сосредоточиться на более точном определении процентов атрибуции.

Если у вас нет бюджета или данных для более точного распределения процентов, линейная модель, по крайней мере, учитывает несколько точек соприкосновения, а не сводит все в одну лодку.

Приоритизация первой и последней точек взаимодействия: модель атрибуции на основе позиции

Модель атрибуции на основе позиции (иногда называемая U-образной атрибуцией) представляет собой смесь линейной модели, модели последнего взаимодействия и модели первого взаимодействия.

Эта модель отдает большую часть ценности первому и последнему взаимодействию, а оставшаяся часть ценности распределяется равномерно между всеми остальными точками взаимодействия.

Эта модель кажется наиболее разумной; первая и последняя точки соприкосновения явно очень влиятельны. Он признает два критических шага на пути покупателя, но при этом учитывает другие.

Когда использовать модель атрибуции на основе позиции

Используйте модель атрибуции на основе позиции, если у вашего бизнеса есть несколько точек соприкосновения, прежде чем клиенты совершат покупку (например, у компаний с длительным циклом продаж).

Возрастание важности: модель атрибуции «время-распад»

Модель атрибуции с временным затуханием основана на том принципе, что все точки взаимодействия чего-то стоят, но те, которые ближе всего к конверсии, стоят больше.

Последнее взаимодействие получает наибольшую оценку, а все взаимодействия до этого получают атрибуцию в уменьшающемся количестве.

Самая большая критика этой модели заключается в том, что она недооценивает ценность маркетинговых усилий на вершине воронки, которые в первую очередь знакомят покупателя с брендом.

Когда использовать модель атрибуции с временным затуханием

Используйте модели временного распада в сценариях с длительным циклом покупки и когда построение отношений является ключевым фактором успеха продаж (особенно в B2B).

Выход за рамки стандартных моделей для получения более точных данных маркетинговой атрибуции

Шесть традиционных типов моделей атрибуции, рассмотренных выше, являются хорошим началом, но они довольно ограничены в своем применении.

Выбор одной из стандартных моделей атрибуции субъективен и основан на интуитивных ощущениях маркетологов относительно того, где и когда клиенты принимают решение о покупке. Субъективные решения могут быть неверными, что приводит к напрасным усилиям и тратам.

Настройка стандартных моделей атрибуции может приблизить вас к точности

Можно создавать собственные модели атрибуции поверх готовых моделей Google Analytics.

Например, вы можете настроить взвешивание взаимодействий в модели на основе позиции, чтобы придавать меньшее значение первому или последнему взаимодействию.

Вы можете дополнительно настроить свою модель атрибуции, объединив Google Analytics и R, язык программирования для статистических вычислений.

Используйте марковские модели (случайные модели процессов, отражающие меняющиеся системы), чтобы улучшить отслеживание атрибуции. На высоком уровне марковские модели рассматривают вероятность последующих шагов на пути конверсии и пытаются рассчитать важность точки взаимодействия на основе ее удаления.

Келин Тессье из Bounteous, агентства цифрового опыта, описывает преимущества использования марковских моделей для моделирования атрибуции:

Объективность – здесь нет интуиции! Только факты.
Predictive Accuracy — предсказывает события конверсии.
Надежность – действительные и надежные результаты.
Интерпретируемость – прозрачна и относительно проста для интерпретации.
Универсальность — не зависит от набора данных. Умеет адаптироваться к новым данным.
Алгоритмическая эффективность – обеспечивает своевременные результаты.

Марковские модели решают самую большую проблему эвристических моделей ГА: объективность. Модель определяет важность каждой точки взаимодействия, а не маркетолог.

Но есть еще много нюансов, которые нужно учитывать. Например, что, если лид следит за вашим генеральным директором в LinkedIn и находится под влиянием контента, который он публикует? Атрибуция «темной воронки» может оказаться сложной задачей.

Чтобы получить наиболее точную информацию об атрибуции, обратите внимание на модели, управляемые данными.

Повышение точности с помощью моделей атрибуции на основе данных

По мере усложнения пути клиента усложняются и модели атрибуции. Размещение клиентских путей в аккуратных маленьких коробочках редко дает точное представление о том, как принимаются решения о покупке.

На данный момент алгоритмический или основанный на данных подход можно считать золотым стандартом маркетинговой атрибуции.

Как сказал в интервью Билл Макайтис, бывший директор по маркетингу Slack:

Билл Макайтис:

«Сегодня алгоритмическая атрибуция стала лучшей практикой для маркетологов и компаний, ориентированных на данные.

Теперь мы можем использовать весь доступный сбор данных, инструменты и модели, чтобы учитывать все различные точки соприкосновения и проводить предиктивную алгоритмическую атрибуцию. При правильной настройке мы можем отслеживать каждую точку взаимодействия и все метрики нижестоящей воронки. И, взвешивая пропорционально очень большой набор данных, мы можем определить с гораздо большей точностью и точностью, что должно получить признание, включая онлайн-рекламу, офлайн-рекламу, рекламу, основанную на результатах, и рекламу бренда.

Это не идеально, и это непросто. Это становится трудным с рефералами из уст в уста, темными социальными сетями и другими «скрытыми штрихами». Но это способствует более глубокому пониманию пути покупателя и того, какие из ваших маркетинговых усилий окупаются».

Такие продукты, как Google Analytics 360 и Impact.com, используют машинное обучение и расширенные статистические расчеты, такие как логистическая регрессия, чтобы определить, как следует распределять кредиты для маркетинговых точек взаимодействия.

На высоком уровне атрибуция на основе данных анализирует различия в взаимодействии с точками контакта между клиентами, которые конвертируются, и теми, кто не конвертируется. Шаблоны взаимодействия, учитывающие быстрые конверсии и упущенные возможности, обеспечивают более точную и пропорциональную атрибуцию кредита.

Алгоритмические модели объективны и автоматизированы, исключая «инстинктивные» решения, которые маркетологи принимают, когда решают, какой шаг кажется наиболее важным.

Алгоритмические модели очень сложны и предназначены для предприятий. Для многих предприятий это будет излишним, особенно если учесть стоимость этих продуктов (Google Analytics 360 стоит от 150 000 долларов в год).

Если алгоритмическая атрибуция недоступна, лучше всего использовать стандартную модель, которая лучше всего соответствует вашей стратегии, настраивать ее и постоянно оптимизировать, узнавая, что работает, а что нет.

Выявление слабых мест с помощью проверки существования

«Экзистенциальное тестирование» — это вывод об эффективности определенного канала путем исключения его из списка на некоторое время. Между прочим, именно на этом основаны многие из приведенных выше моделей, управляемых данными, но в масштабе.

Джим Ново, основатель The Drilling Down Project, хорошо выразил это в эпизоде ​​подкаста Digital Analytics:

Джим Ново:

«Если вы думаете, что [отображение] так ценно с точки зрения помощи другим кампаниям, почему бы вам просто не убить его на неделю или две и посмотреть, что произойдет? А потом добавить обратно.

Вы не можете сделать такой тест? Стоит ли вам вкладывать эти деньги в другое место? Насколько серьезно вы относитесь к выяснению ценности показа?»

Соединяем точки между оффлайн и онлайн поведением

Современное покупательское поведение включает в себя множество действий клиентов. У вас могут быть клиенты, которые занимаются одним или несколькими из следующих действий:

• Поиск и покупка исключительно онлайн;
• Поиск и покупка исключительно в автономном режиме;
• Поиск в Интернете и покупка в автономном режиме (также известная как ROPO или вебруминг);
• Тестирование продуктов в магазине и покупка в Интернете (также известное как демонстрация).

Стандартные модели атрибуции, как правило, учитывают исключительно цифровой маркетинг и онлайн-поведение. Даже при отслеживании офлайн-каналов, таких как печатные СМИ и прямая почтовая рассылка, для этого используется специальный URL-адрес.

Итак, как маркетологи могут отслеживать, что происходит в оффлайне?

Есть несколько способов, с помощью которых компании могут учитывать действия в магазине и связывать точки с действиями в Интернете.

1. Маяки Bluetooth с низким энергопотреблением (BLE)

Маяки могут быть полезны для ваших клиентов, а также сообщать информацию об их покупательских привычках.

Обычно он работает как «GPS в магазине». Когда клиенты, установившие ваше приложение на свое устройство, заходят в ваш магазин, маяки взаимодействуют с приложением и связывают поведение этого пользователя в Интернете с его покупками в магазине.

Target использует маяки, чтобы помочь клиентам находить товары в списке покупок, находить помощь в магазине и даже имеет новостную ленту с географической привязкой.

Macy's использует маяки, чтобы предлагать предложения, отправлять рекламные акции в режиме реального времени, а также отслеживать и атрибутировать покупки с 2014 года.

Хотя этот вид отслеживания популярен в розничных магазинах, некоторым покупателям он может показаться неудобным. Упреждайте интерес, опрашивая покупателей, а затем тестируйте с небольшой группой перед развертыванием.

2. Карты лояльности

Карты лояльности — это простой способ связать цифровые профили с офлайн-покупателями при условии, что карты активированы онлайн.

Несколько платформ предлагают предприятиям интегрированные программы лояльности, такие как Yotpo и Stampme.

Платформы объединяют онлайн- и офлайн-опыты, обычно предлагая пользователям сканировать карту лояльности на физической кассе, чтобы пользователи могли накапливать баллы в любом месте, где они делают покупки.

3. Ведите клиентов в оффлайн

Производитель мебели и украшений VOX ведет путь клиента к кульминации личной консультации с помощью приложения под названием VOXBOX.

VOXBOX позволяет клиентам разработать виртуальную раскладку мебели, а затем рекомендует клиентам запланировать личную консультацию в одном из их физических магазинов.

При таком подходе VOX может отслеживать все точки соприкосновения с этим клиентом, включая офлайн-активность.

Заключение

В моделировании атрибуции нет универсального решения. Самые надежные решения используют алгоритмическое моделирование для присвоения кредита атрибуции, но они требуют значительных затрат.

Если алгоритмическая атрибуция вам не по душе, лучше всего создавать индивидуальные модели на основе базовых предложений в предпочитаемом вами пакете аналитики. Оптимизируйте свою атрибуцию, узнавая больше о том, как ваши клиенты взаимодействуют с маркетинговыми точками взаимодействия.

Станьте мастером атрибуции с нашим курсом маркетинговой атрибуции.