Руководство маркетолога по атрибуции маркетинга на основе данных

Маркетинговая атрибуция - это способ измерения ценности кампаний и каналов, которые привлекают ваших потенциальных клиентов.

Используя результаты модели атрибуции, вы можете понять, какие точки взаимодействия имеют наибольшее влияние на успешный путь покупателя, и принять более обоснованные решения о том, как оптимизировать инвестиции в будущие маркетинговые ресурсы.

Но все мы знаем, что путь покупателя редко бывает простым, а путь к успеху может быть долгим и извилистым.

При таком большом количестве точек соприкосновения трудно отличить истинные взаимодействия с высокой и низкой отдачей, что может привести к неточному разделению кредита и ложному представлению о маркетинговой эффективности.

Вот почему так важно выбрать лучшую модель атрибуции для вашего бизнеса.

В этом посте мы обсудим немного истории о различных моделях атрибуции и, в конечном итоге, о том, как создать настраиваемую модель атрибуции на основе данных для измерения эффективности глобальных кампаний.

Ограничения традиционных маркетинговых моделей атрибуции

У всех моделей атрибуции есть свои плюсы и минусы, но один общий недостаток традиционных моделей заключается в том, что они основаны на правилах. Пользователь должен заранее решить, как он хочет, чтобы кредит на торговые мероприятия распределялся между точками взаимодействия.

К традиционным моделям относятся:

К счастью, существуют более изощренные подходы, основанные на данных, которые могут улавливать все тонкости пути покупателя, моделируя, как точки взаимодействия на самом деле взаимодействуют с покупателями и друг с другом, чтобы повлиять на желаемый результат продаж.

Мы также оценили модель Шепли на основе теории кооперативных игр. Эта популярная (получившая Нобелевскую премию) модель позволила лучше понять эффективность канала, чем традиционные подходы, но она не масштабировалась для обработки огромного количества точек соприкосновения в современном цифровом мире.

Модель Шепли хорошо зарекомендовала себя на относительно небольшом количестве каналов, но большинству компаний необходимо выполнять атрибуцию для всех кампаний, что может равняться сотням точек соприкосновения на пути покупателя.

Оценка марковской модели атрибуции

Вероятностная модель Маркова представляет путешествие покупателя в виде графа, где узлы графа являются точками соприкосновения или «состояниями», а соединительные ребра графа - наблюдаемыми переходами между этими состояниями.

Например, покупатель смотрит веб-семинар по продукту (первое состояние), затем переходит в LinkedIn (переход), где он нажимает на показ рекламы того же продукта (второе состояние).

Ключевым элементом модели являются вероятности перехода (вероятность перехода между состояниями).

Количество переходов покупателей между двумя состояниями преобразуется в вероятность, и полный график можно использовать для измерения важности каждого состояния и наиболее вероятных путей к успеху.

Например, в выборке данных о пути покупателя мы наблюдаем, что точка взаимодействия веб-семинара происходит 8 раз, а покупатели смотрели веб-семинар, после чего нажимали на объявление в LinkedIn только 3 раза, поэтому вероятность перехода между двумя состояниями составляет 3/8 = 0,375. (37,5%).

Для каждого перехода к завершению графика рассчитывается вероятность.

Прежде чем мы перейдем к расчету атрибуции кампании, график Маркова может дать нам несколько полезных фрагментов информации о наших покупательских путях.

Из приведенного выше примера видно, что путь с наибольшей вероятностью успеха - «Старт> Вебинар> Кампания Z> Успех» с общей вероятностью 42,5% (1,0 * 0,425 * 1,0).

График Маркова также может показать нам общий уровень успеха; то есть вероятность успешного путешествия покупателя с учетом истории всех поездок покупателя. Показатель успеха - это базовый показатель для общей эффективности маркетинга и стрелка для измерения эффективности любых изменений.

В приведенном выше примере графика Маркова показатель успеха составляет 67,5%:

Атрибуция кампании

График Маркова можно использовать для измерения важности каждой кампании путем расчета так называемого эффекта удаления.

Эффективность кампании определяется путем ее удаления с графика и моделирования пути покупателя для измерения изменения показателя успешности без его наличия.

Использование эффекта удаления для маркетинговой атрибуции - последний кусок головоломки. Чтобы рассчитать ценность атрибуции каждой кампании, мы можем использовать следующую формулу:

Например, предположим, что в течение первого квартала финансового года общая стоимость всех успешных поездок покупателя в долларах США составляет 1 миллион долларов.

Те же пути покупателя используются для построения модели Маркова, и по ней рассчитывается эффект удаления для нашей рекламной кампании, равный 0,7 (т. Е. Показатель успешности пути покупателя упал на 70%, когда рекламная кампания была удалена с графика Маркова).

Нам известны значения эффекта удаления для каждой кампании, наблюдаемой во входных данных, и для этого примера предположим, что они в сумме составляют 2,8. Подставляя числа в формулу, мы вычисляем ценность атрибуции для нашей рекламной кампании, которая составляет 250 тысяч долларов.

Начните работу над собственной моделью

Приведенное выше приложение маркетинговой атрибуции было разработано Cloudera's Marketing and Data Center of Excellence, но вы можете приступить к работе уже сегодня по своей собственной модели.

Используя модель атрибуции на основе данных, вы можете устранить предубеждения, связанные с традиционными механизмами атрибуции, и понять, как различные сообщения влияют на потенциальных клиентов, а также различия в зависимости от географии и типа дохода.

Если у вас есть надежные и надежные данные, лежащие в основе атрибуции, вы можете быть уверены в том, что сможете использовать результаты для информирования и управления стратегией маркетингового комплекса и инвестиционных решений. И вы можете полагаться на цифры, сотрудничая с отделами продаж, чтобы продвигать маркетинговые стратегии.

Джеймс Кинли - главный научный сотрудник Cloudera. Он присоединился к ним из оборонной промышленности Великобритании, где специализировался на кибербезопасности.