คู่มือนักการตลาดเกี่ยวกับการระบุแหล่งที่มาทางการตลาดที่ขับเคลื่อนด้วยข้อมูล

การระบุแหล่งที่มาทางการตลาดเป็นวิธีการวัดมูลค่าของแคมเปญและช่องทางที่เข้าถึงผู้มีโอกาสเป็นลูกค้าของคุณ

เมื่อใช้ผลลัพธ์ของรูปแบบการระบุแหล่งที่มา คุณจะเข้าใจได้ว่าจุดติดต่อใดมีอิทธิพลมากที่สุดต่อเส้นทางของผู้ซื้อที่ประสบความสำเร็จ และทำการตัดสินใจอย่างมีข้อมูลมากขึ้นเกี่ยวกับวิธีการเพิ่มประสิทธิภาพการลงทุนในทรัพยากรทางการตลาดในอนาคต

แต่เราทุกคนทราบดีว่าเส้นทางของผู้ซื้อนั้นไม่ค่อยตรงไปตรงมา และเส้นทางสู่ความสำเร็จอาจยาวนานและคดเคี้ยว

ด้วยจุดติดต่อที่ต้องพิจารณามากมาย จึงเป็นเรื่องยากที่จะแยกแยะระหว่างการโต้ตอบที่มีผลกระทบสูงและต่ำอย่างแท้จริง ซึ่งอาจส่งผลให้มีการแบ่งสินเชื่อที่ไม่ถูกต้องและการแสดงประสิทธิภาพทางการตลาดที่ผิดพลาด

นี่คือเหตุผลที่การเลือกรูปแบบการระบุแหล่งที่มาที่ดีที่สุดสำหรับธุรกิจของคุณจึงมีความสำคัญมาก

ในโพสต์นี้ เราจะพูดถึงภูมิหลังเล็กน้อยเกี่ยวกับรูปแบบการระบุแหล่งที่มาต่างๆ และสุดท้ายคือวิธีสร้างรูปแบบการระบุแหล่งที่มาจากข้อมูลที่กำหนดเองเพื่อวัดประสิทธิภาพของแคมเปญทั่วโลก

ข้อจำกัดของรูปแบบการระบุแหล่งที่มาทางการตลาดแบบดั้งเดิม

รูปแบบการระบุแหล่งที่มาทั้งหมดมีข้อดีและข้อเสีย แต่ข้อเสียประการหนึ่งที่รูปแบบดั้งเดิมมีเหมือนกันคือรูปแบบตามกฎเกณฑ์ ผู้ใช้ต้องตัดสินใจล่วงหน้าว่าต้องการแบ่งเครดิตสำหรับกิจกรรมการขายระหว่างจุดติดต่ออย่างไร

รุ่นดั้งเดิม ได้แก่ :

โชคดีที่มีวิธีการที่ขับเคลื่อนด้วยข้อมูลที่ซับซ้อนมากขึ้น ซึ่งสามารถจับภาพความซับซ้อนของเส้นทางของผู้ซื้อได้โดยการสร้างแบบจำลองว่าจุดติดต่อโต้ตอบกับผู้ซื้อจริง ๆ และซึ่งกันและกันอย่างไร เพื่อส่งผลต่อผลลัพธ์การขายที่ต้องการ

นอกจากนี้เรายังประเมินแบบจำลอง Shapley จากทฤษฎีเกมแบบมีส่วนร่วม โมเดลยอดนิยม (ชนะรางวัลโนเบล) นี้ให้ข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพของช่องมากกว่าวิธีการแบบเดิม แต่ไม่ได้ปรับขนาดเพื่อรองรับจำนวนจุดสัมผัสในโลกดิจิทัลในปัจจุบัน

โมเดล Shapley ทำงานได้ดีในช่องทางที่มีจำนวนค่อนข้างน้อย แต่บริษัทส่วนใหญ่จำเป็นต้องแสดงที่มาสำหรับแคมเปญทั้งหมด ซึ่งสามารถเทียบได้กับจุดติดต่อหลายร้อยจุดตลอดเส้นทางของผู้ซื้อ

การประเมินรูปแบบการระบุแหล่งที่มาของ Markov

โมเดลความน่าจะเป็นของ Markov แสดงถึงเส้นทางของผู้ซื้อในรูปของกราฟ โดยที่โหนดของกราฟคือจุดสัมผัสหรือ "สถานะ" และขอบที่เชื่อมต่อของกราฟเป็นการเปลี่ยนแปลงที่สังเกตได้ระหว่างรัฐเหล่านั้น

ตัวอย่างเช่น ผู้ซื้อดูการสัมมนาผ่านเว็บเกี่ยวกับผลิตภัณฑ์ (สถานะแรก) จากนั้นเรียกดูไปยัง LinkedIn (ช่วงเปลี่ยนผ่าน) ซึ่งพวกเขาคลิกที่การแสดงโฆษณาสำหรับผลิตภัณฑ์เดียวกัน (สถานะที่สอง)

ส่วนประกอบสำคัญของแบบจำลองคือความน่าจะเป็นของการเปลี่ยนแปลง (ความน่าจะเป็นของการย้ายระหว่างรัฐ)

จำนวนครั้งที่ผู้ซื้อเปลี่ยนระหว่างสองสถานะถูกแปลงเป็นความน่าจะเป็น และสามารถใช้กราฟที่สมบูรณ์เพื่อวัดความสำคัญของแต่ละรัฐและเส้นทางสู่ความสำเร็จที่น่าจะเป็นไปได้มากที่สุด

ตัวอย่างเช่น ในตัวอย่างข้อมูลการเดินทางของผู้ซื้อ เราสังเกตว่าจุดสัมผัส Webinar เกิดขึ้น 8 ครั้ง และผู้ซื้อดูการสัมมนาผ่านเว็บแล้วตามด้วยคลิกที่โฆษณา LinkedIn เพียง 3 ครั้ง ดังนั้นความน่าจะเป็นในการเปลี่ยนระหว่างสองสถานะคือ 3/8 = 0.375 (37.5%).

ความน่าจะเป็นจะถูกคำนวณสำหรับการเปลี่ยนแปลงทุกครั้งเพื่อทำให้กราฟสมบูรณ์

ก่อนที่เราจะคำนวณการระบุแหล่งที่มาของแคมเปญ กราฟ Markov สามารถบอกข้อมูลที่เป็นประโยชน์สองสามข้อเกี่ยวกับเส้นทางของผู้ซื้อของเรา

จากตัวอย่างด้านบน คุณจะเห็นว่าเส้นทางที่มีโอกาสสำเร็จสูงสุดคือ “เริ่ม > การสัมมนาผ่านเว็บ > แคมเปญ Z > สำเร็จ” โดยมีความน่าจะเป็นทั้งหมด 42.5% (1.0 * 0.425 * 1.0)

กราฟ Markov ยังบอกให้เราทราบถึงอัตราความสำเร็จโดยรวม นั่นคือ ความน่าจะเป็นของการเดินทางของผู้ซื้อที่ประสบความสำเร็จ เมื่อพิจารณาจากประวัติการเดินทางของผู้ซื้อทั้งหมด อัตราความสำเร็จเป็นพื้นฐานสำหรับประสิทธิภาพทางการตลาดโดยรวมและเป็นเข็มในการวัดประสิทธิภาพของการเปลี่ยนแปลงใดๆ

ตัวอย่างกราฟ Markov ด้านบนมีอัตราความสำเร็จ 67.5%:

การระบุแหล่งที่มาของแคมเปญ

กราฟ Markov สามารถใช้วัดความสำคัญของแต่ละแคมเปญได้โดยการคำนวณสิ่งที่เรียกว่าผลการกำจัด

ประสิทธิภาพของแคมเปญถูกกำหนดโดยการลบออกจากกราฟและจำลองเส้นทางของผู้ซื้อเพื่อวัดการเปลี่ยนแปลงของอัตราความสำเร็จโดยไม่ได้ใช้งาน

การใช้เอฟเฟกต์การลบเพื่อระบุแหล่งที่มาทางการตลาดถือเป็นส่วนสุดท้ายของปริศนา ในการคำนวณมูลค่าการระบุแหล่งที่มาของแต่ละแคมเปญ เราสามารถใช้สูตรต่อไปนี้:

ตัวอย่างเช่น สมมติว่าในช่วงไตรมาสแรกของปีบัญชี มูลค่า USD รวมของการเดินทางของผู้ซื้อที่ประสบความสำเร็จทั้งหมดคือ 1 ล้านเหรียญสหรัฐ

เส้นทางของผู้ซื้อเดียวกันนี้ใช้ในการสร้างแบบจำลอง Markov และคำนวณผลการลบสำหรับแคมเปญโฆษณาของเราเป็น 0.7 (กล่าวคือ อัตราความสำเร็จในเส้นทางของผู้ซื้อลดลง 70% เมื่อแคมเปญโฆษณาถูกลบออกจากกราฟ Markov)

เราทราบค่าเอฟเฟกต์การลบสำหรับทุกแคมเปญที่สังเกตได้ในข้อมูลที่ป้อน และสำหรับตัวอย่างนี้ สมมติว่ามีค่าเท่ากับ 2.8 โดยการใส่ตัวเลขลงในสูตร เราจะคำนวณมูลค่าการระบุแหล่งที่มาสำหรับแคมเปญโฆษณาของเราเป็น $250k

เริ่มต้นกับโมเดลของคุณเอง

แอปพลิเคชันการระบุแหล่งที่มาทางการตลาดด้านบนได้รับการพัฒนาโดย Marketing and Data Center of Excellence ของ Cloudera แต่คุณสามารถเริ่มต้นใช้งานได้ตั้งแต่วันนี้ในรูปแบบของคุณเอง

ด้วยการใช้ประโยชน์จากรูปแบบการระบุแหล่งที่มาจากข้อมูล คุณสามารถขจัดความเอนเอียงที่เกี่ยวข้องกับกลไกการระบุแหล่งที่มาแบบเดิม และทำความเข้าใจว่าข้อความต่างๆ มีอิทธิพลต่อผู้มีโอกาสเป็นลูกค้าและความแปรปรวนตามภูมิศาสตร์และประเภทรายได้อย่างไร

เมื่อคุณมีข้อมูลเบื้องหลังการระบุแหล่งที่มาที่มั่นคงและเชื่อถือได้ คุณจะมั่นใจในการใช้ผลลัพธ์ดังกล่าวเพื่อแจ้งข้อมูลและขับเคลื่อนกลยุทธ์ส่วนประสมการตลาดและการตัดสินใจลงทุน และคุณสามารถพึ่งพาตัวเลขได้เมื่อคุณเป็นพาร์ทเนอร์กับทีมขายเพื่อขับเคลื่อนกลยุทธ์ทางการตลาดไปข้างหน้า

James Kinley เป็นนักวิทยาศาสตร์ข้อมูลหลักที่ Cloudera เขาร่วมงานกับพวกเขาจากอุตสาหกรรมการป้องกันประเทศของสหราชอาณาจักร ซึ่งเขาเชี่ยวชาญด้านการรักษาความปลอดภัยทางไซเบอร์