营销人员的归因模型：如何获得重要的准确见解

您整个季度都致力于新的内容营销系列，并且转化率呈上升趋势。

您是否将这些转化完全归因于您的内容？ 从你的社交媒体页面点击你的文章的客户怎么样——你是将这些转化归因于社交还是归因于文章（或两者）？

优化营销支出是营销人员的首要任务。 但是，当线性漏斗逐渐消失在传说中时，很难知道应该将精力集中在哪里。

多点触控归因模型试图解决这个问题，但许多营销人员使用错误的模型来衡量他们的营销活动。

在本文中，我们将深入探讨行之有效的流行归因模型，并解释如何获取最精确的归因数据，以便您准确了解投资​​回报率。

什么是归因模型？

归因模型是一组规则，用于管理您如何将给予的功劳分配给导致转化的营销和销售工作。 换句话说，它旨在回答“哪个渠道或活动产生了这个用户、潜在客户或销售？”这个问题。

在传统的营销模式中，归因很容易。 一位顾客带着剪报光顾了您的商店，您会将此次销售归因于您最近的报纸广告。

由于接触点现在跨越数十个渠道（通常在几天甚至几小时内发生），因此转化路径更加复杂且线性度大大降低：

客户现在通过社交媒体、电子邮件、谷歌广告、博客文章等与品牌互动。这使得开发一个准确的模型来衡量接触点价值变得更加困难（因此，也很难知道在哪里分配预算）。

归因建模示例

以这个相当简单的客户旅程为例：

• 客户搜索 Google 以解决痛点，并发现了您的一篇博文；
• 文章介绍了他们面临的挑战的解决方案，他们下载了您的电子书以了解更多信息；
• 铅磁铁触发您的电子邮件培养序列，每周发送提示以保持在这个痛点之上；
• 在电子邮件活动的某个时刻，您提供了个性化的产品演示；
• 演示后，客户订阅您的平台。

在此路径中，哪个接触点负责转化？

你可以争辩说：

• 博客文章首先吸引了客户访问您的网站——尽管他们可能还没有准备好购买。
• 电子邮件活动向客户介绍了他们尚未理解的挑战——但他们仍未准备好购买。
• 销售演示促成了销售——但他们只是因为下载了电子书才看到演示。

实际上，每个接触点都可能以某种方式做出贡献。 有效的多渠道归因建模可帮助您确定哪些渠道最具影响力，以便您做出更好的营销决策。

例如，您可能会发现您的电子邮件营销活动对转化的影响很小，而他们在下载电子书数周后参与的社交内容才是推动销售的因素。 将该电子邮件序列与您的社交内容对齐可能会加快销售周期，从而降低您的客户获取成本 (CAC)。

只有在为您的品牌确定了最合适的归因模型后，您才能访问这些见解。

开箱即用：标准归因模型

没有一种营销归因模型是完美的，但在正确的背景下使用正确的模型将帮助您从营销预算中获得更多收益。

Google Analytics 是使用最广泛的营销归因跟踪平台，它提供了多渠道路径 (MCF) 模型比较工具，可帮助您确定哪种模型最适合您的营销活动。

使用以下不同的归因模型来指导您的决策过程，并准备好进行一些实验以找到适合您的营销策略的模型。

哪儿来的呢？ 最终互动归因模型

最后一次交互归因，也称为最后一次触摸归因或最后一次点击归因，是大多数分析工具中的默认设置，也是使用最广泛的。

考虑这个途径：

• 客户在搜索您销售的产品时会看到您的 Google 广告；
• 他们将产品添加到购物车但不购买；
• 您发送购物车放弃电子邮件；
• 他们放弃购物车也会触发重定向广告；
• 客户点击重新定位的 Facebook 广告并购买。

在最后一个交互模型中，重定向广告获得 100% 的归因信用。

这种归因模型将所有权重都放在与您品牌的最后一次互动上，而不管之前有哪些其他接触点。

尽管这是默认的归因模型，但最后一次点击存在根本性缺陷。 几乎从来没有最后一个接触点单独负责转化的情况。

在上面的示例路径中，客户可能不会在没有看到初始广告的情况下来到您的网站。 他们可能还计划在收到购物车放弃电子邮件中的折扣后当晚购买。

正如 Avinash Kaushik 所说， “现在最后一次点击归因的唯一用途就是让你被解雇。 躲开它。”

何时使用最后点击归因模型

当您的购买周期较长、涉及许多决策者或您销售高价商品时，请避免使用最后一次互动模型。 这些交易涉及很多考虑因素，最后一次点击不会告诉您哪些接触点最有效。

当购买周期较短且几乎不需要深思熟虑时，例如在快速消费品 (FMCG) 行业，使用最后点击模型。

他们从哪里开始？ 首次互动归因模型

首次交互归因，也称为首次触摸或首次点击归因，与最后点击归因模型相反。 它完全归功于第一个接触点。

回想一下前面模型中讨论的路径。 在第一种互动模式下，最初的谷歌广告将承担影响销售的 100% 责任，而不管其后出现的其他接触点。

使用此模型有一定的有效性（如果没有第一个接触点，以下接触点将永远不会发生），但它仍然存在缺陷。 买家很少会根据单一的初始互动进行转化，例如阅读博客文章或查看社交媒体广告。

正如 Avinash 所写， “首次点击归因类似于我的第一个女朋友 100% 的功劳，因为我娶了我的妻子。”

何时使用首次点击归因模型

首次接触归因模型可能适用于建立品牌是您首要关注的情况，例如，如果您是市场新手。

在此示例中，您的目标是让您的营销工作接触尽可能多的潜在客户，因此这些首次接触互动对于实现该目标至关重要。

他们在这样做之前做了什么？ 最后的非直接点击归因模型

最终非直接点击归因与最终点击模型类似，只是它对直接流量进行了折扣。

考虑一个看起来像这样的电子商务途径：

• 客户在 Google 上对指定产品进行有机搜索；
• 此关键字会触发您的一个 Google Ads；
• 客户点击广告，浏览产品，并将一些产品添加到购物车；
• 他们没有完成购买，这会触发购物车放弃电子邮件；
• 稍后，客户直接返回您的网站并继续购买。

在最终交互模型下，此转化将归因于直接流量。 在最后一个非直接点击模型中，它归因于购物车放弃电子邮件。

何时使用最后非直接点击归因模型

对于大多数企业而言，最后一种非直接点击模型仍然过于基础，无法解释大多数购买过程。 它通常会在未到期的地方提供信贷。

如果您的直接流量转换迅速，您可能会从此模型中受益。 但是，如果客户倾向于在购买期间浏览您的网站，请避免使用此模型。 可能是其他东西说服他们购买。

正如 Avinash 所说， “为什么低估 Direct？ 为什么要低估营销人员为创造品牌知名度和品牌价值所做的努力？”

平均分配功劳：线性归因模型

线性归因比单接触点模型更好。 它考虑了所有可跟踪的交互并平均分配归因信用。

虽然每个接触点都会因对销售做出贡献而获得参与奖，但该模型并未考虑该份额的价值。

让我们看看这个客户路径：

• 客户从他们欣赏的有影响力的人那里看到关于您品牌的正面推文，因此他们会花一个小时左右的时间浏览您网站上的内容；
• 在您的网站上，他们点击您的社交媒体图标并在多个渠道上关注您，他们还注册您的时事通讯；
• 在接下来的几个月里，客户滚动浏览您品牌在社交媒体上的帖子，很少停下来阅读；
• 他们也从不打开您的时事通讯；
• 工作中的情况导致客户快速需要您的解决方案，并且有影响力的人在同一天再次发布有关您品牌的信息；
• 客户在他们的收件箱中打开您最新的时事通讯，并通过底部的 CTA 订阅您的平台。

线性归因模型对社交媒体、您的网站和您的时事通讯给予同等的信任，即使它们滚动浏览您的帖子并且不阅读您的电子邮件。

按照这种逻辑，您很想为每个渠道平均分配营销支出。 但是，您可能会争辩说，影响者营销和您网站上的内容在这里是最有效的。

何时使用线性归因模型

大公司或拥有可观营销预算的更成熟的公司应该专注于更准确地确定归因百分比。

如果您没有预算或数据来分配更准确的百分比，线性模型至少会考虑几个接触点，而不是将所有内容放在一条船上。

优先考虑第一个和最后一个接触点：基于位置的归因模型

基于位置的归因模型（有时称为 U 形归因）是线性模型、最后互动模型和首次互动模型的混合体。

此模型将大部分功劳分配给第一次和最后一次交互，其余功劳平均分配给其他所有接触点。

这个模型似乎最有意义； 第一个和最后一个接触点显然非常有影响力。 它认识到买家旅程中的两个关键步骤，同时仍然考虑其他步骤。

何时使用基于位置的归因模型

如果您的企业在客户购买之前有多个接触点（即销售周期较长的企业），请使用基于位置的归因模型。

重要性增加：时间衰减归因模型

时间衰减归因模型基于所有接触点都有价值的原则，但最接近转化的接触点更有价值。

最后一次互动获得的功劳最多，在此之前的所有互动都以递减的方式获得归因。

对这种模式最大的批评是它低估了最先将客户介绍给品牌的顶级渠道营销工作的价值。

何时使用时间衰减归因模型

在购买周期较长且建立关系是销售成功的关键因素（尤其是在 B2B 中）的情况下使用时间衰减模型。

超越标准模型以获得更准确的营销归因数据

上面讨论的六种传统归因模型是一个好的开始，但它们的应用相当有限。

选择标准归因模型之一是主观的，基于营销人员对客户何时何地做出购买决定的直觉。 主观决定可能是不正确的，导致浪费精力和花费。

自定义标准归因模型可以让您更接近准确性

可以在开箱即用的 Google Analytics（分析）模型之上构建自定义归因模型。

例如，您可以调整基于位置的模型中交互的权重，以减少对第一次或最后一次交互的信任。

您可以通过结合使用 Google Analytics 和 R（一种用于统计计算的编程语言）来进一步自定义您的归因模型。

使用马尔可夫模型（反映不断变化的系统的随机过程模型）来改进归因跟踪。 在高层次上，马尔可夫模型着眼于转化路径中后续步骤的可能性，并尝试根据接触点的移除来计算接触点的重要性。

数字体验机构 Bounteous 的 Kaelin Tessier 描述了使用马尔可夫模型进行归因建模的好处：

客观——这里没有直觉！ 只有事实。
预测准确性——预测转化事件。
稳健性——有效且可靠的结果。
可解释性——透明且相对容易解释。
多功能性——不依赖于数据集。 能够适应新的数据。
算法效率——提供及时的结果。

马尔可夫模型解决了基于启发式的 GA 模型的最大挑战：客观性。 该模型决定了每个接触点的重要性，而不是营销人员。

但仍有许多细微差别需要考虑。 例如，如果潜在客户在 LinkedIn 上关注您的 CEO 并受到他们发布的内容的影响怎么办？ 归因于“暗漏斗”可能很棘手。

要获得最准确的归因洞察，请查看数据驱动模型。

通过数据驱动的归因模型提高精确度

随着客户旅程的复杂性增加，归因模型也必须如此。 将客户的旅程强制进入整洁的小盒子很少能准确地代表购买决定是如何发生的。

目前，算法或数据驱动的方法可以被认为是营销归因的黄金标准。

正如 Slack 的前 CMO Bill Macaitis 在接受采访时所说：

比尔·麦凯蒂斯：

“如今，算法归因已成为数据驱动的营销人员和公司的最佳实践。

我们现在可以利用所有可用的数据收集、工具和模型来获取所有不同的接触点并进行预测性算法归因。 如果设置正确，我们可以跟踪每个接触点和所有下游渠道指标。 通过在一个非常大的数据集中按比例加权，我们可以更加准确和精确地确定应该获得信用的内容——包括在线、离线、基于效果的广告和品牌广告。

这并不完美，也不容易。 口耳相传、黑暗社交和其他“隐藏的接触”会变得困难。 但是，它可以更深入地了解买家的旅程以及您的哪些营销努力正在取得回报。”

Google Analytics 360 和 Impact.com 等产品使用机器学习和高级统计计算（如逻辑回归）来确定应如何为营销接触点分配功劳。

在高层次上，数据驱动的归因分析了转化客户和未转化客户之间接触点参与度的差异。 现在考虑到快速转换和错失机会的参与模式可以提供更准确、按比例分配的信用归因。

算法模型是客观的和自动化的，消除了营销人员在决定哪个步骤似乎最重要时做出的“直觉”决定。

算法模型非常复杂，并且针对企业。 对于许多企业而言，这将是过大的杀伤力，尤其是考虑到这些产品的成本时（Google Analytics 360 起价为每年 150,000 美元）。

如果算法归因遥不可及，您最好的方法是使用最适合您的策略的标准模型，自定义它，并在您了解哪些有效，哪些无效时不断优化。

通过存在性测试隔离弱点

“存在性测试”是通过将某个渠道从混音中删除一点来推断某个渠道的有效性。 顺便说一句，这就是上面许多数据驱动模型所基于的，但规模很大。

The Drilling Down Project 的创始人 Jim Novo 在 Digital Analytics 播客节目中说得很好：

吉姆·诺沃：

“如果你认为 [display] 在帮助其他活动方面如此有价值，为什么不干掉它一两周，看看会发生什么？ 然后把它加回去。

你不能做那种测试吗？ 把这笔钱投资到别处对你来说值得吗？ 你对弄清楚展示的价值有多认真？”

将线下和线上行为联系起来

现代购买行为包括一系列客户活动。 您可能有从事以下任何一项或多项活动的客户：

• 纯粹在线研究和购买；
• 完全离线研究和购买；
• 在线研究和离线购买（也称为 ROPO 或网络约会）；
• 在店内测试产品并在线购买（也称为陈列室）。

标准归因模型往往只考虑数字营销和在线行为。 即使在跟踪印刷媒体和直邮等离线渠道时，也是通过专用 URL 完成的。

那么，营销人员如何跟踪线下发生的事情？

企业可以通过多种方式来解释店内活动并将这些点与在线活动联系起来。

1. 低功耗蓝牙 (BLE) 信标

信标对您的客户很有用，同时还能反馈有关他们购物习惯的信息。

它通常像“店内 GPS”一样工作。 当在其设备上安装了您的应用程序的客户进入您的商店时，信标会与该应用程序通信，并将该用户的在线行为与其店内购买联系起来。

Target 使用信标来帮助客户定位他们购物清单上的商品、寻找店内帮助，甚至还有一个基于地理位置的新闻源。

自 2014 年以来，梅西百货一直在使用信标提供建议、发送实时促销信息以及跟踪和归因购买。

虽然这种跟踪在零售店中很受欢迎，但一些顾客可能对此并不满意。 通过调查购物者来预先激发兴趣，然后在推出之前对一小部分人进行测试。

2. 会员卡

会员卡是将数字资料与线下购买者联系起来的一种简单方式，前提是该卡是在线激活的。

一些平台为企业提供集成的忠诚度计划，例如 Yotpo 和 Stampme。

这些平台连接线上和线下体验，通常是通过提示用户在实体结账时扫描会员卡，这样用户就可以在他们购物的任何地方收集积分。

3、线下引导客户

家具和装饰品生产商 VOX 使用名为 VOXBOX 的应用程序推动客户旅程在面对面的咨询中达到高潮。

VOXBOX 允许客户设计虚拟家具布局，然后建议客户安排在他们的一家实体店进行面对面咨询。

通过这种方法，VOX 可以跟踪该客户的所有接触点，包括线下活动。

结论

归因建模没有放之四海而皆准的方法。 最稳健的解决方案使用算法建模来分配归因信用，但它们的成本很高。

如果算法归因不在您的操舵室中，您最好的选择是在您首选的分析套件中的基准产品之上构建定制模型。 随着您更多地了解客户如何与营销接触点互动，优化您的归因。

通过我们的营销归因课程成为归因大师。