營銷人員的歸因模型：如何獲得重要的準確見解

您整個季度都致力於新的內容營銷系列，並且轉化率呈上升趨勢。

您是否將這些轉化完全歸因於您的內容？ 從你的社交媒體頁麵點擊你的文章的客戶怎麼樣——你是將這些轉化歸因於社交還是歸因於文章（或兩者）？

優化營銷支出是營銷人員的首要任務。 但是，當線性漏斗逐漸消失在傳說中時，很難知道應該將精力集中在哪裡。

多點觸控歸因模型試圖解決這個問題，但許多營銷人員使用錯誤的模型來衡量他們的營銷活動。

在本文中，我們將深入探討行之有效的流行歸因模型，並解釋如何獲取最精確的歸因數據，以便您準確了解投資回報率。

什麼是歸因模型？

歸因模型是一組規則，用於管理您如何將給予的功勞分配給導致轉化的營銷和銷售工作。 換句話說，它旨在回答“哪個渠道或活動產生了這個用戶、潛在客戶或銷售？”這個問題。

在傳統的營銷模式中，歸因很容易。 一位顧客帶著剪報光顧了您的商店，您會將此次銷售歸因於您最近的報紙廣告。

由於接觸點現在跨越數十個渠道（通常在幾天甚至幾小時內發生），因此轉化路徑更加複雜且線性度大大降低：

客戶現在通過社交媒體、電子郵件、谷歌廣告、博客文章等與品牌互動。這使得開發一個準確的模型來衡量接觸點價值變得更加困難（因此，也很難知道在哪里分配預算）。

歸因建模示例

以這個相當簡單的客戶旅程為例：

• 客戶搜索 Google 以解決痛點，並發現了您的一篇博文；
• 文章介紹了他們面臨的挑戰的解決方案，他們下載了您的電子書以了解更多信息；
• 鉛磁鐵觸發您的電子郵件培養序列，每週發送提示以保持在這個痛點之上；
• 在電子郵件活動的某個時刻，您提供了個性化的產品演示；
• 演示後，客戶訂閱您的平台。

在此路徑中，哪個接觸點負責轉化？

你可以爭辯說：

• 博客文章首先吸引了客戶訪問您的網站——儘管他們可能還沒有準備好購買。
• 電子郵件活動向客戶介紹了他們尚未理解的挑戰——但他們仍未準備好購買。
• 銷售演示促成了銷售——但他們只是因為下載了電子書才看到演示。

實際上，每個接觸點都可能以某種方式做出貢獻。 有效的多渠道歸因建模可幫助您確定哪些渠道最具影響力，以便您做出更好的營銷決策。

例如，您可能會發現您的電子郵件營銷活動對轉化的影響很小，而他們在下載電子書數週後參與的社交內容才是推動銷售的因素。 將該電子郵件序列與您的社交內容對齊可能會加快銷售週期，從而降低您的客戶獲取成本 (CAC)。

只有在為您的品牌確定了最合適的歸因模型後，您才能訪問這些見解。

開箱即用：標準歸因模型

沒有一種營銷歸因模型是完美的，但在正確的背景下使用正確的模型將幫助您從營銷預算中獲得更多收益。

Google Analytics 是使用最廣泛的營銷歸因跟踪平台，它提供了多渠道路徑 (MCF) 模型比較工具，可幫助您確定哪種模型最適合您的營銷活動。

使用以下不同的歸因模型來指導您的決策過程，並準備好進行一些實驗以找到適合您的營銷策略的模型。

哪兒來的呢？ 最終互動歸因模型

最後一次交互歸因，也稱為最後一次觸摸歸因或最後一次點擊歸因，是大多數分析工具中的默認設置，也是使用最廣泛的。

考慮這個途徑：

• 客戶在搜索您銷售的產品時會看到您的 Google 廣告；
• 他們將產品添加到購物車但不購買；
• 您發送購物車放棄電子郵件；
• 他們放棄購物車也會觸發重定向廣告；
• 客戶點擊重新定位的 Facebook 廣告併購買。

在最後一個交互模型中，重定向廣告獲得 100% 的歸因信用。

這種歸因模型將所有權重都放在與您品牌的最後一次互動上，而不管之前有哪些其他接觸點。

儘管這是默認的歸因模型，但最後一次點擊存在根本性缺陷。 幾乎從來沒有最後一個接觸點單獨負責轉化的情況。

在上面的示例路徑中，客戶可能不會在沒有看到初始廣告的情況下來到您的網站。 他們可能還計劃在收到購物車放棄電子郵件中的折扣後當晚購買。

正如 Avinash Kaushik 所說， “現在最後一次點擊歸因的唯一用途就是讓你被解僱。 躲開它。”

何時使用最後點擊歸因模型

當您的購買週期較長、涉及許多決策者或您銷售高價商品時，請避免使用最後一次互動模型。 這些交易涉及很多考慮因素，最後一次點擊不會告訴您哪些接觸點最有效。

當購買週期較短且幾乎不需要深思熟慮時，例如在快速消費品 (FMCG) 行業，使用最後點擊模型。

他們從哪裡開始？ 首次互動歸因模型

首次交互歸因，也稱為首次觸摸或首次點擊歸因，與最後點擊歸因模型相反。 它完全歸功於第一個接觸點。

回想一下前面模型中討論的路徑。 在第一種互動模式下，最初的谷歌廣告將承擔影響銷售的 100% 責任，而不管其後出現的其他接觸點。

使用此模型有一定的有效性（如果沒有第一個接觸點，以下接觸點將永遠不會發生），但它仍然存在缺陷。 買家很少會根據單一的初始互動進行轉化，例如閱讀博客文章或查看社交媒體廣告。

正如 Avinash 所寫， “首次點擊歸因類似於我的第一個女朋友 100% 的功勞，因為我娶了我的妻子。”

何時使用首次點擊歸因模型

首次接觸歸因模型可能適用於建立品牌是您首要關注的情況，例如，如果您是市場新手。

在此示例中，您的目標是讓您的營銷工作接觸盡可能多的潛在客戶，因此這些首次接觸互動對於實現該目標至關重要。

他們在這樣做之前做了什麼？ 最後的非直接點擊歸因模型

最終非直接點擊歸因與最終點擊模型類似，只是它對直接流量進行了折扣。

考慮一個看起來像這樣的電子商務途徑：

• 客戶在 Google 上對指定產品進行有機搜索；
• 此關鍵字會觸發您的一個 Google Ads；
• 客戶點擊廣告，瀏覽產品，並將一些產品添加到購物車；
• 他們沒有完成購買，這會觸發購物車放棄電子郵件；
• 稍後，客戶直接返回您的網站並繼續購買。

在最終交互模型下，此轉化將歸因於直接流量。 在最後一個非直接點擊模型中，它歸因於購物車放棄電子郵件。

何時使用最後非直接點擊歸因模型

對於大多數企業而言，最後一種非直接點擊模型仍然過於基礎，無法解釋大多數購買過程。 它通常會在未到期的地方提供信貸。

如果您的直接流量轉換迅速，您可能會從此模型中受益。 但是，如果客戶傾向於在購買期間瀏覽您的網站，請避免使用此模型。 可能是其他東西說服他們購買。

正如 Avinash 所說， “為什麼低估 Direct？ 為什麼要低估營銷人員為創造品牌知名度和品牌價值所做的努力？”

平均分配功勞：線性歸因模型

線性歸因比單接觸點模型更好。 它考慮了所有可跟踪的交互並平均分配歸因信用。

雖然每個接觸點都會因對銷售做出貢獻而獲得參與獎，但該模型並未考慮該份額的價值。

讓我們看看這個客戶路徑：

• 客戶從他們欣賞的有影響力的人那裡看到關於您品牌的正面推文，因此他們會花一個小時左右的時間瀏覽您網站上的內容；
• 在您的網站上，他們點擊您的社交媒體圖標並在多個渠道上關注您，他們還註冊您的時事通訊；
• 在接下來的幾個月裡，客戶滾動瀏覽您品牌在社交媒體上的帖子，很少停下來閱讀；
• 他們也從不打開您的時事通訊；
• 工作中的情況導致客戶快速需要您的解決方案，並且有影響力的人在同一天再次發布有關您品牌的信息；
• 客戶在他們的收件箱中打開您最新的時事通訊，並通過底部的 CTA 訂閱您的平台。

線性歸因模型對社交媒體、您的網站和您的時事通訊給予同等的信任，即使它們滾動瀏覽您的帖子並且不閱讀您的電子郵件。

按照這種邏輯，您很想為每個渠道平均分配營銷支出。 但是，您可能會爭辯說，影響者營銷和您網站上的內容在這裡是最有效的。

何時使用線性歸因模型

大公司或擁有可觀營銷預算的更成熟的公司應該專注於更準確地確定歸因百分比。

如果您沒有預算或數據來分配更準確的百分比，線性模型至少會考慮幾個接觸點，而不是將所有內容放在一條船上。

優先考慮第一個和最後一個接觸點：基於位置的歸因模型

基於位置的歸因模型（有時稱為 U 形歸因）是線性模型、最後互動模型和首次互動模型的混合體。

此模型將大部分功勞分配給第一次和最後一次交互，其餘功勞平均分配給其他所有接觸點。

這個模型似乎最有意義； 第一個和最後一個接觸點顯然非常有影響力。 它認識到買家旅程中的兩個關鍵步驟，同時仍然考慮其他步驟。

何時使用基於位置的歸因模型

如果您的企業在客戶購買之前有多個接觸點（即銷售週期較長的企業），請使用基於位置的歸因模型。

重要性增加：時間衰減歸因模型

時間衰減歸因模型基於所有接觸點都有價值的原則，但最接近轉化的接觸點更有價值。

最後一次互動獲得的功勞最多，在此之前的所有互動都以遞減的方式獲得歸因。

對這種模式最大的批評是它低估了最先將客戶介紹給品牌的頂級渠道營銷工作的價值。

何時使用時間衰減歸因模型

在購買週期較長且建立關係是銷售成功的關鍵因素（尤其是在 B2B 中）的情況下使用時間衰減模型。

超越標準模型以獲得更準確的營銷歸因數據

上面討論的六種傳統歸因模型是一個好的開始，但它們的應用相當有限。

選擇標準歸因模型之一是主觀的，基於營銷人員對客戶何時何地做出購買決定的直覺。 主觀決定可能是不正確的，導致浪費精力和花費。

自定義標準歸因模型可以讓您更接近準確性

可以在開箱即用的 Google Analytics（分析）模型之上構建自定義歸因模型。

例如，您可以調整基於位置的模型中交互的權重，以減少對第一次或最後一次交互的信任。

您可以通過結合使用 Google Analytics 和 R（一種用於統計計算的編程語言）來進一步自定義您的歸因模型。

使用馬爾可夫模型（反映不斷變化的系統的隨機過程模型）來改進歸因跟踪。 在高層次上，馬爾可夫模型著眼於轉化路徑中後續步驟的可能性，並嘗試根據接觸點的移除來計算接觸點的重要性。

數字體驗機構 Bounteous 的 Kaelin Tessier 描述了使用馬爾可夫模型進行歸因建模的好處：

客觀——這裡沒有直覺！ 只有事實。
預測準確性——預測轉化事件。
穩健性——有效且可靠的結果。
可解釋性——透明且相對容易解釋。
多功能性——不依賴於數據集。 能夠適應新的數據。
算法效率——提供及時的結果。

馬爾可夫模型解決了基於啟發式的 GA 模型的最大挑戰：客觀性。 該模型決定了每個接觸點的重要性，而不是營銷人員。

但仍有許多細微差別需要考慮。 例如，如果潛在客戶在 LinkedIn 上關注您的 CEO 並受到他們發布的內容的影響怎麼辦？ 歸因於“暗漏斗”可能很棘手。

要獲得最準確的歸因洞察，請查看數據驅動模型。

通過數據驅動的歸因模型提高精確度

隨著客戶旅程的複雜性增加，歸因模型也必須如此。 將客戶的旅程強制進入整潔的小盒子很少能準確地代表購買決定是如何發生的。

目前，算法或數據驅動的方法可以被認為是營銷歸因的黃金標準。

正如 Slack 的前 CMO Bill Macaitis 在接受采訪時所說：

比爾·麥凱蒂斯：

“如今，算法歸因已成為數據驅動的營銷人員和公司的最佳實踐。

我們現在可以利用所有可用的數據收集、工具和模型來獲取所有不同的接觸點並進行預測性算法歸因。 如果設置正確，我們可以跟踪每個接觸點和所有下游渠道指標。 通過在一個非常大的數據集中按比例加權，我們可以更加準確和精確地確定應該獲得信用的內容——包括在線、離線、基於效果的廣告和品牌廣告。

這並不完美，也不容易。 口耳相傳、黑暗社交和其他“隱藏的接觸”會變得困難。 但是，它可以更深入地了解買家的旅程以及您的哪些營銷努力正在取得回報。”

Google Analytics 360 和 Impact.com 等產品使用機器學習和高級統計計算（如邏輯回歸）來確定應如何為營銷接觸點分配功勞。

在高層次上，數據驅動的歸因分析了轉化客戶和未轉化客戶之間接觸點參與度的差異。 現在考慮到快速轉換和錯失機會的參與模式可以提供更準確、按比例分配的信用歸因。

算法模型是客觀的和自動化的，消除了營銷人員在決定哪個步驟似乎最重要時做出的“直覺”決定。

算法模型非常複雜，並且針對企業。 對於許多企業而言，這將是過大的殺傷力，尤其是考慮到這些產品的成本時（Google Analytics 360 起價為每年 150,000 美元）。

如果算法歸因遙不可及，您最好的方法是使用最適合您的策略的標準模型，自定義它，並在您了解哪些有效，哪些無效時不斷優化。

通過存在性測試隔離弱點

“存在性測試”是通過將某個渠道從混音中刪除一點來推斷某個渠道的有效性。 順便說一句，這就是上面許多數據驅動模型所基於的，但規模很大。

The Drilling Down Project 的創始人 Jim Novo 在 Digital Analytics 播客節目中說得很好：

吉姆·諾沃：

“如果你認為 [display] 在幫助其他活動方面如此有價值，為什麼不干掉它一兩週，看看會發生什麼？ 然後把它加回來。

你不能做那種測試嗎？ 把這筆錢投資到別處對你來說值得嗎？ 你對弄清楚展示的價值有多認真？”

將線下和線上行為聯繫起來

現代購買行為包括一系列客戶活動。 您可能有從事以下任何一項或多項活動的客戶：

• 純粹在線研究和購買；
• 完全離線研究和購買；
• 在線研究和離線購買（也稱為 ROPO 或網絡約會）；
• 在店內測試產品並在線購買（也稱為陳列室）。

標準歸因模型往往只考慮數字營銷和在線行為。 即使在跟踪印刷媒體和直郵等離線渠道時，也是通過專用 URL 完成的。

那麼，營銷人員如何跟踪線下發生的事情？

企業可以通過多種方式來解釋店內活動並將這些點與在線活動聯繫起來。

1. 低功耗藍牙 (BLE) 信標

信標對您的客戶很有用，同時還能反饋有關他們購物習慣的信息。

它通常像“店內 GPS”一樣工作。 當在其設備上安裝了您的應用程序的客戶進入您的商店時，信標會與該應用程序通信，並將該用戶的在線行為與其店內購買聯繫起來。

Target 使用信標來幫助客戶定位他們購物清單上的商品、尋找店內幫助，甚至還有一個基於地理位置的新聞源。

自 2014 年以來，梅西百貨一直在使用信標提供建議、發送實時促銷信息以及跟踪和歸因購買。

雖然這種跟踪在零售店中很受歡迎，但一些顧客可能對此並不滿意。 通過調查購物者來預先激發興趣，然後在推出之前對一小部分人進行測試。

2. 會員卡

會員卡是將數字資料與線下購買者聯繫起來的一種簡單方式，前提是該卡是在線激活的。

一些平台為企業提供集成的忠誠度計劃，例如 Yotpo 和 Stampme。

這些平台連接線上和線下體驗，通常是通過提示用戶在實體結賬時掃描會員卡，這樣用戶就可以在他們購物的任何地方收集積分。

3、線下引導客戶

家具和裝飾品生產商 VOX 使用名為 VOXBOX 的應用程序推動客戶旅程在面對面的諮詢中達到高潮。

VOXBOX 允許客戶設計虛擬家具佈局，然後建議客戶安排在他們的一家實體店進行面對面諮詢。

通過這種方法，VOX 可以跟踪該客戶的所有接觸點，包括線下活動。

結論

歸因建模沒有放之四海而皆準的方法。 最穩健的解決方案使用算法建模來分配歸因信用，但它們的成本很高。

如果算法歸因不在您的操舵室中，您最好的選擇是在您首選的分析套件中的基準產品之上構建定制模型。 隨著您更多地了解客戶如何與營銷接觸點互動，優化您的歸因。

通過我們的營銷歸因課程成為歸因大師。