營銷人員數據驅動營銷歸因指南

營銷歸因是衡量潛在客戶的營銷活動和渠道價值的一種方式。

通過使用歸因模型的結果，您可以了解哪些接觸點對成功的買家旅程影響最大，並就如何優化對未來營銷資源的投資做出更明智的決策。

但我們都知道，買家的旅程很少是直截了當的，成功之路可能漫長而曲折。

由於要考慮的接觸點如此之多，很難區分真正的高影響和低影響交互，這可能導致信用劃分不准確和營銷績效的虛假陳述。

這就是為您的企業選擇最佳歸因模型如此重要的原因。

在這篇文章中，我們將討論不同歸因模型的一些背景知識，並最終討論如何構建自定義的、數據驅動的歸因模型來衡量全球營銷活動的效果。

傳統營銷歸因模型的局限性

所有歸因模型都有其優點和缺點，但傳統模型的一個共同缺點是它們是基於規則的。 用戶必須預先決定他們希望如何在接觸點之間分配銷售事件的功勞。

傳統模型包括：

幸運的是，有更複雜的數據驅動方法能夠通過建模接觸點與買家以及彼此之間的實際互動來捕捉買家旅程的複雜性，以影響預期的銷售結果。

我們還從合作博弈論評估了 Shapley 模型。 這種流行的（諾貝爾獎獲得者）模型提供了比傳統方法更深入的渠道性能洞察力，但它無法擴展以處理當今數字世界中大量的接觸點。

Shapley 模型在相對較少的渠道上表現良好，但大多數公司需要對所有活動進行歸因，這相當於買家旅程中的數百個接觸點。

評估馬爾可夫歸因模型

馬爾可夫的概率模型將買家旅程表示為一個圖，圖中的節點是接觸點或“狀態”，圖的連接邊是這些狀態之間觀察到的轉換。

例如，買家觀看產品網絡研討會（第一個狀態），然後瀏覽到 LinkedIn（轉換），在那裡他們點擊同一產品的廣告展示（第二個狀態）。

該模型的關鍵要素是轉移概率（在狀態之間移動的可能性）。

買家在兩個狀態之間轉換的次數被轉換為概率，完整的圖可以用來衡量每個狀態的重要性和最可能的成功路徑。

例如，在一個買家旅程數據樣本中，我們觀察到網絡研討會接觸點出現了 8 次，而買家觀看網絡研討會後點擊領英廣告的次數僅為 3 次，因此兩種狀態之間的轉換概率為 3 / 8 = 0.375 (37.5%)。

為完成圖形的每個轉換計算概率。

在我們開始計算廣告系列歸因之前，馬爾可夫圖可以告訴我們一些關於買家旅程的有用信息。

從上面的示例中可以看到，成功概率最高的路徑是“開始 > 網絡研討會 > 營銷活動 Z > 成功”，總概率為 42.5% (1.0 * 0.425 * 1.0)。

馬爾可夫圖也可以告訴我們整體的成功率； 也就是說，考慮到所有買家旅程的歷史，成功買家旅程的可能性。 成功率是整體營銷績效的基準，也是衡量任何變化有效性的指標。

上面的示例馬爾可夫圖的成功率為 67.5%：

廣告系列歸因

馬爾可夫圖可用於通過計算所謂的移除效應來衡量每個活動的重要性。

活動的有效性是通過將其從圖表中刪除並模擬購買者旅程來衡量成功率的變化而確定的。

使用去除效應進行營銷歸因是最後一塊拼圖。 要計算每個廣告系列的歸因值，我們可以使用以下公式：

例如，假設在本財年的第一季度，所有成功的買家旅程的總美元價值為 100 萬美元。

相同的買家旅程用於構建馬爾可夫模型，它計算出我們的廣告活動的移除效應為 0.7（即，當廣告活動從馬爾可夫圖中移除時，買家旅程成功率下降了 70%）。

我們知道在輸入數據中觀察到的每個活動的移除效果值，在本例中假設它們的總和為 2.8。 通過將數字代入公式，我們計算出的廣告活動的歸因價值為 25 萬美元。

開始使用您自己的模型

上面的營銷歸因應用程序是由 Cloudera 的營銷和數據卓越中心開發的，但您今天就可以開始使用自己的模型。

通過利用數據驅動的歸因模型，您可以消除與傳統歸因機制相關的偏差，並了解各種消息如何影響潛在客戶以及地理和收入類型的差異。

一旦您在歸因背後擁有可靠且可靠的數據，您就可以自信地使用結果來告知和推動營銷組合策略和投資決策。 而且，當您與銷售團隊合作推動營銷策略向前發展時，您可以依靠這些數字。

James Kinley 是 Cloudera 的首席數據科學家。 他從英國國防工業加入他們，專攻網絡安全。