SwitasΕπικοινωνήστε μαζί μας

Μοντελοποίηση απόδοσης (Attribution Modeling)

Η μοντελοποίηση απόδοσης (attribution modeling) είναι η αναλυτική πρακτική της απόδοσης πίστωσης για μια μετατροπή, όπως μια αγορά, η υποβολή ενός lead ή μια εγγραφή, στα διάφορα σημεία επαφής μάρκετινγκ με τα οποία αλληλεπίδρασε ένας πελάτης πριν ολοκληρώσει την ενέργεια. Επειδή οι σύγχρονοι πελάτες συναντούν συνήθως μια μάρκα μέσα από πολλά κανάλια, για παράδειγμα ένα οργανικό αποτέλεσμα αναζήτησης, μια διαφήμιση επαναπροώθησης (retargeting), μια ανάρτηση στα μέσα κοινωνικής δικτύωσης και μια απευθείας επίσκεψη, προτού μετατραπούν, τα μοντέλα απόδοσης προσφέρουν έναν συστηματικό τρόπο να απαντηθεί ποιο από αυτά τα σημεία επαφής αξίζει πόση πίστωση και, κατ' επέκταση, πού πρέπει να κατανεμηθεί ο προϋπολογισμός μάρκετινγκ. Οι συνηθισμένοι τύποι μοντέλων περιλαμβάνουν την απόδοση τελευταίου κλικ (last-click), που αποδίδει το 100 τοις εκατό της πίστωσης στο τελευταίο σημείο επαφής πριν από τη μετατροπή, την απόδοση πρώτου κλικ (first-click), τη γραμμική απόδοση (linear), που κατανέμει την πίστωση εξίσου σε κάθε σημείο επαφής, τα μοντέλα χρονικής φθοράς (time-decay), που δίνουν μεγαλύτερο βάρος στα σημεία επαφής που βρίσκονται πιο κοντά στη μετατροπή, και την απόδοση βάσει δεδομένων (data-driven), που χρησιμοποιεί στατιστικές μεθόδους ή μεθόδους μηχανικής μάθησης για να αποδώσει πίστωση με βάση τα μοτίβα που παρατηρούνται σε πολλές διαδρομές μετατροπής. Η απόδοση έχει σημασία επειδή η επιλογή του μοντέλου μπορεί να αλλάξει δραματικά τον τρόπο με τον οποίο μια επιχείρηση αντιλαμβάνεται την αποτελεσματικότητα των επιμέρους καναλιών και καμπανιών, κάτι που με τη σειρά του καθοδηγεί αποφάσεις προϋπολογισμού σημαντικής αξίας. Ένα μοντέλο τελευταίου κλικ, που εξακολουθεί να είναι η προεπιλογή σε πολλές βασικές ρυθμίσεις analytics, τείνει να υπερεκτιμά συστηματικά τα κανάλια του κάτω τμήματος του χωνιού, όπως η αναζήτηση με όνομα μάρκας (branded search) και το retargeting, τα οποία συχνά είναι το τελευταίο σημείο επαφής απλώς επειδή εμφανίζονται αργά στη διαδρομή, ενώ υποτιμά τα κανάλια του άνω τμήματος του χωνιού, όπως το μάρκετινγκ περιεχομένου, τα μέσα κοινωνικής δικτύωσης και η διαφήμιση display, που χτίζουν αναγνωρισιμότητα και εξέταση νωρίτερα. Μελέτες των διαδρομών πελατών με πολλαπλά σημεία επαφής έχουν διαπιστώσει ότι μια τυπική διαδρομή αγοράς B2B μπορεί να περιλαμβάνει έξι ή περισσότερες διακριτές αλληλεπιδράσεις σε πολλά κανάλια σε διάστημα εβδομάδων ή μηνών, κάτι που η απόδοση τελευταίου κλικ απλώς δεν μπορεί να αναπαραστήσει. Η εφαρμογή της μοντελοποίησης απόδοσης απαιτεί αξιόπιστη υποδομή καταγραφής, η οποία περιλαμβάνει συνήθως συνδυασμό παραμέτρων UTM, cookies ή αναγνωριστικών πρώτου μέρους (first-party) και μιας πλατφόρμας δεδομένων πελατών (CDP) ή ενός εργαλείου analytics ικανού να συνδέει τα σημεία επαφής μεταξύ συνεδριών και, ιδανικά, μεταξύ συσκευών. Πλατφόρμες όπως το Google Analytics 4 και το HubSpot προσφέρουν εξαρχής αρκετές επιλογές μοντέλων, ενώ πιο εξελιγμένοι οργανισμοί δημιουργούν προσαρμοσμένα μοντέλα βάσει δεδομένων, χρησιμοποιώντας αποθήκες δεδομένων σε συνδυασμό με στατιστικές τεχνικές όπως η μοντελοποίηση αλυσίδων Markov ή οι υπολογισμοί τιμής Shapley, που εκτιμούν τη οριακή συμβολή κάθε σημείου επαφής στη μετατροπή προσομοιώνοντας την επίδραση της αφαίρεσής του από τις παρατηρούμενες διαδρομές. Ένας σημαντικός περιορισμός που συχνά παραβλέπεται είναι ότι κανένα μοντέλο απόδοσης, όσο εξελιγμένο κι αν είναι, δεν μπορεί να αποτυπώσει πλήρως κανάλια που λειτουργούν σε μεγάλο βαθμό εκτός των ιχνηλατήσιμων ψηφιακών σημείων επαφής, όπως η προφορική διάδοση (word-of-mouth), η εκτός διαδικτύου διαφήμιση ή η αναγνωρισιμότητα μάρκας που έχει χτιστεί επί χρόνια, γι' αυτό και η απόδοση πρέπει γενικά να αντιμετωπίζεται ως ενδεικτική απόδειξη και όχι ως πλήρης λογιστική αποτύπωση της αιτιότητας. Η αυξανόμενη εξάρτηση από προστασίες απορρήτου, συμπεριλαμβανομένης της σταδιακής κατάργησης των cookies τρίτων, των περιορισμών που εισήγαγε το App Tracking Transparency του iOS και των περιορισμών καταγραφής σε επίπεδο προγράμματος περιήγησης, έχει επίσης υποβαθμίσει την ακρίβεια της παρακολούθησης μεταξύ συσκευών και μεταξύ συνεδριών, ωθώντας πολλούς οργανισμούς προς τις δοκιμές αυξητικότητας (incrementality testing), όπως τα γεωγραφικά πειράματα με ομάδα ελέγχου (geo-based holdout), ως συμπληρωματική ή εναλλακτική μέθοδο μέτρησης του πραγματικού αντικτύπου των καναλιών. Για μια συμβουλευτική ανάπτυξης (growth) ή CRO, η μοντελοποίηση απόδοσης παρέχει τη βάση στοιχείων για την ιεράρχηση των σημείων όπου θα επενδυθεί σε πειραματισμό και βελτιστοποίηση, αφού ένα κανάλι που φαίνεται να φέρνει μεγάλο όγκο μετατροπών με ένα μοντέλο μπορεί να φαίνεται πολύ λιγότερο πολύτιμο με ένα άλλο. Οι επαγγελματίες συνιστούν συνήθως τη σύγκριση των αποτελεσμάτων σε τουλάχιστον δύο τύπους μοντέλων, για παράδειγμα τελευταίου κλικ και ενός μοντέλου βάσει δεδομένων ή γραμμικού, ώστε να εντοπιστούν τα κανάλια των οποίων η αντιληπτή αξία μεταβάλλεται σημαντικά ανάλογα με τη μεθοδολογία, καθώς αυτά είναι τα κανάλια που είναι πιο πιθανό να διαχειριστούν λανθασμένα μέσα από μια μοναδική, υπερβολικά απλουστευμένη οπτική. Το πρακτικό αποτέλεσμα αυτής της εργασίας είναι συνήθως μια αναθεωρημένη κατανομή προϋπολογισμού και ένας σαφέστερος χάρτης των σημείων του χωνιού που αξίζουν περισσότερο την προσοχή της εστιασμένης βελτιστοποίησης μετατροπών.

Περισσότεροι όροι που ξεκινούν από A

Ας χτίσουμε το επόμενο.

Επικοινωνήστε μαζί μας