SwitasOta yhteyttä

Attribuutiomallinnus

Attribuutiomallinnus on analyyttinen menetelmä, jossa konversion, kuten oston, liidilomakkeen lähetyksen tai rekisteröitymisen, ansio jaetaan niille markkinoinnin kontaktipisteille, joiden kanssa asiakas oli vuorovaikutuksessa ennen toimenpiteen tekemistä. Koska nykyasiakkaat kohtaavat brändin usein useiden kanavien kautta, esimerkiksi orgaanisessa hakutuloksessa, uudelleenmarkkinointimainoksessa, sosiaalisen median julkaisussa ja suorassa käynnissä, ennen konvertoitumista, attribuutiomallit tarjoavat järjestelmällisen tavan vastata siihen, kuinka paljon ansiota kukin kontaktipiste ansaitsee ja sitä kautta mihin markkinointibudjetti tulisi kohdentaa. Yleisiä mallityyppejä ovat last-click-attribuutio, joka antaa 100 prosenttia ansiosta konversiota edeltävälle viimeiselle kontaktipisteelle, first-click-attribuutio, lineaarinen attribuutio, joka jakaa ansion tasan kaikkien kontaktipisteiden kesken, aikapainotteiset mallit, jotka painottavat konversiota lähempänä olevia kontaktipisteitä enemmän, sekä dataohjattu attribuutio, joka käyttää tilastollisia tai koneoppimismenetelmiä ansion jakamiseen useiden konversiopolkujen havaittujen kaavojen perusteella. Attribuutio on tärkeää, koska mallin valinta voi muuttaa dramaattisesti sitä, miten yritys näkee yksittäisten kanavien ja kampanjoiden tehokkuuden, ja tämä ohjaa merkittävien summien budjettipäätöksiä. Last-click-malli, joka on edelleen oletuksena monissa yksinkertaisissa analytiikka-asetuksissa, yliarvioi järjestelmällisesti ostopolun loppupään kanavia, kuten brändihakua ja uudelleenmarkkinointia, jotka ovat usein viimeinen kontaktipiste vain siksi, että ne osuvat polun loppuun, ja aliarvioi ostopolun alkupään kanavia, kuten sisältömarkkinointia, sosiaalista mediaa ja display-mainontaa, jotka rakentavat tunnettuutta ja harkintaa aiemmin. Monikontaktisten asiakaspolkujen tutkimukset ovat osoittaneet, että tyypillinen B2B-ostopolku voi sisältää kuusi tai useampia erillisiä vuorovaikutuksia useissa kanavissa viikkojen tai kuukausien aikana, mitä last-click-attribuutio ei yksinkertaisesti pysty kuvaamaan. Attribuutiomallinnuksen toteuttaminen edellyttää luotettavaa seurantainfrastruktuuria, joka koostuu tyypillisesti UTM-parametreista, ensimmäisen osapuolen evästeistä tai tunnisteista sekä asiakasdata-alustasta tai analytiikkatyökalusta, joka pystyy yhdistämään kontaktipisteet istuntojen ja mahdollisuuksien mukaan laitteidenkin yli. Alustat kuten Google Analytics 4 ja HubSpot tarjoavat useita malleja valmiina, kun taas kehittyneemmät organisaatiot rakentavat mukautettuja dataohjattuja malleja tietovarastojen ja tilastollisten menetelmien, kuten Markovin ketjujen tai Shapley-arvojen, avulla. Nämä menetelmät arvioivat kunkin kontaktipisteen marginaalisen vaikutuksen konversioon simuloimalla sen poistamista havaituilta poluilta. Usein huomiotta jäävä merkittävä rajoite on, ettei mikään attribuutiomalli, olipa se kuinka kehittynyt tahansa, pysty täysin kuvaamaan kanavia, jotka toimivat pitkälti seurattavien digitaalisten kontaktipisteiden ulkopuolella, kuten suosittelua, offline-mainontaa tai vuosien aikana rakennettua brändin tunnettuutta. Siksi attribuutiota tulisi yleensä pitää suuntaa antavana näyttönä eikä täydellisenä kausaalisuuden kirjanpitona. Yksityisyyden suojan lisääntyvä painotus, mukaan lukien kolmannen osapuolen evästeiden alasajo, iOS:n App Tracking Transparency -rajoitukset ja selaintason seurantarajoitukset, on myös heikentänyt laitteiden ja istuntojen välisen seurannan tarkkuutta. Tämä on ohjannut monia organisaatioita inkrementaalisuustestaukseen, kuten alueellisiin holdout-kokeisiin, joko täydentäväksi tai vaihtoehtoiseksi tavaksi mitata kanavan todellista vaikutusta. Kasvu- tai CRO-konsultoinnissa attribuutiomallinnus tarjoaa näyttöpohjan sille, mihin kokeilu- ja optimointityötä kannattaa kohdentaa, sillä kanava, joka vaikuttaa tuottavan paljon konversioita yhden mallin mukaan, voi näyttää paljon vähemmän arvokkaalta toisen mallin mukaan. Asiantuntijat suosittelevat yleensä vertaamaan tuloksia vähintään kahden mallityypin välillä, esimerkiksi last-click-mallin ja dataohjatun tai lineaarisen mallin, jotta tunnistetaan kanavat, joiden koettu arvo vaihtelee merkittävästi menetelmästä riippuen. Juuri nämä kanavat ovat suurimmassa vaarassa tulla huonosti johdetuiksi yhden, liian yksinkertaistetun näkymän varassa. Työn käytännön tulos on yleensä uudistettu budjettijako ja selkeämpi kartta siitä, mitkä konversiopolun kontaktipisteet ansaitsevat eniten kohdennettua konversio-optimointia.

Lisää kirjaimella A alkavia termejä

Rakennetaan seuraava.

Ota yhteyttä