SwitasKapcsolat

Attribúciós modellezés

Az attribúciós modellezés az az elemzési gyakorlat, amelynek során a konverzióért – például vásárlásért, érdeklődői űrlap beküldéséért vagy feliratkozásért – járó érdemet szétosztják azon különféle marketing érintkezési pontok között, amelyekkel az ügyfél a művelet elvégzése előtt kapcsolatba került. Mivel a modern ügyfelek a konvertálás előtt gyakran több csatornán keresztül találkoznak egy márkával – például egy organikus keresési találaton, egy remarketinghirdetésen, egy közösségimédia-bejegyzésen és egy közvetlen látogatáson át –, az attribúciós modellek rendszerezett módot adnak annak megválaszolására, hogy ezen érintkezési pontok közül melyik mekkora elismerést érdemel, és ebből következően hová érdemes a marketingköltségvetést allokálni. A gyakori modelltípusok közé tartozik az utolsó kattintásos attribúció (last-click), amely az érdem 100 százalékát a konverzió előtti utolsó érintkezési pontnak tulajdonítja, az első kattintásos attribúció (first-click), a lineáris attribúció, amely az érdemet egyenlően osztja szét minden érintkezési pont között, az időbeli lecsengésen alapuló (time-decay) modellek, amelyek a konverzióhoz közelebbi érintkezési pontokat nagyobb súllyal veszik figyelembe, valamint az adatvezérelt attribúció, amely statisztikai vagy gépi tanulási módszerekkel, számos konverziós útvonal megfigyelt mintázatai alapján osztja el az érdemet. Az attribúció azért fontos, mert a modell megválasztása drasztikusan megváltoztathatja, hogyan érzékeli egy vállalkozás az egyes csatornák és kampányok hatékonyságát, ami viszont jelentős összegű költségvetési döntéseket mozgat. Az utolsó kattintásos modell, amely sok egyszerű analitikai beállításban még mindig az alapértelmezés, hajlamos szisztematikusan túlértékelni a tölcsér alján lévő csatornákat – például a márkanévre indított keresést és a remarketinget –, amelyek gyakran csak azért az utolsó érintkezési pontok, mert az út késői szakaszában jelennek meg, miközben alulértékeli a tölcsér felső részén lévő csatornákat, például a tartalommarketinget, a közösségi médiát és a display hirdetéseket, amelyek korábban építik az ismertséget és a megfontolást. A többérintéses ügyfélutak vizsgálatai azt találták, hogy egy tipikus B2B vásárlási útvonal hat vagy több különálló interakciót is magában foglalhat több csatornán, hetek vagy hónapok leforgása alatt, amit az utolsó kattintásos attribúció egyszerűen nem tud ábrázolni. Az attribúciós modellezés megvalósítása megbízható nyomon követési infrastruktúrát igényel, amely jellemzően UTM-paraméterek, első féltől származó (first-party) sütik vagy azonosítók, valamint egy olyan ügyféladat-platform vagy analitikai eszköz kombinációját jelenti, amely képes összekapcsolni az érintkezési pontokat a munkamenetek között, és ideális esetben az eszközök között is. Az olyan platformok, mint a Google Analytics 4 és a HubSpot, számos modellt kínálnak készen, míg a kifinomultabb szervezetek saját, adatvezérelt modelleket építenek adattárházak és statisztikai technikák – például Markov-lánc modellezés vagy Shapley-érték számítás – kombinálásával, amelyek az egyes érintkezési pontok konverzióhoz való marginális hozzájárulását úgy becslik meg, hogy szimulálják a megfigyelt útvonalakról való eltávolításuk hatását. Gyakran figyelmen kívül hagyott jelentős korlát, hogy semmilyen attribúciós modell – bármilyen kifinomult is – nem képes teljesen megragadni azokat a csatornákat, amelyek nagyrészt a követhető digitális érintkezési pontokon kívül működnek, például a szájhagyományt, az offline reklámot vagy az évek alatt felépített márkaismertséget, ezért az attribúciót általában irányjelző bizonyítéknak, nem pedig az ok-okozati összefüggések teljes elszámolásának kell tekinteni. Az adatvédelmi védelmekre való egyre nagyobb támaszkodás – ideértve a harmadik féltől származó sütik kivezetését, az iOS App Tracking Transparency által bevezetett korlátozásokat és a böngészők szintjén bevezetett követési korlátozásokat – szintén rontotta az eszközök közötti és a munkamenetek közötti követés pontosságát, így sok szervezet az inkrementalitás-teszteléshez – például földrajzi alapú kontrollcsoportos kísérletekhez – fordul kiegészítő vagy alternatív módszerként a csatornák valódi hatásának mérésére. Egy növekedési vagy CRO tanácsadó cég számára az attribúciós modellezés adja a bizonyítékalapot annak eldöntéséhez, hová érdemes befektetni a kísérletezési és optimalizálási munkát, hiszen egy csatorna, amely egy modell szerint erős konverziós volument hoz, egy másik szerint jóval kevésbé tűnhet értékesnek. A szakemberek jellemzően azt javasolják, hogy az eredményeket legalább két modelltípus – például az utolsó kattintásos és egy adatvezérelt vagy lineáris modell – között hasonlítsák össze, hogy azonosítsák azokat a csatornákat, amelyek észlelt értéke a módszertantól függően jelentősen ingadozik, mivel ezeket a csatornákat kezelik a legnagyobb valószínűséggel rosszul egyetlen, túlegyszerűsített szemléletmód alapján. E munka gyakorlati eredménye általában egy felülvizsgált költségvetés-elosztás és egy világosabb térkép arról, hogy a tölcsér mely érintkezési pontjai érdemelnek leginkább dedikált konverzióoptimalizálási figyelmet.

További A betűvel kezdődő kifejezések

Építsük meg a következőt.

Kapcsolat