Pemodelan Atribusi

Pemodelan atribusi adalah praktik analitis untuk memberikan penghargaan atas suatu konversi, seperti pembelian, pengajuan prospek, atau pendaftaran, kepada berbagai pihak. titik sentuh pemasaran Pelanggan berinteraksi dengan merek tersebut sebelum menyelesaikan tindakan tersebut. Karena pelanggan modern umumnya bertemu dengan suatu merek melalui berbagai saluran, misalnya hasil pencarian organik, iklan penargetan ulang, unggahan media sosial, dan kunjungan langsung, sebelum melakukan konversi, model atribusi menyediakan cara sistematis untuk menjawab titik kontak mana yang pantas mendapatkan berapa banyak kredit, dan selanjutnya, ke mana anggaran pemasaran harus dialokasikan. Jenis model umum meliputi atribusi klik terakhir, yang memberikan 100 persen kredit ke titik kontak terakhir sebelum konversi, atribusi klik pertama, atribusi linier, yang mendistribusikan kredit secara merata di setiap titik kontak, model peluruhan waktu, yang memberikan bobot lebih besar pada titik kontak yang lebih dekat dengan konversi, dan atribusi berbasis data, yang menggunakan metode statistik atau pembelajaran mesin untuk memberikan kredit berdasarkan pola yang diamati di banyak jalur konversi.

Atribusi itu penting karena pilihan model dapat secara dramatis mengubah cara bisnis memandang efektivitas masing-masing saluran dan kampanye, yang pada gilirannya memengaruhi keputusan anggaran yang bernilai besar. Model klik terakhir, yang masih menjadi standar dalam banyak pengaturan analitik dasar, cenderung secara sistematis melebih-lebihkan nilai saluran di bagian bawah corong penjualan seperti pencarian bermerek dan penargetan ulang, yang seringkali merupakan titik kontak terakhir hanya karena terjadi di akhir perjalanan pelanggan, sementara meremehkan nilai saluran di bagian atas corong penjualan seperti pemasaran konten, media sosial, dan iklan bergambar yang membangun kesadaran dan pertimbangan lebih awal. Studi tentang perjalanan pelanggan multi-sentuhan telah menemukan bahwa jalur pembelian B2B yang khas dapat melibatkan enam atau lebih interaksi berbeda di berbagai saluran selama beberapa minggu atau bulan, yang tidak dapat diwakili oleh atribusi klik terakhir.

Menerapkan pemodelan atribusi membutuhkan infrastruktur pelacakan yang andal, yang biasanya melibatkan kombinasi parameter UTM, cookie atau pengidentifikasi pihak pertama, dan platform data pelanggan atau alat analitik yang mampu menghubungkan titik kontak di berbagai sesi dan, idealnya, di berbagai perangkat. Platform seperti Google Analytics 4 dan HubSpot menawarkan beberapa opsi model siap pakai, sementara organisasi yang lebih canggih membangun model berbasis data khusus menggunakan gudang data yang dikombinasikan dengan teknik statistik seperti pemodelan rantai Markov atau perhitungan nilai Shapley, yang memperkirakan kontribusi marginal setiap titik kontak terhadap konversi dengan mensimulasikan efek penghapusannya dari jalur yang diamati.

Keterbatasan signifikan yang sering diabaikan adalah bahwa tidak ada model atribusi, betapapun canggihnya, yang dapat sepenuhnya menangkap saluran yang beroperasi sebagian besar di luar titik kontak digital yang dapat dilacak, seperti pemasaran dari mulut ke mulut, iklan offline, atau kesadaran merek yang dibangun selama bertahun-tahun. Oleh karena itu, atribusi umumnya harus diperlakukan sebagai bukti arah daripada perhitungan kausalitas yang lengkap. Meningkatnya ketergantungan pada perlindungan privasi, termasuk penghapusan cookie pihak ketiga, pembatasan yang diperkenalkan oleh iOS App Tracking Transparency, dan keterbatasan pelacakan tingkat browser, juga telah menurunkan akurasi pelacakan lintas perangkat dan lintas sesi, mendorong banyak organisasi menuju pengujian inkrementalitas, seperti eksperimen pengujian berbasis geografis, sebagai metode pelengkap atau alternatif untuk mengukur dampak saluran yang sebenarnya.

Bagi konsultan pertumbuhan atau CRO, pemodelan atribusi memberikan dasar bukti untuk memprioritaskan di mana harus berinvestasi dalam eksperimen dan pekerjaan optimasi, karena saluran yang tampaknya mendorong volume konversi yang kuat di bawah satu model mungkin terlihat jauh kurang berharga di bawah model lain. Praktisi biasanya merekomendasikan untuk membandingkan hasil di setidaknya dua jenis model, misalnya klik terakhir dan model berbasis data atau linier, untuk mengidentifikasi saluran yang nilai persepsinya berfluktuasi secara signifikan tergantung pada metodologi, karena saluran-saluran itulah yang paling mungkin salah dikelola di bawah pandangan tunggal yang terlalu disederhanakan. Hasil praktis dari pekerjaan ini biasanya berupa alokasi anggaran yang direvisi dan peta yang lebih jelas tentang titik kontak mana dalam saluran penjualan yang paling membutuhkan perhatian khusus untuk optimasi konversi.