Modelowanie atrybucji

Modelowanie atrybucji to analityczna praktyka przypisywania zasług za konwersję, taką jak zakup, przesłanie leadu lub rejestracja, różnym punkty styku marketingowego klient wszedł w interakcję przed wykonaniem tej czynności. Ponieważ współcześni klienci często spotykają się z marką za pośrednictwem wielu kanałów, na przykład organicznych wyników wyszukiwania, reklamy retargetingowej, posta w mediach społecznościowych i bezpośredniej wizyty, przed konwersją, modele atrybucji zapewniają systematyczny sposób odpowiedzi na pytanie, który z tych punktów styku zasługuje na ile uznania, a co za tym idzie, gdzie należy alokować budżet marketingowy. Typowe typy modeli obejmują atrybucję ostatniego kliknięcia, która przypisuje 100% uznania ostatniemu punktowi styku przed konwersją, atrybucję pierwszego kliknięcia, atrybucję liniową, która równomiernie rozdziela uznanie na każdy punkt styku, modele rozkładu czasowego, które bardziej ważą punkty styku bliższe konwersji, oraz atrybucję opartą na danych, która wykorzystuje metody statystyczne lub uczenia maszynowego do przypisywania uznania na podstawie zaobserwowanych wzorców na wielu ścieżkach konwersji.

Atrybucja ma znaczenie, ponieważ wybór modelu może radykalnie zmienić sposób, w jaki firma postrzega skuteczność poszczególnych kanałów i kampanii, co z kolei wpływa na decyzje budżetowe o znacznych kwotach. Model ostatniego kliknięcia, nadal domyślny w wielu podstawowych konfiguracjach analitycznych, ma tendencję do systematycznego przeceniania kanałów dolnego lejka lejka, takich jak wyszukiwanie marki i retargeting, które często stanowią ostateczny punkt styku, po prostu dlatego, że występują na późnym etapie ścieżki, a jednocześnie niedoceniania kanałów górnego lejka, takich jak content marketing, media społecznościowe i reklama displayowa, które wcześniej budują świadomość i rozważanie zakupu. Badania wielopunktowych ścieżek klientów wykazały, że typowa ścieżka zakupowa B2B może obejmować sześć lub więcej odrębnych interakcji w wielu kanałach w ciągu tygodni lub miesięcy, czego atrybucja ostatniego kliknięcia po prostu nie jest w stanie odzwierciedlić.

Wdrożenie modelowania atrybucji wymaga niezawodnej infrastruktury śledzącej, zazwyczaj obejmującej kombinację parametrów UTM, własnych plików cookie lub identyfikatorów oraz platformy danych o klientach lub narzędzia analitycznego, które umożliwia łączenie punktów styku w ramach sesji, a najlepiej na różnych urządzeniach. Platformy takie jak Google Analytics 4 i HubSpot oferują kilka gotowych modeli, podczas gdy bardziej zaawansowane organizacje budują niestandardowe modele oparte na danych, wykorzystując magazyny danych w połączeniu z technikami statystycznymi, takimi jak modelowanie łańcuchów Markowa lub obliczenia wartości Shapleya, które szacują marginalny wkład każdego punktu styku w konwersję poprzez symulację efektu usunięcia go z obserwowanych ścieżek.

Istotnym ograniczeniem, które często jest pomijane, jest to, że żaden model atrybucji, nawet najbardziej zaawansowany, nie jest w stanie w pełni uchwycić kanałów działających w dużej mierze poza śledzonymi cyfrowymi punktami styku, takimi jak marketing szeptany, reklama offline czy świadomość marki budowana latami. Dlatego atrybucję należy zasadniczo traktować jako dowód kierunkowy, a nie jako pełne rozliczenie związku przyczynowo-skutkowego. Coraz większe poleganie na zabezpieczeniach prywatności, w tym wycofywanie plików cookie stron trzecich, ograniczenia wprowadzone przez iOS App Tracking Transparency oraz ograniczenia śledzenia na poziomie przeglądarki, również obniżyło dokładność śledzenia między urządzeniami i sesjami, co skłoniło wiele organizacji do stosowania testów przyrostowych, takich jak eksperymenty z wykorzystaniem geolokalizacji, jako uzupełniającej lub alternatywnej metody pomiaru rzeczywistego wpływu kanału.

W przypadku doradztwa w zakresie rozwoju lub współczynnika konwersji (CRO), modelowanie atrybucji dostarcza dowodów pozwalających określić priorytety inwestycji w prace eksperymentalne i optymalizacyjne, ponieważ kanał, który w jednym modelu wydaje się generować dużą liczbę konwersji, może wydawać się znacznie mniej wartościowy w innym. Praktycy zazwyczaj zalecają porównanie wyników co najmniej dwóch typów modeli, na przykład ostatniego kliknięcia i modelu opartego na danych lub modelu liniowego, aby zidentyfikować kanały, których postrzegana wartość znacząco zmienia się w zależności od metodologii, ponieważ są to kanały najbardziej narażone na niewłaściwe zarządzanie w ramach jednego, nadmiernie uproszczonego podejścia. Praktycznym rezultatem tych prac jest zazwyczaj poprawiona alokacja budżetu i bardziej przejrzysta mapa punktów styku w leju sprzedażowym, które najbardziej wymagają skupienia się na optymalizacji konwersji.