Atıf Modelleme

İlişkilendirme modellemesi, satın alma, potansiyel müşteri kaydı veya kayıt olma gibi bir dönüşümün sorumluluğunu çeşitli etkenlere atama analitik uygulamasıdır. pazarlama temas noktaları Müşterinin bu eylemi tamamlamadan önce etkileşimde bulunduğu noktalar dikkate alınır. Modern müşteriler genellikle bir markayla birden fazla kanal üzerinden karşılaşırlar; örneğin organik arama sonucu, yeniden hedefleme reklamı, sosyal medya gönderisi ve doğrudan ziyaret gibi. Bu nedenle, ilişkilendirme modelleri, bu temas noktalarından hangisinin ne kadar krediyi hak ettiğini ve dolayısıyla pazarlama bütçesinin nereye tahsis edilmesi gerektiğini sistematik bir şekilde yanıtlamanın bir yolunu sunar. Yaygın model türleri arasında, dönüşümden önceki son temas noktasına kredinin %100'ünü atayan son tıklama ilişkilendirmesi, ilk tıklama ilişkilendirmesi, krediyi her temas noktasına eşit olarak dağıtan doğrusal ilişkilendirme, dönüşüme daha yakın temas noktalarına daha fazla ağırlık veren zamanla azalan modeller ve birçok dönüşüm yolunda gözlemlenen kalıplara göre kredi atamak için istatistiksel veya makine öğrenme yöntemlerini kullanan veri odaklı ilişkilendirme yer alır.

Atıf modelinin seçimi, bir işletmenin bireysel kanalların ve kampanyaların etkinliğini nasıl algıladığını önemli ölçüde değiştirebileceğinden ve bu da önemli miktarlarda bütçe kararlarını etkilediğinden, atıf önemlidir. Birçok temel analitik kurulumunda hala varsayılan olan son tıklama modeli, genellikle yolculuğun son aşamalarında gerçekleştiği için son temas noktası olan markalı arama ve yeniden hedefleme gibi alt huni kanallarını sistematik olarak aşırı değerlendirirken, daha erken aşamada farkındalık ve değerlendirme oluşturan içerik pazarlaması, sosyal medya ve görüntülü reklamcılık gibi üst huni kanallarını hafife alma eğilimindedir. Çoklu temaslı müşteri yolculukları üzerine yapılan çalışmalar, tipik bir B2B satın alma yolunun haftalar veya aylar boyunca birden fazla kanalda altı veya daha fazla farklı etkileşimi içerebileceğini ve son tıklama atıf modelinin bunu temsil edemeyeceğini göstermiştir.

İlişkilendirme modellemesinin uygulanması, genellikle UTM parametreleri, birinci taraf çerezleri veya tanımlayıcıları ve oturumlar boyunca ve ideal olarak cihazlar arasında temas noktalarını bir araya getirebilen bir müşteri veri platformu veya analitik aracı kombinasyonunu içeren güvenilir bir izleme altyapısı gerektirir. Google Analytics 4 ve HubSpot gibi platformlar, kutudan çıktığı gibi çeşitli model seçenekleri sunarken, daha gelişmiş kuruluşlar, Markov zinciri modellemesi veya Shapley değeri hesaplamaları gibi istatistiksel tekniklerle birleştirilmiş veri ambarlarını kullanarak özel veri odaklı modeller oluşturur; bu teknikler, gözlemlenen yollardan çıkarılmasının etkisini simüle ederek her temas noktasının dönüşüme olan marjinal katkısını tahmin eder.

Genellikle göz ardı edilen önemli bir sınırlama, ne kadar gelişmiş olursa olsun hiçbir ilişkilendirme modelinin, ağızdan ağıza iletişim, çevrimdışı reklamcılık veya yıllar içinde oluşturulan marka bilinirliği gibi izlenebilir dijital temas noktalarının büyük ölçüde dışında faaliyet gösteren kanalları tam olarak yakalayamamasıdır; bu nedenle ilişkilendirme, nedenselliğin tam bir açıklaması yerine genellikle yönlendirici bir kanıt olarak ele alınmalıdır. Üçüncü taraf çerezlerinin aşamalı olarak kaldırılması, iOS Uygulama İzleme Şeffaflığı tarafından getirilen kısıtlamalar ve tarayıcı düzeyindeki izleme sınırlamaları da dahil olmak üzere gizlilik korumalarına artan bağımlılık, cihazlar arası ve oturumlar arası izlemenin doğruluğunu da düşürmüş ve birçok kuruluşu, gerçek kanal etkisini ölçmek için tamamlayıcı veya alternatif bir yöntem olarak coğrafi tabanlı test deneyleri gibi artımlılık testlerine yöneltmiştir.

Büyüme veya CRO danışmanlığı için, ilişkilendirme modellemesi, deney ve optimizasyon çalışmalarına nerede yatırım yapılacağına öncelik verilmesi için kanıt temeli sağlar; çünkü bir model altında güçlü dönüşüm hacmi sağlayan bir kanal, başka bir model altında çok daha az değerli görünebilir. Uygulayıcılar genellikle, örneğin son tıklama ve veri odaklı veya doğrusal bir model gibi en az iki model türü arasında sonuçları karşılaştırmayı önerirler; böylece algılanan değeri metodolojiye bağlı olarak önemli ölçüde değişen kanalları belirleyebilirler, çünkü bunlar tek, aşırı basitleştirilmiş bir bakış açısı altında yanlış yönetilme olasılığı en yüksek olan kanallardır. Bu çalışmanın pratik çıktısı genellikle revize edilmiş bir bütçe tahsisi ve hunideki hangi temas noktalarının özel dönüşüm optimizasyonu dikkatini en çok hak ettiğine dair daha net bir haritadır.