Mô hình phân bổ

Mô hình phân bổ là phương pháp phân tích gán công lao cho một chuyển đổi, chẳng hạn như mua hàng, gửi thông tin khách hàng tiềm năng hoặc đăng ký, cho các yếu tố khác nhau. điểm tiếp thị Một điểm tiếp xúc mà khách hàng tương tác trước khi hoàn thành hành động đó. Bởi vì khách hàng hiện đại thường tiếp xúc với một thương hiệu thông qua nhiều kênh khác nhau, ví dụ như kết quả tìm kiếm tự nhiên, quảng cáo nhắm mục tiêu lại, bài đăng trên mạng xã hội và truy cập trực tiếp, trước khi chuyển đổi, các mô hình phân bổ cung cấp một cách có hệ thống để trả lời câu hỏi điểm tiếp xúc nào xứng đáng được ghi nhận bao nhiêu, và từ đó, ngân sách tiếp thị nên được phân bổ ở đâu. Các loại mô hình phổ biến bao gồm phân bổ nhấp chuột cuối cùng, gán 100% tín dụng cho điểm tiếp xúc cuối cùng trước khi chuyển đổi, phân bổ nhấp chuột đầu tiên, phân bổ tuyến tính, phân bổ tín dụng đồng đều cho mọi điểm tiếp xúc, mô hình suy giảm theo thời gian, trọng số các điểm tiếp xúc gần với chuyển đổi cao hơn, và phân bổ dựa trên dữ liệu, sử dụng các phương pháp thống kê hoặc học máy để gán tín dụng dựa trên các mẫu quan sát được trên nhiều đường dẫn chuyển đổi.

Việc phân bổ nguồn lực rất quan trọng vì lựa chọn mô hình có thể thay đổi đáng kể cách doanh nghiệp đánh giá hiệu quả của từng kênh và chiến dịch, từ đó ảnh hưởng đến các quyết định về ngân sách trị giá lớn. Mô hình "lần nhấp cuối cùng" (last-click), vẫn là mặc định trong nhiều thiết lập phân tích cơ bản, thường đánh giá quá cao các kênh ở cuối phễu bán hàng như tìm kiếm thương hiệu và tiếp thị lại, vốn thường là điểm tiếp xúc cuối cùng đơn giản vì chúng diễn ra muộn trong hành trình khách hàng, trong khi đánh giá thấp các kênh ở đầu phễu như tiếp thị nội dung, mạng xã hội và quảng cáo hiển thị, những kênh giúp xây dựng nhận thức và sự cân nhắc của khách hàng sớm hơn. Các nghiên cứu về hành trình khách hàng đa điểm chạm đã chỉ ra rằng một hành trình mua hàng B2B điển hình có thể bao gồm sáu hoặc nhiều tương tác khác nhau trên nhiều kênh trong khoảng thời gian vài tuần hoặc vài tháng, điều mà mô hình phân bổ "lần nhấp cuối cùng" không thể thể hiện được.

Việc triển khai mô hình phân bổ yêu cầu cơ sở hạ tầng theo dõi đáng tin cậy, thường bao gồm sự kết hợp của các tham số UTM, cookie hoặc mã định danh bên thứ nhất, và một nền tảng dữ liệu khách hàng hoặc công cụ phân tích có khả năng kết nối các điểm tiếp xúc trên nhiều phiên và, lý tưởng nhất là, trên nhiều thiết bị. Các nền tảng như Google Analytics 4 và HubSpot cung cấp một số tùy chọn mô hình có sẵn, trong khi các tổ chức tinh vi hơn xây dựng các mô hình dựa trên dữ liệu tùy chỉnh bằng cách sử dụng kho dữ liệu kết hợp với các kỹ thuật thống kê như mô hình chuỗi Markov hoặc tính toán giá trị Shapley, ước tính đóng góp biên của mỗi điểm tiếp xúc vào chuyển đổi bằng cách mô phỏng tác động của việc loại bỏ nó khỏi các đường dẫn được quan sát.

Một hạn chế đáng kể thường bị bỏ qua là không có mô hình phân bổ nào, dù tinh vi đến đâu, có thể nắm bắt đầy đủ các kênh hoạt động phần lớn nằm ngoài các điểm tiếp xúc kỹ thuật số có thể theo dõi được, chẳng hạn như truyền miệng, quảng cáo ngoại tuyến hoặc nhận thức thương hiệu được xây dựng qua nhiều năm. Đó là lý do tại sao việc phân bổ nói chung nên được coi là bằng chứng định hướng hơn là một sự thống kê đầy đủ về nguyên nhân. Việc ngày càng phụ thuộc vào các biện pháp bảo vệ quyền riêng tư, bao gồm việc loại bỏ dần cookie của bên thứ ba, các hạn chế do iOS App Tracking Transparency đưa ra và các giới hạn theo dõi ở cấp độ trình duyệt, cũng đã làm giảm độ chính xác của việc theo dõi trên nhiều thiết bị và nhiều phiên, khiến nhiều tổ chức chuyển sang thử nghiệm gia tăng, chẳng hạn như các thử nghiệm giữ lại dựa trên vị trí địa lý, như một phương pháp bổ sung hoặc thay thế để đo lường tác động thực sự của kênh.

Đối với các công ty tư vấn tăng trưởng hoặc tối ưu hóa tỷ lệ chuyển đổi (CRO), mô hình phân bổ cung cấp cơ sở bằng chứng để ưu tiên đầu tư vào thử nghiệm và tối ưu hóa, vì một kênh có vẻ mang lại khối lượng chuyển đổi mạnh mẽ theo mô hình này có thể lại kém giá trị hơn nhiều theo mô hình khác. Các chuyên gia thường khuyên nên so sánh kết quả giữa ít nhất hai loại mô hình, ví dụ như mô hình nhấp chuột cuối cùng và mô hình dựa trên dữ liệu hoặc mô hình tuyến tính, để xác định các kênh có giá trị cảm nhận thay đổi đáng kể tùy thuộc vào phương pháp luận, vì đó là những kênh dễ bị quản lý sai nhất dưới một cái nhìn đơn giản hóa quá mức. Kết quả thực tiễn của công việc này thường là việc phân bổ ngân sách được điều chỉnh và một bản đồ rõ ràng hơn về những điểm tiếp xúc nào trong phễu chuyển đổi cần được chú trọng tối ưu hóa chuyển đổi.