Egy ügyfél útja öt érintkezési pontból áll. Meglát egy hirdetést. Elolvas egy blogbejegyzést. Kap egy e-mailt. Megnéz egy videót. Konvertál. Melyik érintkezési pont kapja a jóváírást a konverzióért? A hirdetés, amely felkeltette az érdeklődését? Az e-mail, amely lezárta az üzletet? A videó, amely meggyőzte? A válasz az attribúciós modelledtől függ. A különböző modellek más-más érintkezési pontoknak adnak jóváírást. Az utolsó érintés modell az egész jóváírást az e-mailnek adja. Az első érintés a hirdetésnek. A lineáris mind az ötnek egyenlően. Az adatvezérelt a tényleges konverziós minták alapján osztja szét. Mindegyik modell más történetet mesél arról, mely csatornák működnek. Mindegyik más üzleti döntésekhez vezethet. Ha a rossz csatornát vágod ki, pénzt pazarolsz. Ha a rossz csatornába fektetsz, költségvetést pazarolsz. Az attribúciós modellek határozzák meg, hogyan érted meg, mely csatornák hoznak valóban konverziót. Ez a cikk bemutatja az attribúciós modelleket, és azt, hogyan változtatja meg a döntéseidet mindegyik.
Mi az az attribúció?
Az attribúció az a folyamat, amelynek során a konverzió jóváírását hozzárendeled a hozzá vezető érintkezési pontokhoz. A látogató nem az első látogatásakor konvertál. Többször, több csatornán keresztül találkozik a márkáddal. Meglát egy hirdetést. Ellátogat az oldaladra. Elmegy. Kap egy e-mailt. Rákattint a linkre. Konvertál. Az attribúció arra a kérdésre válaszol: ezek közül az interakciók közül melyik érdemli a jóváírást a konverzióért? A válasz határozza meg, hogyan osztod el a költségvetést, és mely csatornákat tartod működőnek.
Miért fontos az attribúció
Attribúció nélkül nem hozhatsz jó döntéseket a marketingköltésről. Azt hiheted, hogy egy csatorna alulteljesít, miközben valójában olyan konverziókat hoz, amelyeket nem látsz. Azt hiheted, hogy egy csatorna túlteljesít, pedig csak olyan jóváírást kap, amelyet nem érdemel. A téves attribúció jó csatornák kivágásához és rosszak megerősítéséhez vezet. A helyes attribúció lehetővé teszi, hogy oda fektess, ahol a konverziók ténylegesen megszületnek.
Utolsó érintés attribúció
Az utolsó érintés attribúció az egész jóváírást a konverzió előtti utolsó érintkezési pontnak adja. Az ügyfél meglát egy hirdetést, elolvas egy blogbejegyzést, kap egy e-mailt, megnéz egy videót, aztán konvertál. Az utolsó érintés száz százalék jóváírást ad a videónak. A hirdetés, a blog és az e-mail nulla jóváírást kap. Az utolsó érintés egyszerű, és könnyű bevezetni. A legtöbb analitikai eszköz alapból ezt használja. De félrevezető. Figyelmen kívül hagy mindent, ami a konverzióhoz vezetett. A hirdetés tudatosságot keltett. A blog megfontolást épített. Az e-mail kiváltotta a döntést. A videó lezárta. De csak a videó kap jóváírást.
Első érintés attribúció
Az első érintés attribúció az egész jóváírást az első érintkezési pontnak adja. A fenti példában a hirdetés kapja a száz százalék jóváírást. A blog, az e-mail és a videó nullát. Az első érintés hasznos annak megértéséhez, mely csatornák hoznak új ügyfeleket. De lemarad arról a munkáról, amely az első érintés után történik. A legtöbb konverzió több érintést igényel. Az első érintés az elsőn kívül mindet figyelmen kívül hagyja.
Lineáris attribúció
A lineáris attribúció minden érintkezési pontnak egyenlő jóváírást ad. A fenti példában mindegyik érintkezési pont húsz százalékot kap. A hirdetés, a blog, az e-mail és a videó egyformán járult hozzá. A lineáris kiegyensúlyozottabb, mint az utolsó vagy az első érintés. De azt feltételezi, hogy minden érintkezési pont egyformán fontos, ami ritkán igaz. Az az e-mail, amely vásárlást váltott ki, nem kaphat ugyanannyi jóváírást, mint egy blogbejegyzés, amelyet valaki egy héttel korábban átfutott.
Időbeli lecsengés attribúció
Az időbeli lecsengés attribúció több jóváírást ad a konverzióhoz közelebbi érintkezési pontoknak. Az első érintkezési pont kapja a legkevesebbet. Az utolsó a legtöbbet. A fenti példában a videó kapja a legtöbb jóváírást. Az e-mail kevesebbet. A blog még kevesebbet. A hirdetés a legkevesebbet. Ez ösztönösen értelmes. A döntéshez közelebbi érintkezési pontoknak többet kell számítaniuk. De még így sem veszi figyelembe az egyes érintkezési pontok tényleges befolyását.
Pozíció alapú attribúció
A pozíció alapú attribúció extra jóváírást ad az első és az utolsó érintkezési pontnak. A hirdetés negyven százalékot kap. A videó negyven százalékot. A blog és az e-mail tíz-tíz százalékot. Ez elismeri, hogy a tudatosság és a döntés is fontos. De alulértékeli a középső megfontolási és kutatási szakaszokat.
Adatvezérelt attribúció
Az adatvezérelt attribúció gépi tanulással rendel jóváírást a tényleges konverziós minták alapján. Ahelyett, hogy azt feltételezné, hogy minden első érintés egyformán számít, vagy hogy minden utolsó érintés megérdemli az egész jóváírást, az adatvezérelt attribúció több ezer konverziós utat vizsgál. Mintákat talál. Felfedezi, mely érintkezési pont-kombinációk vezetnek ténylegesen konverzióhoz. Ennek megfelelően osztja ki a jóváírást. Az adatvezérelt attribúció a legpontosabb. De nagy mennyiséget igényel. A modell jó működéséhez több ezer konverzió kell.
Az attribúciós modell kiválasztása
A megfelelő modell az üzletedtől függ. Az olcsó termékeket áruló cég használhat utolsó érintést, mert a vásárlások gyorsan megtörténnek. A drága termékeket áruló cég használhat adatvezérelt vagy pozíció alapú modellt, mert az út hosszú. A márkaismertségre összpontosító cég használhat első érintést. A lényeg, hogy válassz egy modellt, és tartsd magad hozzá, így az idő múlásával következetes döntéseket hozhatsz.
Gyakori kérdések
Használhatok különböző attribúciós modelleket a különböző csatornákhoz?
Technikailag igen, de zavart kelt. Egy egységes modellre van szükséged a csatornák tisztességes összehasonlításához. Ha a fizetett hirdetéseknél utolsó érintést, az organikus keresésnél első érintést használsz, nem azonos alapon hasonlítasz. Válassz egy modellt, és alkalmazd következetesen minden csatornára. Így látod, mely csatornák hoznak valóban konverziót. A WEMASY weboldalépítőjével ezt közvetlenül a weboldaladon állíthatod be.
Mi van, ha a különböző attribúciós modellek más-más nyertes csatornát mutatnak?
Ez előfordul. Az utolsó érintés az e-mailt mutathatja nyertesnek. Az első érintés a keresést. Ez azt mutatja, hogy a különböző csatornák más-más szerepet játszanak. A keresés tudatosságot épít. Az e-mail döntéseket hoz. Mindkettő értékes. A különböző szerepeik megértése segít abban, hogy megfelelően fektess be mindegyikbe.
A Google Analytics alapból utolsó érintés attribúciót használ?
Igen. A Google Analytics a konverzióknál alapértelmezetten az utolsó érintés attribúciót használja. Ezért gondolja sok vállalkozás, hogy az e-mailes vagy a közvetlen forgalom a legjobb csatornája. Ha más attribúciós modelleket szeretnél látni, egyéni jelentéseket kell készítened, vagy a Google Analytics attribúciós modellező eszközeit kell használnod.
Hány konverzió kell ahhoz, hogy az adatvezérelt attribúció működjön?
Általában havonta legalább ezer konverzió kell ahhoz, hogy az adatvezérelt attribúció megbízható legyen. Kevesebb konverziónál a minták túl zajosak. Ha nincs elég mennyiséged, használj inkább pozíció alapú vagy lineáris attribúciót. Az adatvezérelt attribúció erős, de nagy mennyiséget igényel.
Váltsak attribúciós modellt, ha rossz eredményt mutat egy általam kedvelt csatornánál?
Nem. Ne változtass modellt azért, hogy jobb eredményt kapj egy általad kedvelt csatornánál. A modellt az alapján válaszd, ami az üzletednek értelmes, aztán fogadd el az eredményeket. Ha az eredmények szerint egy csatorna alulteljesít, vizsgáld meg, miért, ahelyett, hogy modellt váltanál. A modell valódi problémát tárhat fel.
Segíthetnek az attribúciós modellek megérteni, mely érintkezési pontokba érdemes fektetni?
Igen. Az attribúció megmutatja, mely érintkezési pontok szerepelnek a konverziós utakban. Ha egy érintkezési pont soha nem szerepel konverzió előtt, valószínűleg nem érdemes beleölni. Ha a legtöbb konverziós útban szerepel, valószínűleg megérdemli a befektetést. Az attribúcióval érted meg, milyen szerepet játszik az egyes érintkezési pont az ügyfélútban.