Egy ügyfél hétfőn meglátja a hirdetésedet. Nem kattint. Szerdán megkapja az e-mailedet. Rákattint. Megérkezik az oldaladra, elolvassa az árazási oldalt, és pénteken konvertál. Melyik érintkezési pont kapja az elismerést az eladásért? A hirdetés, az e-mail vagy az árazási oldal? Az attribúciós modellezéssel válaszolhatsz erre a kérdésre.
A legtöbb cég rosszul tippel. Az utolsó érintkezési pontnak tulajdonítja a sikert (utolsó kattintás attribúció), és mindent mást figyelmen kívül hagy. De a valódi út hosszabb és összetettebb. Ez a cikk bemutatja az attribúciós modelleket, miért számítanak, miben különböznek, és melyiket használd a vállalkozásodnál.
Az attribúciós modellezés az ügyfélút minden marketing-érintkezési pontjához elismerés rendelésének folyamata. Az ügyfél általában többször találkozik a márkáddal, mielőtt konvertál. Az attribúció arra felel: melyik interakció érdemli az eladás elismerését?
A különböző attribúciós modellek különböző választ adnak. A választott modell határozza meg, hová fekteted a marketingköltségvetésedet. Ha rosszat választasz, megvágod azt a csatornát, amely elindította az utat, miközben túlköltesz arra, amelyik lezárta az eladást.
Az attribúciós probléma
Egy ügyfél konvertál az oldaladon. Az attribúció azt kérdezi: melyik érintkezési pont érdemli az elismerést? A válasz meghatározza, hová fekteted a marketingköltségvetést.
Ha utolsó kattintás attribúciót használsz, az utolsó érintkezési pont (az utolsó megtekintett oldal, az utolsó kapott e-mail) kapja az összes elismerést. A hetekkel korábban látott hirdetés semmit. Ezért megvágod a hirdetési költést, és megduplázod az e-mailre fordítottat. De a hirdetés volt az, ami megismertette őket a márkáddal. A hirdetés nélkül sosem kapták volna meg az e-mailt.
Ez az attribúciós probléma. Rossz érintkezési pontnak tulajdonítod az eredményt, és rosszul rangsorolod a költségvetésedet.
Utolsó kattintás attribúció: a könnyű rossz válasz
Az utolsó kattintás attribúció a konverzió előtti utolsó érintkezési pontot ismeri el. Ez a legegyszerűbb modell és a legnépszerűbb. Általában téves is.
Példa: Az ügyfél meglátja a hirdetésedet, figyelmen kívül hagyja. Egy hét múlva megkapja az e-mailedet, rákattint, vásárol. Az utolsó kattintás az e-mailnek tulajdonítja az eladást. A hirdetés nulla elismerést kap. Költségvetési elemzés: az e-mail eladást hozott, a hirdetések nem. A valóság: a hirdetés megismertette őket, az e-mail konvertálta őket. Mindkettő számít.
Az utolsó kattintás azért népszerű, mert egyszerű. Könnyű bevezetni. Könnyű jelenteni. De elfedi a valódi vásárlói utat.
Első kattintás attribúció: az ellenkező rossz válasz
Az első kattintás attribúció az első érintkezési pontot ismeri el. Megfordítja a problémát.
Példa: Ugyanaz az ügyfél, ugyanaz az út. Az első kattintás a hirdetésnek tulajdonítja az eladást. Az e-mail nulla elismerést kap. Költségvetési elemzés: a hirdetések hozzák az eladást, az e-mail nem. A valóság: megint csak mindkettő számít.
Az első kattintás eltúlozza a tölcsér tetején lévő marketinget (hirdetések, közösségi média, keresés), és alulbecsüli a tölcsér alján lévőt (e-mail, retargeting, céloldalak).
Lineáris attribúció: egyenletesen szétosztott elismerés
A lineáris attribúció egyenlően osztja szét az elismerést az összes érintkezési pont között. Ha az ügyfélnek öt érintkezési pontja volt, mindegyik az eladás elismerésének 20 százalékát kapja.
Ez igazságosabb, mint az utolsó vagy az első kattintás, de azt feltételezi, hogy minden érintkezési pont egyformán fontos. Néha nem azok. Az a hirdetés, amely megismertette az ügyfelet, nem ugyanaz, mint az az e-mail, amely konvertálta.
Időbeli lecsengésű attribúció: a közelebbi események több elismerést kapnak
Az időbeli lecsengés több elismerést ad a konverzióhoz közelebbi érintkezési pontoknak. Az utolsó érintkezési pont kapja a legtöbbet. Az első a legkevesebbet.
Példa: Hirdetés (10 százalék elismerés), céloldal-megtekintés (15 százalék), e-mail (25 százalék), fizetési oldal (50 százalék). A konverzióhoz közvetlenül vezető utolsó lépések több elismerést kapnak.
Ez jobban tükrözi a valóságot: az utolsó érintkezési pontok végezték a nehéz munkát. De még mindig alulértékeli az utat elindító, tölcsér tetején lévő marketinget.
Adatvezérelt attribúció: az adatok döntenek
A legpontosabb modell gépi tanulást használ. Az adatvezérelt attribúció ügyfélutak ezreit nézi, és azt kérdezi: az összes konvertáló ügyfélnél mely érintkezési pontok jelennek meg az útjukon? Mely érintkezési pontok jelennek meg a nem konvertáló utakon?
Ha egy érintkezési pont a konvertáló utak 90 százalékában megjelenik, a nem konvertálóknak csak a 10 százalékában, magas attribúciós elismerést kap. Ha mindkettőben egyformán megjelenik, kevesebbet.
Ez a modell a legpontosabb, de sok adatot és kifinomult eszközöket igényel.
Miért számít az attribúció a költségvetési döntéseknél
Havonta 10 000 dollárt költhetsz hirdetésre, e-mailre és tartalomra. Hogyan osztod el?
Az utolsó kattintással talán 9000 dollárt költenél e-mailre (mert az e-mail konvertál utolsóként), és 1000 dollárt hirdetésre (mert a hirdetések ritkán kapnak elismerést). A költségvetésed félrecsúszott.
Adatvezérelt attribúcióval rájössz: a hirdetések ismertséget hoznak (40 százalék elismerés), a tartalom érdeklődést épít (35 százalék elismerés), az e-mail konvertál (25 százalék elismerés). Átcsoportosítasz 4000 dollárt hirdetésre, 3500 dollárt tartalomra, 2500 dollárt e-mailre. Most a költségvetésed a valódi vásárlói utat tükrözi.
Gyakori attribúciós hibák
Azt feltételezni, hogy egy modell a helyes: Egyetlen modell sem tökéletes. Mindegyik más célt szolgál. Az utolsó kattintás megmondja, mi konvertálta az embereket. Az első kattintás, mi ismertette meg őket. Az adatvezérelt a súlyozott igazságot.
Nem számolni az offline érintkezésekkel: Az ügyfél meglátja a hirdetésedet, megjegyzi a márkádat, és hetekkel később rákeres. Az utolsó kattintás a keresésnek tulajdonítja. De a hirdetés volt a katalizátor. Az attribúciós eszközök elmulasztják az offline érintkezési pontokat.
Egy csatorna igazságtalan hibáztatása: Ha az e-mailnek a legmagasabb a konverziós aránya, de a legalacsonyabb a tulajdonított elismerése, megvághatod. De az e-mail végzi a záró konverziós munkát. Ha megvágod, az egész tölcséred összeomlik.
A kannibalizáció figyelmen kívül hagyása: Az e-mail kampányok néha olyan embereket konvertálnak, akik úgyis konvertáltak volna (hirdetésen vagy kereséssel). Az attribúció nem választja szét az igazi többletértéket a kannibalizációtól.
Hogyan válassz attribúciós modellt
Kezdd az utolsó kattintással az egyszerűség kedvéért. Lépj lineárisra, ha minden érintkezést el akarsz ismerni. Válts időbeli lecsengésre vagy adatvezéreltre, ha megvannak hozzá az adataid és eszközeid.
Teszteld a modellt a valóság ellen. Ha az adatvezérelt attribúció szerint az e-mail hozza a legtöbb értéket, de az e-mail elköteleződésed rettenetes, valami nincs rendben. Igazíts.
A legtöbb érett cég több modellt használ: utolsó kattintást a kampányjelentésekhez, adatvezéreltet a költségvetés elosztásához, első kattintást a tölcsér tetejére fordított befektetések védelméhez.
Gyakran ismételt kérdések
Van attribúciós modellezés a Google Analyticsben?
A Google Analytics alapverziója alapértelmezés szerint utolsó kattintást használ. A fizetős verzió (GA360) más modelleket is kínál. A fejlett adatvezérelt attribúcióhoz külön attribúciós eszköz kell, például a Google Ads, a Facebook Ads vagy harmadik felek attribúciós platformjai. A WEMASY weboldalépítőjével ezt közvetlenül a weboldaladon beállíthatod.
Használhatom az attribúciót a marketingköltségvetésem csökkentésére?
Átcsoportosításra használd, ne vágásra. Az attribúció megmutathatja, hogy az e-mail több értéket hoz, mint a hirdetés, így költségvetést csoportosítasz át a hirdetésről az e-mailre. De ne vágj meg teljes csatornákat azért, mert egy attribúciós modell alulértékeli őket. Teszteld és mérd a hatást.
Mi van, ha a különböző csatornák más attribúciós modellt használnak?
Ez normális. Az e-mail platformod használhat utolsó kattintást. A hirdetési platformod adatvezéreltet. Az analitikai eszközöd lineárist. Normalizálj úgy, hogy a belső döntésekhez egy modellt használsz az összes csatornán, még ha a szolgáltatók másokat is használnak.
Hogyan kezeljem az offline történő konverziókat?
Kövesd őket kézzel. Ha egy ügyfél telefonál, kérdezd meg, honnan hallott rólad. Ha kitölt egy űrlapot, adj hozzá egy rejtett mezőt arról, hogyan talált meg. Ezekkel az adatokkal igazítsd az attribúciós modelledet az offline érintkezésekhez.
Mi az inkrementalitás-tesztelés, és miben különbözik az attribúciótól?
Az attribúció a meglévő konverziókat próbálja csatornáknak tulajdonítani. Az inkrementalitás-tesztelés véletlenszerűen kihagy ügyfeleket, és méri, csökkennek-e a konverziók egy csatorna nélkül. Az inkrementalitás pontosabb, de több munkát és pénzt igényel.
Mindig a legbonyolultabb attribúciós modellt használjam?
Nem. Az adatvezérelt attribúció a legpontosabb, de sok adatot, jó követést és kifinomult eszközöket igényel. Az utolsó kattintás téves, de egyszerű. Kezdd egyszerűen, és fejlődj, ahogy nősz.