Az attribúció az a folyamat, amely során a konverziók érdemét a csatornáknak tulajdonítjuk. Az utolsó kattintás attribúció a konverzió előtti utolsó csatornának adja az érdemet. Az első kattintás attribúció az elsőnek. A valóság azonban összetettebb: több csatorna is hozzájárult a döntéshez. A csatornák közötti attribúciós modellek célja, hogy az érdemet igazságosan osszák el az összes közreműködő csatorna között. Ez a fejezet a különböző attribúciós modelleket és azt mutatja be, mikor melyiket érdemes használni.
Az attribúciós modellek magyarázata
Utolsó kattintás attribúció
A konverzió előtti utolsó érintkezés csatornája kapja a 100%-os érdemet. Példa: organikus keresés → e-mail → fizetett hirdetés → konverzió = a fizetett hirdetés kapja a 100%-ot.
Előny: egyszerű, könnyen bevezethető, a tölcsér alján lévő csatornáknak kedvez. Hátrány: figyelmen kívül hagyja a támogató szerepeket, alulértékeli az ismertségi csatornákat.
Első kattintás attribúció
Az első érintkezés csatornája kapja a 100%-os érdemet. Példa: organikus keresés → e-mail → fizetett hirdetés → konverzió = az organikus keresés kapja a 100%-ot.
Előny: az ismertségi csatornáknak kedvez, könnyen bevezethető. Hátrány: figyelmen kívül hagyja az ápoló és a konvertáló szerepeket, túlértékeli a korai érintkezéseket.
Lineáris attribúció
Az érdem egyenlően oszlik meg az összes érintkezés között. Példa: organikus keresés → e-mail → fizetett hirdetés → konverzió = mindegyik 33%-ot kap.
Előny: igazságos az összes csatornával, számol a több érintkezéssel. Hátrány: nem veszi figyelembe, mely érintkezések számítanak a legtöbbet.
Idő szerint csökkenő attribúció
A friss érintkezések több érdemet kapnak, mint a régiek. Példa: organikus keresés (30 napja) 20%-ot kap, e-mail (10 napja) 30%-ot, fizetett hirdetés (1 napja) 50%-ot. Összesen = 100%.
Előny: életszerű (a friss interakciók általában a legnagyobb hatásúak), egyensúlyt tart az ismertség és a konverzió között. Hátrány: bonyolultabb bevezetni.
Egyedi vagy algoritmikus attribúció
Az érdem elosztása a korábbi adatok elemzésén alapul. A gépi tanulás megmutatja, mely érintkezések jelzik legjobban előre a konverziót. Példa: az adatok szerint ha az e-mail benne van a sorban, 15%-kal magasabb a konverziós arány. Az e-mail extra érdemet kap.
Előny: a legpontosabb, figyelembe veszi a kölcsönhatásokat. Hátrány: adat és műszaki felkészültség kell hozzá.
Az attribúciós modell kiválasztása
Kezdő szakasz (épp most indulsz): használj utolsó kattintás modellt. Egyszerű, azonnal bevezethető. Alulértékeli az ismertséget, de jó kiindulópont.
Növekvő cég: használj idő szerint csökkenő modellt. Pontosabb, mint az utolsó kattintás, számol a több érintkezéssel, és viszonylag egyszerű.
Érett cég: használj egyedi vagy algoritmikus modellt. Elég adatod és szakmai tudásod van a fejlett modellek bevezetéséhez.
Bevált gyakorlat: kövess egyszerre több modellt. A vezetőségnek az utolsó kattintást jelentsd (egyszerűség), a stratégiához az idő szerint csökkenőt (egyensúly), az ismertségi mutatókhoz az első kattintást. Így teljes képet kapsz.
Az attribúciós modellek bevezetése
1. lépés: válaszd ki a modellt. Kezdj az idő szerint csökkenővel, hacsak nincs okod másra.
2. lépés: határozd meg az attribúciós ablakot. Hány nappal a konverzió előtti érintkezéseket követed? 7, 14, 30, 90? Alapnak használj 30-at.
3. lépés: állítsd be az analitikai platformon. A legtöbb platform több attribúciós modellt is támogat. A Google Analytics és a legtöbb termékanalitikai platform natívan tudja ezt.
4. lépés: hasonlítsd össze a modelleket. Futtasd le az összes modellt az adataidon. Hasonlítsd össze az eredményeket. Hol térnek el? Változtat ez a stratégiádon? Ha a különböző modellek más csatornaprioritást sugallnak, áss mélyebbre, hogy megértsd, miért.
Kihívások a csatornák közötti attribúcióban
Csatornák közötti kannibalizáció: ha ugyanarra a kulcsszóra organikus és fizetett keresést is futtatsz, melyik csatorna kapja az érdemet? Mindkettő magáénak vallhatja a konverziót. Megoldás: állíts fel egyértelmű szabályokat (első kattintás = organikus, utolsó kattintás = fizetett), és alkalmazd következetesen.
Hiányzó adatok: az offline interakciókat (telefonhívások, személyes találkozók) az analitika nem követi. Megoldás: ha lehet, importáld az offline konverziós adatokat az analitikába. Fogadd el, hogy egyes konverzióknál hiányzik az attribúciós adat.
Adatvédelmi és követési korlátok: az iOS adatvédelmi változásai, a reklámblokkolók és az adatvédelmi eszközök csökkentik a követés lehetőségét. Egyes felhasználói utak részben láthatatlanok. Megoldás: ahol lehet, használj saját gyűjtésű adatot. A jelentéseidben jelezd a követés korlátait.
Melyik attribúciós modellt használjam a vállalkozásomhoz?
Az idő szerint csökkenő a legjobb alapérték a legtöbb vállalkozásnak. Ha rövid az értékesítési ciklusod (1-2 nap), használj utolsó kattintást. Ha hosszú (30+ nap), használj első kattintást vagy lineárist. Teszteld a három legjobb modellt 1 hónapig, és nézd meg, változnak-e az ajánlások. Ha nem, maradj a legegyszerűbbnél (utolsó kattintás). Ha igen, válaszd azt, amelyik a legéletszerűbb a vállalkozásodnak.
Hogyan magyarázzam el az attribúciós modelleket nem műszaki érdekelteknek?
Használj példát: „Hárman segítettek lezárni egy 10 000 $-os üzletet: A személy bemutatott minket (ismertség), B személy válaszolt a kérdésekre (mérlegelés), C személy aláírta a szerződést (döntés). Az utolsó kattintás az egész 10 000 $-t C-nek adja (igazságtalan). Az első kattintás az egészet A-nak adja (B-t és C-t figyelmen kívül hagyja). Az idő szerint csökkenő 20%-ot ad A-nak, 30%-ot B-nek, 50%-ot C-nek (életszerű).” Ezzel a példával megmagyarázhatod, miért igazságosabb az idő szerint csökkenő modell.
Használjak különböző attribúciós modelleket a különböző csatornákhoz?
Nem, maradj egy modellnél az összes csatornán, hogy összehasonlíthatók legyenek. A csatornánként eltérő modellek következetlenséget okoznak. Használj egy modellt következetesen, és azon belül elemezz: az organikus keresés szerepe az e-mail szerepéhez képest, és így tovább. Ha különböző célokra más modellre van szükséged, futtasd őket külön (jelentéshez és stratégiához), ne keverd őket.
Hogyan frissítsem az attribúciós modellt, ha változik az értékesítési ciklusom?
Elemezd újra az adataidat: mennyi az átlagos értékesítési ciklus hossza? Ha 15 napról 45 napra változott, a 30 napos attribúciós ablak levághatja a fontos érintkezéseket. Állítsd 45-60 napra. Futtasd újra az elemzést, és nézd meg, változik-e a csatornák prioritása. Frissítsd a modellt, és jegyezd fel a változást.
Használhatom az attribúciós adatokat annak előrejelzésére, mely kampányok lesznek sikeresek?
Részben. A korábbi attribúció megmutatja, mely csatornakombinációk működnek. Ha a sikeres ügyfelek organikus → e-mail → fizetett úton érkeztek, az ezt a mintát követő új kampányok valószínűleg sikeresek lesznek. Kezeld ezt hipotézisként: fektess bele ezekbe a sorrendekbe. De minden kampány más, ezért tesztelj és mérj, ne csak a múltbeli mintákra hagyatkozz.
Hogyan kezeljem az offline konverziókat az attribúciós modellemben?
Importáld az offline adatokat az analitikába: telefonhívások, személyes találkozók, aláírt szerződések. Párosítsd őket az ügyfélazonosító (e-mail-cím, telefonszám vagy név) alapján a webes munkamenetekkel. Az online érintkezések megjelennek az attribúcióban, az offline konverziók pedig az eredmény. Így teljesebb képet kapsz. Megjegyzés: az offline attribúció nehezebb, ezért előbb a legnagyobb offline üzletekre koncentrálj.