当前位置:首页 > 内容营销 > 正文

如何进行转化归因建模

如何进行转化归因建模

客户通常不会看到一个广告然后点击购买。 实际上,路径要复杂得多,通常包括各种营销...

客户通常不会看到一个广告然后点击购买。

实际上,路径要复杂得多,通常包括各种营销渠道——有机和付费搜索、推荐、社交媒体、电视。

但是,如果您是一位严谨且以数据为导向的营销人员,那么您必须思考这个问题:对于这种转化,我可以为每个渠道分配多少功劳?

这是几乎普遍(且具有挑战性)的归因问题所回答的问题。

什么是归因?

根据维基百科的说法,营销归因是“识别以某种方式促成预期结果的一组用户行为(“事件”或“接触点”),然后为这些事件中的每一个分配价值的过程。

换句话说,这是一种补救旧广告语的方式: “我花在广告上的钱有一半被浪费了; 问题是我不知道是哪一半。”

图片来源

分析通常会通知您客户行为; 归因可让您了解营销组合的有效性。 正如 Google 的一篇博客文章所说, “将归因视为分析果冻的花生酱。 是的,每个人都很棒,但对许多人来说,他们在一起会更好。”

有很多方法可以做到这一点,很多方法会给你略有不同的答案,并以不同的准确度反映你自己组织的目标和复杂性。

随着营销渠道的不断增加,归因问题并没有变得更容易。 事实上,随着设备的增多和渠道的增加,包括多种形式的暗流量,越来越难以准确地确定接触点的价值。

让我们谈谈你的目标

如果您之前听说过归因,请暂时忘记您所知道的一切(模型类型、准确性等)。 相反,只需一分钟,想想你的目标。 你的归因模型的输出意味着什么? 你将如何处理这些信息?

例如,如果根据特定模型,您的展示广告似乎没有增加多少转化价值,您会停止使用展示广告吗? 或者您是否相信,鉴于您在市场上的地位(假设是一个正在努力提高知名度的新竞争对手),它们会给您某种程度的模型没有准确表达的无形意识?

至少开始与您的团队对话。 回答这个问题:鉴于此数据中出现的 [X] 场景,我将采取什么不同的做法?

此外,您的目标将决定您​​的归因模型实际上有多复杂。

如果您的营销组合仅限于几个渠道并且您没有在付费获取上花费太多,那么您可能只需要基本的分析设置和最终点击归因就足够了(假设您实际上准确地衡量了所有内容)。 如果您与大量营销渠道、媒体平台和线下渠道合作,事情会变得更加复杂。

一些常见归因模型的快速浏览

这些都是“业务逻辑”模型,或者基于您根据您认为的信用分配自上而下设置的业务规则。 以真实世界的精度校准它们仍然是一个挑战。 您如何知道给定的模型实际上代表了营销渠道的真实价值? 这很难。

有许多不同的业务逻辑模型。 它们都有一些优点和一些缺点,因此您只需根据公司的能力和需求来权衡它们,即可选择合适的模型。

1. 最终点击归因

图片来源

最终点击归因可能是您的分析工具内置的归因模型中最常见和最受抨击的。

从上图可以看出,最终点击归因是一个非常简单且本质上不准确的模型。 它权衡了绝对最后一次交互的所有功劳。 因此,如果最后一次互动是直接流量,它会忽略您在社交、电子邮件等方面所做的任何努力。

正如 Avinash Kaushik 所说, “现在最后点击归因的唯一用途是让你被解雇。 躲开它。”

2. 上次非直接点击归因模型。

图片来源

与此模型相同的处理方式——它将所有功劳归功于最后一次点击之前的交互。

优点:很简单。 缺点:它往往不能很好地反映营销的现实。

它也几乎总是低估品牌知名度,因为它会经常避免直接信用。 正如 Avinash 所说, “为什么低估 Direct 的价值? 为什么要低估营销人员创造品牌认知度和品牌价值的努力?”

3. 最终广告​​点击归因

图片来源

此模型将所有功劳归于您的广告系列。 应该很容易看出这个模型的固有问题/利益冲突。

4. 首次点击归因

图片来源

首次点击与最终点击归因相反; 与基于意图或基于行动的交互相比,它更重视品牌知名度交互。

当然,它带来了这些狭隘模型通常固有的所有问题。 除非您的企业有一种非常简单的营销方法,否则只有一个接触点获得所有功劳就感觉不对了。 正如 Avinash 所写, “首次点击归因类似于将我嫁给我的妻子的功劳归于我的第一个女朋友 100%。”

5. 线性归因

图片来源

最后,这是一种在多个渠道之间分配信用的模型。 线性归因模型只是为每个接触点提供相同数量的功劳。

当然,这是一个高度理想化的模型。 您真的认为电子邮件与付费、自然、社交等具有完全相同的重要性吗?

6. 时间衰减归因

图片来源

时间衰减更有意义,至少对我而言。 越接近转化,您在功劳方面给予渠道的权重就越大。

正如 Avinash 所写, “毕竟,如果 [早期] 接触点很出色,为什么他们没有转化?”

7. 基于位置的归因

图片来源

这种模型有时被称为“浴缸模型”,它为首先发生和最后发生的交互分配更大的权重。

虽然您可以根据自己的数据中的信念和假设进行调整,但最常见的迭代将第一次和最后一次互动之间的转化价值分成 80%,然后为两者之间的所有内容分配 20%。

自定义归因建模

上述模型是基线归因模型——在谷歌分析中发现的简单的基于启发式和开箱即用的模型。 他们都给了你答案,但这些模型的准确性受到质疑。

您还可以在 Google Analytics 中基于规则的开箱即用模型之上构建自定义模型,或者您可以使用诸如 R 之类的东西来构建更复杂的模型。

尝试前者时,您通常会遇到上述所有模型中固有的相同问题:它们基于直觉,并且基本上是对购买路径如何运作的任意假设。

例如,在免费的 Google Analytics 中,我可以进入并转移渠道信用,更改时间衰减和回溯窗口,并创建自定义信用规则,但这仍然全部基于业务规则假设,因此可能会出现差异非平稳数据(随时间变化的数据)。

有关构建您自己的归因模型的非常好的文章,请查看 OptimizeSmart 的指南。

我还看到了一些关于在 Google Analytics 和 R 中使用马尔可夫模型进行归因的有趣文章。正如 LunaMetrics 所说,当您对我上面列出的简单业务启发式模型不满意时,可以使用该模型,但您不满意'无法访问数据驱动的归因模型(在下面讨论)。

为了在这个用例中真正简化马尔可夫模型,它查看给定转换路径中下一步的可能性,然后尝试根据给定接触点的移除来计算给定接触点的相对重要性:

图片来源

LunaMetrics 概述了使用马尔可夫模型进行归因具有以下好处(在此之前,在本文中):

  • 客观性——没有直觉。
  • 预测准确性 – 预测转化事件。
  • 稳健性 – 有效且可靠的结果。
  • 可解释性——透明且相对容易解释。
  • 多功能性 – 不依赖于数据集。 能够适应新数据。
  • 算法效率——提供及时的结果。

这是一个很好的帖子,解释了如何做到这一点。 这是另一个。 如果您有一位优秀的分析师,请让他们试一试。

图片来源

不要忘记查看您的群组

有时,基于时间的队列是发现变化或渠道有效性的关键(或至少暗示它 - 将队列分析与受控实验相结合以获得更高的有效性)。

具体来说,查看群组可以帮助您确定某种营销行动的有效性,至少是相关的。 The Drilling Down Project 的创始人 Jim Novo 在 Digital Analytics 播客节目中说得很好:

吉姆·诺沃:

“我认为从事群组分析的 SaaS 人员在这方面做得很好。

所以你看看一月份注册的人,当我们到三月份时,这个百分比下降了。 我们可以将其与我们在那个时间范围内所做的某种促销活动联系起来。

但随后我们看看 3 月份开始的队列,我们​​正在进行不同类型的促销活动,并且在这种模式下,我们从免费增值到付费或其他类型的转换要好得多。”

与此相关的是一种“存在性测试”,您可以通过将某个渠道从混合中排除一点来推断其有效性(顺便说一下,这是我相信下面的数据驱动模型所基于的) ,但规模)。 再次来自 Digital Analytics Power Hour 播客的 Jim Novo:

吉姆·诺沃:

“如果你认为 [display] 在帮助其他活动方面如此有价值,为什么不干掉它一周或两周,看看会发生什么? 然后再添加回来。

你不能做那种测试吗? 把这笔钱投资到别处对你来说值得吗? 你对弄清楚展示的价值有多认真?”

...或者如果您有现金,请购买数据驱动的解决方案

所以技术在过去几年有所改进。 我们能够使用更大的数据集,以更高的准确度产生更清晰的见解。 因此,提供算法(或“数据驱动”)模型的归因解决方案正变得越来越流行。 正如 Slack 前首席营销官 Bill Macaitis 在接受采访时所说:

比尔·马凯蒂斯:

“今天,算法归因已成为数据驱动的营销人员和公司的最佳实践。

我们现在可以利用所有可用的数据收集、工具和模型来获取所有不同的接触点并进行预测性的算法归因。 正确设置后,我们可以跟踪每个接触点和所有下游渠道指标。 通过在一个非常大的数据集上按比例加权,我们可以更加准确和准确地确定应该获得哪些功劳——包括在线、离线、基于效果的广告和品牌广告。

这并不完美,也不容易。 口耳相传、黑暗社交和其他“隐藏接触”会变得困难。 但是,它有助于更​​深入地了解买家的旅程以及您的哪些营销努力正在取得成效。”

Google Analytics 360 提供在线和离线领域的算法归因,这意味着您可以在一定程度上准确地衡量电视广告系列的有效性。

图片来源

当然,除了 Google 提供的产品之外,还有其他产品(Convertro 是一种,Impact Radius 是另一种)。 有一个完整的产品或套件生态系统试图解决这个问题,当然,销售宣传也很有吸引力。

在一个层面上——而不是简单地改变这一点——解决方案确实令人印象深刻,并提供了大量的价值。 虽然我不能告诉你大盒子里面发生了什么,但我相信这是大规模实验的水平,产品一直在运行那些“去除实验”。 这为您提供了在基于规则的归因中遥不可及的准确度和粒度级别。

但另一方面,买家对这些产品既持怀疑态度又感到敬畏,因为他们不知道黑匣子内部发生了什么。 正如 SAS 的一篇文章所说, “数字营销是一个压倒性的生态系统,谁有时间讨论分析模型诊断、错误分类率、ROC 图、提升曲线和那个愚蠢的混淆矩阵……”

无论如何,在这些模型出现之前,您需要在营销上花费大量资金,并制作更多销售产品和服务。

首先处理您的组织、目标和更简单/可操作的模型……

归因是一项组织挑战

您的组织越复杂、规模越大,归因问题就越困难——从管理的角度来看,通常也是技术角度。 但即使在衡量、归因和优化指标的初始阶段,归因仍然不是一个容易理解的概念。

让公司加入并保持一致是在该领域(以及任何其他领域)取得成功的第一步。

正如 ClassPass 的首席营销官 Joanna Lord 所写:

乔安娜勋爵:

“归因不仅仅是模型或漏斗映射的最新方法。 归因是指能够为每个营销接触点分配正确的价值或功劳。 它没有比那更大。 让我们不要在这个问题上与纸老虎搏斗。

做好这件事的真正障碍在于这样一种假设,即 CMO 可以单独或在孤岛中做得很好。 它需要开发资源、财务建模协作和产品领导支持。 这需要全公司熟悉我们可用的所有接触点以及如何/何时使用它们。 这就是我所说的“亲近客户的体验”。

如果我的产品团队建立了一个新的现场获取和入职流程,而很少考虑这可能会如何影响我现有的归因跟踪,并且我们的 LTV 突然像哇哇一样下降,那么它可能会被忽视一年......除非我们一起做这件事。

归因不是营销问题,而是公司问题。”

这一点是对我在文章开头提出的一点的补充。 您需要定义您的目标——如果出现 [X] 数据,您会怎么做?

你需要让公司加入。

最后,你和你的老板需要能够相信你的模型反馈给你的数字……

你真的能相信你的数字吗?

从本质上讲,归因的目的不是帮助营销主管感觉良好,而是为决策提供信息。 所以最重要的是你可以相信你得到的数字。

例如,如果您得到的结果显示社交广告效果不佳,您会举起双手说:“我不相信!” 或者你会采取行动吗?

对归因的不信任往往落在以下两个方面之一:

  • 一方面,人们不相信最终点击归因,因为它很容易理解并且被广泛认为是不好的。
  • 另一方面,人们不相信使用复杂算法的昂贵“黑盒”解决方案,因为他们不知道里面到底发生了什么。

顺便说一下,在这两个二分法之间有一个完整的灰色区域,营销和分析团队应该在其中改进测量,定义归因模型,并开始在可以做出组织级决策的级别上信任他们的数字。

但它始于对话——与您的团队、老板、任何利益相关者。 为了达成可操作的模型,您可以就什么达成一致,您可以根据该模型做出决策?

结论

营销归因很难。

这篇文章探讨了许多模型,从 GA 中默认的基础知识到马尔可夫模型以及高级 Google Analytics 和归因 360 使用的相关黑盒/稳健模型。

虽然这可能令人生畏,尤其是在面临不得不在 R 中使用复杂的统计模型来构建准确模型的前景时,请记住这一点:归因使用过去的信息来帮助您做出未来的优化决策。

对于某些企业而言,真正确定最终点击归因可能有助于为未来的决策提供信息。 对于拥有大量媒体支出的大型多渠道品牌,他们可能需要一个复杂的数据驱动模型。

这一切都与您的目标、能力、资源和可实现的投资回报率有关。 将其用作分析/优化库中的另一个工具。

注意:我们在 CXL 学院开设了一门课程,由 Google 的项目经理 – 归因项目经理 Kelly Gray 教授。 它更深入地探讨了本文中提出的主题。 如果您想了解更多信息,请给我们发送消息,以及整个研究所。

,

最新文章