Krótka definicja: Mówiąc prościej, atrybucja marketingowa to analityczna nauka określająca, które taktyki marketingowe przyczyniają się do sprzedaży lub konwersji.
Długa definicja: atrybucja marketingowa to praktyka oceny marketingowych punktów kontaktowych, które konsument napotyka na swojej drodze do zakupu. Celem atrybucji jest określenie, które kanały i komunikaty miały największy wpływ na decyzję o konwersji lub zrobieniu pożądanego kolejnego kroku. Obecnie marketerzy używają kilku popularnych modeli atrybucji, takich jak atrybucja multi-touch, badania wzrostu, rozkład czasu i inne. Wgląd dostarczany przez te modele w to, jak, gdzie i kiedy konsument wchodzi w interakcję z przekazem marki, pozwala zespołom marketingowym zmieniać i dostosowywać kampanie w celu spełnienia konkretnych pragnień poszczególnych konsumentów, poprawiając w ten sposób marketingowy zwrot z inwestycji.
Atrybucja konwersji w marketingu jest procesem, który pozwala marketerom zidentyfikować źródła ruchu i działania, które doprowadziły do wykonania określonej akcji. Atrybucja konwersji może być używana do identyfikacji skutecznych strategii marketingowych i optymalizacji budżetu reklamowego. Może to pomóc firmie w lepszym zrozumieniu, jak ludzie odpowiadają na ich reklamy i promocje.
Atrybucja konwersji może być stosowana w celu określenia skuteczności różnych narzędzi marketingowych, takich jak e-mailing, SEO, PPC itp. Polega ona na przyporządkowaniu wartości poszczególnym źródłom ruchu i dostarcza informacji o tym, co naprawdę przyciąga uwagę potencjalnych klientów. Dzięki temu firmy mogą lepiej zrozumieć swoje dane dotyczące sprzedaży i lepiej planować swoje dalsze działania marketingowe.
Co to jest model atrybucji?
Marketingowe modele atrybucji przypisują wartość kampaniom marketingowym poprzez analizę statystyczną na poziomie użytkownika. Kontrastuje to z modelami takimi jak modelowanie marketingu mix, które wykorzystują dane zagregowane. To skoncentrowane na osobie podejście sprawia, że modele atrybucji są częściej stosowane w kampaniach cyfrowych niż w kampaniach offline, takich jak reklamy drukowane. Każdy model atrybucji opiera się na różnych technikach analitycznych, które zostaną omówione później.
Najskuteczniejsze modele atrybucji zapewnią wgląd w:
- Na jakie wiadomości konsument był narażony i na jakim kanale
- Który punkt styku miał największy wpływ na ich decyzję o zakupie
- Rola postrzegania marki w decyzji o konwersji
- Rola sekwencjonowania wiadomości
- Które wiadomości uzyskują najlepsze wyniki od każdego konsumenta
- Wpływ czynników zewnętrznych (np. jak ceny benzyny wpływają na sprzedaż samochodów)
Model atrybucji pojedynczego styku (single touch)
Atrybucja pierwszego kontaktu: atrybucja pierwszego kontaktu zakłada, że konsument zdecydował się na konwersję po pierwszej napotkanej reklamie. Dlatego daje pełną atrybucję temu pierwszemu punktowi styku, niezależnie od dodatkowych komunikatów widzianych później.
I odwrotnie, atrybucja ostatniego kontaktu w pełni przypisuje atrybucję ostatniemu punktowi kontaktu, z którym konsument wszedł w interakcję przed dokonaniem zakupu, bez uwzględniania wcześniejszych zobowiązań.
Żadna z tych metod nie uwzględnia szerszej ścieżki klienta, ponieważ tacy marketerzy powinni unikać polegania wyłącznie na tych metodach.
Model atrybucji wielokrotnego styku (multi-touch touch)
Modele atrybucji wielodotykowej analizują wszystkie punkty styku, z którymi kontaktuje się konsument przed zakupem. W rezultacie są one uważane za dokładniejsze modele. W zależności od używanego modelu wielodotyku mogą one inaczej przypisywać wartość do kanałów. Na przykład niektórzy przypisują wartość na podstawie tego, kiedy konsument wszedł w interakcję z punktem kontaktu w odniesieniu do konwersji, podczas gdy inni jednakowo ważą wszystkie punkty kontaktu.
Modele te różnią się w dużej mierze sposobem podziału kredytu między punkty styku na ścieżce zakupu.
Liniowy: atrybucja liniowa rejestruje każdy punkt styku, w który konsument zaangażował się, prowadząc do zakupu. Każdą z tych interakcji waży jednakowo, przypisując każdej wiadomości taki sam udział w generowaniu konwersji.
W kształcie litery U: w przeciwieństwie do atrybucji liniowej model atrybucji w kształcie litery U ocenia zaangażowanie oddzielnie, zauważając, że niektóre z nich mają większy wpływ na ścieżkę zakupu niż inne. Konkretnie, zarówno pierwsze dotknięcie, jak i dotknięcie konwersji leada przypisuje się po 40% odpowiedzialności za leada. Pozostałe 20 procent jest dzielone między punkty styku zaangażowane między pierwszym a kontaktem prowadzącym do konwersji.
Rozkład czasu: model rozkładu czasu waży również każdy punkt styku na ścieżce do zakupu inaczej. Ten model nadaje punktom styku zaangażowanym bliżej konwersji większą wagę niż punktom zaangażowanym wcześnie, zakładając, że miały one większy wpływ na sprzedaż.
W kształcie litery W: ten model wykorzystuje tę samą ideę, co model w kształcie litery U, ale zawiera jeszcze jeden podstawowy punkt styku – etap możliwości. Tak więc w przypadku modelu w kształcie litery W punkty styku, którym przypisuje się pierwszy kontakt, konwersję leadów i tworzenie możliwości, otrzymują po 30 procent zasług. Pozostałe 10 procent jest dzielone między dodatkowe zlecenia.
Jakie są modele atrybucji Google Ads i Google Analytics?
Modele atrybucji Google Ads i Google Analytics są narzędziami, które pomagają marketerom w zrozumieniu, jak użytkownicy interagują z ich reklamami i witrynami internetowymi. Modele atrybucji pozwalają marketerom określić, które działania marketingowe przyczyniają się do sukcesu lub niepowodzenia ich kampanii. Modele atrybucji Google Ads i Google Analytics oferują różne sposoby oceny skuteczności reklamy online.
Google Ads oferuje trzy modele atrybucji: model śledzenia pierwszej interakcji, model śledzenia ostatniej interakcji oraz model średniego czasu do konwersji. Model śledzenia pierwszej interakcji przyznaje punkty każdej aktywności marketingowej, która doprowadziła do wykonania celu. Model śledzenia ostatniej interakcji przyznaje punkty tylko temu działaniu marketingowemu, które bezpośrednio poprzedziło wykonanie celu. Model średniego czasu do konwersji mierzy czas potrzebny na wykonanie celu od momentu pierwszej interakcji z reklamą aż do momentu jej wykonania.
Google Analytics oferuje pięć modeli atrybucji: model linii czasu, model proporcjonowalnych podatków, model udziałowych podatków, model wartości całego cyklu oraz model algorytmiczny. Model linii czasu przyznaje punkty każdemu działaniu marketingowemu w porządku chronologicznym od momentu pierwszej interakcji aż do momentu wykonania celu. Model proporcjonowalnych podatków przyznaje punkty każdemu działaniu marketingowemu według jego udziały we wszystkich aktywnościach prowadzonych przed wykonaniem celu.
Jakie są modele atrybucji Facebook Ads?
Modele atrybucji Facebook Ads to narzędzie, które pozwala marketerom zrozumieć, jak użytkownicy reagują na ich reklamy. Modele atrybucji pomagają w określeniu, która część budżetu reklamowego przyczynia się do osiągnięcia celu biznesowego. Dzięki temu marketerzy mogą lepiej zarządzać swoimi budżetami i skuteczniej promować swoje produkty lub usługi.
Facebook oferuje kilka modeli atrybucji, aby pomóc marketerom w optymalizacji ich działań marketingowych. Najpopularniejsze modele to: Atrybucja 1-dniowa, 7-dniowa i 28-dniowa oraz Atrybucja Wielokanałowa. Każdy z tych modeli ma inny sposób mierzenia efektywności reklam i może być stosowany w różnych sytuacjach. Marketers powinien wybrać odpowiedni model atrybucji w zależności od celu biznesowego i strategii marketingowej firmy.
Jakie są podstawowe błędy przy mierzeniu atrybucji?
Podstawowe błędy przy mierzeniu atrybucji to błędne wnioskowanie i niedokładne obserwacje. Błędne wnioskowanie polega na tym, że ludzie czasami uznają za prawdziwe informacje, które są fałszywe lub nieprawidłowe. Na przykład, jeśli osoba doświadcza sukcesu w jakimś projekcie, może ona przypisać swoje zwycięstwo swoim umiejętnościom lub talentom, podczas gdy faktycznie mogło to być spowodowane innymi czynnikami, takimi jak szczęście czy pomoc innych osób. Niedokładne obserwacje dotyczą tego, że ludzie czasami popełniają błąd interpretacji danych i informacji. Mogliby oni na przykład mylnie interpretować dane statystyczne lub ignorować ważne informacje dotyczące sytuacji. W rezultacie mogliby popełnić bardzo poważny błąd w ocenianiu skuteczności ich działań i decyzji.
Korzyści z modelowania atrybucji
Modelowanie atrybucji to technika stosowana w psychologii, która pozwala ludziom zrozumieć i przeanalizować ich własne myśli, uczucia i zachowania. Modelowanie atrybucji pomaga ludziom lepiej zrozumieć siebie i innych oraz jak ich działania mogą mieć wpływ na otoczenie. Korzyści z modelowania atrybucji są następujące:
Po pierwsze, modelowanie atrybucji może pomóc ludziom lepiej rozumieć swoje własne myśli, uczucia i zachowania. Poprzez analizę tego, co powoduje określone reakcje, osoby mogą lepiej zrozumieć same siebie i swoje motywy. Może to również pomóc im lepiej radzić sobie ze stresem i trudnymi sytuacjami.
Po drugie, modelowanie atrybucji może pomóc ludziom lepiej rozumieć innych. Przeanalizując sposoby postrzegania innych osób przez siebie samych oraz jak inni postrzegają ich samego, można poprawić relacje między ludźmi oraz budować silniejsze więzi społeczne. To może być bardzo przydatne w środowisku pracy czy szkole.
Który model atrybucji jest najlepszy?
Model atrybucji to sposób, w jaki ludzie przypisują znaczenie do swoich działań i doświadczeń. Istnieje kilka różnych modeli atrybucji, które są używane do opisywania tego procesu. Każdy z nich ma swoje wady i zalety, a także inne sytuacje, w których można go stosować. Nie ma jednoznacznej odpowiedzi na pytanie, który model atrybucji jest najlepszy. Wszystko zależy od celu badania oraz rodzaju informacji potrzebnych do osiągnięcia tego celu.
Jednym z popularnych modeli atrybucji jest Model trzech czynników Heidera. Ten model sugeruje, że ludzie przypisują znaczenie do swoich działań poprzez trzy czynniki: wewnętrzną (czyli cechy samego człowieka), zewnętrzną (czyli okoliczności) oraz obustronną (czyli interakcja między dwoma stronami). Innym modelem jest Model czterech typów Weinera, który skupia się na tym, czy dana aktywność była spowodowana przez wewnętrzną motywację czy też otoczenie. Oba modele mają swoje mocne i słabe strony i mogą być stosowane w różnych sytuacjach.
Marketerzy muszą wziąć pod uwagę kilka kwestii przy wyborze modelu atrybucji, na którym będą polegać w swojej organizacji. Po pierwsze, zastanów się, jakiego rodzaju cyklu sprzedaży używasz, jak długo on zazwyczaj trwa i jaka jego część odbywa się online lub offline. Witryny e-commerce mogą nie musieć uwzględniać konwersji offline, ale większość dużych sprzedawców detalicznych tak.
Ważne jest również, aby zastanowić się, jak wiele działań marketingowych koncentruje się na metodach offline, takich jak druk, transmisja i telewizja. Organizacje, które przywiązują dużą wagę do tych mediów, będą musiały wybrać model atrybucji i platformę, która jest w stanie skorelować i znormalizować działania online i offline, aby uzyskać najdokładniejsze informacje. Na przykład atrybucji multi-touch często przypisuje się lepsze działanie w przypadku mediów cyfrowych, podczas gdy modelowanie marketingu mix zapewnia lepszy wgląd w kampanie offline. Ujednolicenie obu tych pomiarów poprawia ogólną widoczność.
Ostatecznie Twoja organizacja prawdopodobnie będzie musiała wykorzystać kilka modeli atrybucji jednocześnie, aby jak najpełniej zrozumieć wpływ Twoich wysiłków.
Jak sobie poradzić z mało wiarygodnymi modelami atrybucji
Pierwszym krokiem w poradzeniu sobie z mało wiarygodnymi modelami atrybucji jest zrozumienie, czym są te modele. Modele atrybucji to narzędzia analityczne, które pozwalają marketerom określić, jak dana aktywność marketingowa przyczyniła się do osiągnięcia celu biznesowego. Mało wiarygodne modele atrybucji mogą być spowodowane niewystarczającym lub nieprecyzyjnym danymi wejściowymi lub brakiem odpowiednich algorytmów do analizy danych. Aby poradzić sobie z tym problemem, ważne jest, aby marketerzy stale monitorowali i udoskonalali swoje modele atrybucji poprzez stosowanie nowoczesnych technik analitycznych i uczenia maszynowego. Ponadto ważne jest, aby upewnić się, że dane wejściowe są precyzyjne i aktualne oraz że algorytmy są optymalnie dopasowane do potrzeb biznesu. W ten sposób można uniknąć problemów związanych z mało wiarygodnymi modelami atrybucji i skutecznie wykorzystać je do osiągania celów biznesowych.