Reklamodawca Strategia Technologia Analityka E-commerce

Atrybucja w e-commerce #4: zrozumienie i budowa własnego modelu atrybucji

W trzeciej części cyklu prześledziliśmy, na ile dane, które posiadasz są trafne. Sprawdziliśmy liczbę użytkowników, którzy trafili do Ciebie podejmując pojedynczą akcję, a także  ich znaczenie dla Twojego biznesu (modele atrybucji stają się niepotrzebne, gdy mamy tylko jeden punkt na ścieżce klienta). W tym artykule zastanowimy się nad często występującym niezrozumieniem procesu AIDA oraz nad podstawami budowania modelu atrybucji odpowiedniego dla Twojego biznesu.
PODZIEL SIĘ:

Problem z AIDA

Porządkowanie nieznanych elementów w zbiory zasad zrozumiałych dla każdego leży w ludzkiej naturze. Podobnie dzieje się w przypadku ścieżek klienta, które mimo że są często nieprzewidywalne, porządkuje się w taki sposób, by pasowały do znanego modelu  marketingowego AIDA.

Źródło: Smart Insights

Model ten zakłada liniowy proces behawioralny, w którym klient zyskuje świadomość marki lub produktu, czyta o nim, zaczyna go pożądać i wtedy kupuje. Gdy mówimy o kanałach oznacza to, że lejek zaczyna się reklamą bannerową (to ona jest na szczycie), przechodzi przez blogerów, porównywarki cen i ostatecznie kończy się na portalach  voucherowych/cashbackowych lub na bezpośrednim zakupie poprzez stronę na dole lejka. Brzmi logicznie, prawda?

W rzeczywistości nie wszyscy klienci przechodzą przez taki liniowy proces. Tak naprawdę każdy z wymienionych kanałów może pojawić się na dowolnej pozycji.

Problem #1: pierwszy touchpoint nie zawsze oznacza rozpoczęcie procesu podejmowania decyzji

To tylko przypadek, że pierwszy zarejestrowany punkt kontaktu z danym użytkownikiem jest jednocześnie pierwszym punktem na ścieżce klienta (touchpointem) – nie oznacza to wcale, że proces zakupowy zaczął się właśnie w tym miejscu.  Jest to szczególnie widoczne, gdy weźmiemy pod uwagę także interwały pomiędzy touchpointami. Można założyć, że reklama bannerowa, która nie spowodowała żadnej akcji w ciągu dwóch kolejnych dni, nie miała dużego wpływu na decyzję zakupową. Podobnie kliknięcie w wynik w wyszukiwarce, które nie przyniosło żadnej akcji przez następne trzy tygodnie. W takich przypadkach model first-click, nazywany też modelem rozkładu uwagi, przecenia znaczenie pierwszy punkt kontaktu z klientem.

Problem #2: pozycja na ścieżce klienta nie zawsze odpowiada pozycji w wykresie AIDA

Użycie pewnych kanałów determinuje konkretną pozycję w procesie decyzyjnym. Jednak zwykle niepoprawne jest założenie ważności kanału względem pozycji na ścieżce klienta. N Na przykład: jeśli porównywarka cenowa jest punktem na środku ścieżki, nie oznacza to automatycznie, że użytkownik jest w fazie pożądania produktu. Może natomiast oznaczać, że jest to kanał, poprzez który internauta zapoznaje się z produktem, o którego istnieniu wcześniej nie wiedział.

To prowadzi do problemu z gotowymi modelami atrybucji, które wymuszają nałożenie siatki na ścieżkę klienta. Bo proces decyzyjny może być chaotyczny. Każdy użytkownik porusza się w tę i z powrotem na przyjętym modelu AIDA, podobnie jak jego zainteresowanie marką lub produktem łatwo rośnie lub spada.

Budowanie własnego modelu atrybucji

Teraz, gdy zrozumieliśmy już zasady atrybucji, zbudujmy razem scenariusz: masz zdefiniowany target sprzedaży, dopasowaną strategię i kilka lat danych oraz doświadczenia w różnych kanałach marketingowych. Twoim zamiarem jest zidentyfikowanie silnych stron swoich kanałów i zoptymalizowanie strategii real-time, żeby osiągnąć jeszcze większy sukces. Dlatego zbudujmy deterministyczny model atrybucji, który (jak wspomnieliśmy w części 1) jest najbardziej odpowiedni w momencie, gdy definiujesz zestaw zasad opartych wyłącznie na zamierzeniach. Co jeszcze powinieneś rozważyć, kiedy budujesz taki model?

  • Różna struktura kosztów
    • Rozmieszczenie Twojego budżetu może się bardzo różnić. W końcu Twoje reklamy display rozliczane są w CPC i CPM, sieć afiliacyjna i bezpośrednio współpracujący wydawcy rozliczani są w CPA, a do tego masz jeszcze kampanię voucherową i inne zasady prowizji dla wydawców, którzy przyciągają nowych i powracających użytkowników. Dlatego musisz zagwarantować, by model atrybucji dopuszczał istnienie wielu prowadzących do konwersji zwycięzców, w oparciu o ich poszczególne modele rozliczeń.
  • Kliki i wyświetlenia reklam
    • Kliknięcia w Twoje reklamy są łatwe do zmierzenia. Ale co, jeśli jednocześnie jesteś zainteresowany zidentyfikowaniem pośredniego wpływu reklamy na Twój zasięg?  Generalnie jeśli wydasz na to sporą część budżetu, dostaniesz odpowiedź. W tym przypadku sensownie byłoby zastosować inny rodzaj atrybucji do wyświetleń reklam… jeśli to możliwe. Naturalnie chciałbyś zdefiniować różne okresy walidacji dla kliknięć i dla wyświetleń. W końcu jeśli akcja użytkownika ma miejsce 2 tygodnie po wyświetleniu mu reklamy, to niekoniecznie miało wpływ na jej wykonanie. Prawdopodobnie jednak nadal liczy się tu powinno kliknięcie w reklamę, skoro to akcja aktywna.
  • Grupy
    • Żeby zmapować swój lejek konwersji w wybranym modelu atrybucji, możesz zebrać wszystkich wydawców displayowych, afiliacyjnych, paid search i źródła organiczne w jedną grupę afiliacyjną „Pula Marketingowa”. Z wcześniejszych analiz wynika, że blogerzy – nawet jeśli mają pozytywny wpływ na Twoją markę – nie mają szans zostać zwycięzcą w atrybucji, jeśli są do niej włączone SEM albo ruch motywowany. Ponieważ opłacani są za performance, otrzymają swoją własną atrybucję.

Dodatkowo, gdy chodzi o Facebook Ads, chciałbyś zapewne śledzić i nagradzać posty promowane zupełnie oddzielnie od reklam bannerowych. Takie posty należą do grupy „Content Marketing” i w atrybucji ważą mniej. Z tego powodu wygrywają tylko wtedy, gdy na ścieżce klienta w okresie podlegającym walidacji nie pojawi się żaden kontakt z blogerem.

Zaprezentujemy teraz model atrybucji, który obejmuje wszystkie powyższe punkty:

Źródło: Ingenious Technologies

W tym przypadku poziom 1 ma najwyższą wagę, a poziom 6 najniższą. Oznacza to, że ostatni kanał 1. poziomu odznaczony na ścieżce klienta wygra, podczas gdy ostatni kanał 6. poziomu wygra wyłącznie wtedy, gdy kanały dotarcia na innych poziomach nie pojawią się w customer journey w ogóle. Oczywiście mowa o obecności w okresie podlegającym walidacji.

Prześledziliśmy już środowisko makro atrybucji, czynniki wpływające na dokładność danych i ich śledzenia, proporcję Twoich danych mających wpływ na ich użyteczność w atrybucji. Zbudowaliśmy też hipotetyczny model atrybucji. Zanim pożegnamy się z naszym cyklem Atrybucja w e-commerce, mamy do omówienia ostatnią ważną kwestię, która pomoże Ci zadecydować, jak wiele z tych informacji jest prawdziwych i przydatnych Twojemu biznesowi. Więcej o tym, w kolejnym artykule.

Na tym kończymy czwartą część cyklu.

Oryginalny artykuł znajdziesz na stronie naszego partnera Ingenious Technologies:  Attribution in e-commerce Part 4: Understanding and Building your attribution model 

Atrybucja w e-commerce #1: Zaczynamy

Atrybucja w e-commerce #2: Dokładność gromadzonych danych

Atrybucja w e-commerce #3: Znaczenie danych

Modele atrybucji – klucz do analizy faktycznej efektywności kanałów marketingowych

Źródło fot.: Pixabay

PODZIEL SIĘ:
Zespół agencji Cube Group

Zespół agencji Cube Group

Tekst został przygotowany przez specjalistów praktyków z zespołu Cube Group, agencji performance marketingowej, w skład której wchodzą m.in. sieć reklamy performance NetSales, agencja e-mail marketingowa MailSales, agencja dla e-commerce’ów SalesMedia oraz agencja SEO i content marketingowa SEMTEC. Zespół Cube Group na co dzień pracuje dla takich klientów jak RWE, PLL LOT, Credit Agricole, Polpharma, Tchibo, Empik.com, Provident Polska, Agata Meble itd., a dzięki realizowanych przez siebie kampaniom zdobył m.in. dwa Srebrne Efektony, statuetkę Agencji Roku od Media & Marketing Polska, nominację do Golden Arrow, Aulera czy wyróżnienie w Ekomersach.