Czym jest atrybucja? #AlfabetEcommerce

Możliwości reklamowe w dzisiejszych czasach są bardzo szerokie. W związku z tym po pierwsze, ścieżka decyzyjna konsumentów robi się coraz dłuższa i coraz bardziej chaotyczna, a po drugie, mamy coraz więcej sposobów i kanałów dotarcia do tych konsumentów. Ścieżka konsumencka od pierwszej styczności osoby z marką do zakupu nie jest liniowa – istnieje tam skomplikowana sieć punktów styku, która różni się w zależności od osoby. 

Czym jest atrybucja?

W uporządkowaniu tego zachowania konsumenckiego pomaga nam właśnie atrybucja. W szerokim rozumieniu atrybucję można określić jako przypisanie. W świecie marketingowym atrybucją nazywamy regułę albo zestaw reguł, za pomocą których przypisujemy wartość konwersji do kanału lub kanałów, który znajduje się na już wspomnianej chaotycznej ścieżce zakupowej konsumenta. Dzięki atrybucji możemy zobaczyć, w jaki sposób klienci poznają i kupują produkt lub usługę. Pierwszym krokiem w tym procesie jest zidentyfikowanie zestawu działań użytkownika, ustalenie sekwencji kanałów styczności, następnie przypisanie wartość każdemu z tych działań. 

Atrybucja sprawia, że świat reklamowy robi się mniej skomplikowany. Przy tak wielu typach mediów, kanałach i danych o użytkownikach może być trudno określić, w jakie działania inwestować. Modele atrybucji pozwalają określić, gdzie te wysiłki odnoszą największe sukcesy, co pomaga zoptymalizować ścieżkę konwersji. Tworząc model atrybucji można określić ROI powiązany z każdym z kanałów marketingowych i sprawdzić, do którego kanału należy przypisać najwięcej zasobów. 

Istnieją różne modele atrybucji, na których możemy polegać. Wybierane są one w zależności od specyfiki biznesu, finalnego celu analizy i kampanii reklamowej. Modele można podzielić na takie, gdzie cała wartość przypisywana jest do jednego kanału na ścieżce (single-touch), i takie, gdzie wartość dzieli się pomiędzy wszystkimi kanałami w zależności od nadanych wag (multi-touch). Przed dokładniejszym opisem tych modeli warto zaznaczyć, że mówiąc o punktach styczności z cyfrową reklamą, mówię nie tylko o kliknięciach, ale również o wyświetleniach.

Najczęściej w modelach single-touch całą wartość nadaje się pierwszemu albo ostatniemu punktowi styczności klienta z reklamą. Są to odpowiednio modele ostatniej i pierwszej interakcji. W modelu pierwszej interakcji rzadziej ustawiane są ograniczenia na to, jaki konkretnie rodzaj interakcji bierzemy pod uwagę. Natomiast drugi model może być ograniczony na różne sposoby. Ostatnią interakcją może być:

• faktyczny ostatni krok (kliknięcie albo wyświetlenie) konsumenta przed zakupem;

• ostatnie kliknięcie konsumenta, które nie jest wejściem bezpośrednim na stronę marki;

• ostatnia reklama Google Ads, w którą klient kliknął przed zakupem, czyli ostatnia interakcja Google Ads. 

Modele single-touch doskonale nadają się do zrozumienia, jak zaczyna się podróż klienta, jaki jest jego pierwszy kontakt z marką (first-click), lub co skłania go do podejmowania finalnej decyzji i dokonania zakupu (last-quick).

Z modeli multi-tocuh można wydzielić następujące:

• liniowy – udział przypisuje się po równo każdemu kanałowi na ścieżce;

• uwzględnienie pozycji – nadawanie wag wartości w zależności od pozycji kanału na ścieżce. Standardowo większą wartość przypisuje się pierwszej i ostatniej interakcji, a resztę dzieli się równo pomiędzy pozostałe kanały;

• spadek udziału z upływem czasu – większe wartości przypisuje się kanałom, które znajdują się bliżej końca ścieżki. Standardowo okres, po którym wartość spada, to 7 dni, co oznacza, że akcji, która się wydarzyła 8 dni temu, przypisze się dwa razy niższa wartość;

• model oparty o dane – dla przypisania wartości do każdego kanału korzysta się z Machine Learningu. 

Jeśli porównamy wybrane modele, to zobaczymy, że ilości konwersji przypisanych do konkretnych kanałów mogą istotnie się różnić w zależności od modelu. To pokazuje, że każdy kanał na ścieżce pełni swoją własną rolę.

Możemy wyróżnić rolę: 

• otwierającą – najczęściej jest pierwszym kontaktem z marką, przyciąga;

• wspomagającą – wspiera inne kanały, podtrzymuje świadomość marki;

• domykającą – najczęściej takie kanały finalizują konwersję, skłaniają klienta do zakupu.

Porównanie modeli pomaga zrozumieć każdy kanał i to, jak wspiera on klienta w poznaniu marki i podejmowaniu decyzji. Opierając się na tych danych możemy stworzyć płynny kontekst reklamowy i storytellingowy.

Model oparty o dane

Zostańmy chwilę przy tym modelu, ponieważ wiele się o nim mówi, a nie wszyscy rozumieją, o co chodzi i czemu jest taki ważny. Model oparty o dane tak naprawdę odpowiada na pytanie “ile faktycznie powinno być konwersji przypisanych do danego kanału, biorąc pod uwagę jego całościowy wpływ na ścieżkę konwersji?”. 

Model oparty o dane różni się od innych tym, że po pierwsze, dla jego obliczenia używa się Machine Learningu, a po drugie, bierze się pod uwagę nie tylko ścieżki konwertujące, ale również te niekonwertujące. Dodatkowo model może uwzględniać takie czynniki jak czas od konwersji, liczba interakcji z reklamą, kolejność wyświetlania reklamy czy typ urządzenia. Obliczenie konwersji w tym modelu można podzielić na dwa ważne etapy: 

1. analiza faktycznego stanu, prawdopodobieństwo skonwertowania z konkretnego kanału

2. analiza alternatywnych ścieżek przy usuwaniu jednego kanału i obliczanie, ile konwersji przy tym straciliśmy, czyli obliczenie tzw. efektu usunięcia.

Narzędzia niezbędne przy tworzeniu modelu atrybucji wielokanałowej

Chcemy widzieć najpełniejszy możliwy obraz działań naszych konsumentów w sieci. Od organicznych kliknięć, przez zobaczenie reklam dipslayowych i wideo, aż do kliknięcia w reklamy paid socialowe. Niestety nie we wszystkich platformach możemy to wszystko połączyć, a obecnie – spoiler – w ogóle nie ma możliwości połączenia 100% akcji w jednym miejscu – zawsze będzie czegoś brakowało.

Co musimy ustalić przed rozpoczęciem modelowania atrybucji opartego o dane: 

• z jakich kanałów korzystamy, 

• jak szczegółowo chcemy je porównywać (per dostawca, per format, per słowa kluczowe – to pomoże nam prawidłowo stworzyć swoje własne grupowanie kanałów, a nie korzystać ze standardowego, które najczęściej jest bardzo niedokładne), 

• czy chcemy śledzić osobno wyświetlenia, 

• czy potrzebujemy Organic i Direct w ścieżkach.

Najczęściej w salestube dla modelowania atrybucyjnego korzystamy z danych z Campaign Managera albo Google Analytics. Poniżej przedstawiam krótki zestaw informacji, które warto mieć na uwadze przy każdej z tych platform.

Campaign Manager:

• połączenie działań reklamowych ze wszystkich platform Google – Search Ads 360, Display & Video 360 – pozwala śledzić tak kliknięcia jak i wyświetlenia (przy wcześniejszych odpowiednich ustawieniach technicznych po stronie trackowania);

• częściowe połączenie danych Facebookowych: dzięki CM możemy śledzić wszystkie kliknięcia reklamowe i wyświetlenia reklam z kampanii, które są w Facebook’u oparte na danych behawioralne (np. wiek, płeć, lokalizacja). Wyświetleń reklam z kampanii opartych na danych własne (np. remarketingowe) nie możemy śledzić w CM;

• śledzenie Organica jest możliwe, ale wymaga dodatkowych ustawień technicznych;

• dostępne jest niestandardowe grupowanie kanałów;

• dane w CM dostępne są maksymalnie za okres do 2 miesięcy wstecz;

• dane można wyeksportować i tworzyć własne niestandardowe analizy, używać dodatkowych zmiennych.

Google Analytics:

• zwykły GA nie wychwytuje wyświetleń kanałów, tylko same kliknięcia, ale przy podłączonym Google Ads i Campaign Manager wychwytuje wszystkie kliknięcia i wyświetlenia reklam tam dostępne (czyli tak naprawdę po prostu całe info z CM przenosi się do GA). Ważnym warunkiem jest to, że nie może być to podstawowa wersja GA – tylko Google Analytics 360);

• włącza Direct i Organic do ścieżek konwersji;

• dostępne jest niestandardowe grupowanie kanałów;

• dane można wyeksportować i tworzyć własne niestandardowe analizy, używać dodatkowych zmiennych.

Podsumowanie

Myśląc o atrybucji, pamiętajcie, że

• Atrybucja pomaga wychwycić i zrozumieć realną wartość kanałów w chaotycznym środku ścieżki zakupowej konsumenta.

• W zależności od biznesu i celu analizy możemy korzystać z różnych reguł przypisywania wartości do kanałów.

• Model atrybucji oparty o dane korzysta z modeli zaawansowanych i oblicza prawdopodobieństwo konwersji każdego kanału używając efektu usunięcia

• Standardowe modele atrybucji pomagają zrozumieć rolę każdego kanału, a model atrybucji oparty o dane sprawiedliwie przypisać wartość do każdego z nich i w najbardziej optymalny sposób zoptymalizować budżet.

Dołącz do najlepszego zespołu martech & e‑commerce w CEE!