Marketing Attribution Models
5. juli 2018
Machine learning. Kunderejse. Attribuering. Disse er alle begreber, som online virksomheder kæmper med i dag. Men hvordan fungerer det egentlig i praksis, og hvad kan man gøre for at optimere og måle sit online salg bedst muligt? Det giver vores Digital Marketing Assistant, Maiken Torrild, sit svar på i dette blogindlæg.
Hvad er attributionsmodeller?
Hvordan analyserer man hvilke kanaler, der giver profit til virksomheden?
Forbrugere benytter sig i dag af flere devices og laver søgninger på tværs af platforme. Det indebærer både organiske søgninger, display og email marketing.
The Attribution Model, eller tilskrivningsmodellen, viser hvordan hvert touchpoint på kundens rejse bør attribueres, på vejen i mod konvertering. Hvilke kanaler skal attribueres hvornår, og hvilke steps imod konverteringen er egentlig de væsenligste? Det er jo ikke kun målscoren, der skal betales – midtbanespilleren som lavede assisten har også del i sejren.
Selvom forbrugeren har foretaget sit køb i forbindelse med en organisk søgning, er det måske i virkeligheden en displayannonce, der har startet interessen for forbrugeren. Derfor fortjener display-kanalen også at blive attribueret – ellers er kunderejsen misvisende. Man arbejder derfor med marketing attribueringsmodeller for at vurdere, hvilke kanaler man skal fokusere på og investere flere eller færre penge i.
Forskellige attributionsmodeller i Google analytics
Under multi-channel funnels i Google Analytics kan man se hvilke kanaler, der har assisteret til den konverterede kanal, og vi kan følge mønsteret i forbrugerens køb. Dette finder man under “conversion” og multi-channel funnels. Disse insigter viser hvilke og hvor mange kanaler, forbrugeren har brugt for at komme frem til købet, og giver insigt i hele kunderejsen. Her får man altså mulighed for at se hvilke kanaler, der konverterer og hvilke kanaler der assisterer til købet.
Hvis man vil dykke dybere ned i performance af de forskellige kanaler, kan man bruge ”Model Comparison Tool” under Attribution. Her kan man vælge mellem følgende modeller til at analysere kundens adfærd:
Last interaction attribution giver al attribuering til den sidste kanal – dette viser ikke noget om kundens rejse, men hvilken kanal kunden foretog købet fra.
First interaction attribution giver al attribuering til den første kanal, kunden har interageret med – dette viser hvad der startede kunderejsen, men ikke resten af kundens adfærd.
Linear attribution splitter attribueringen ud på alle de kanaler, der har været berørt. Hvis kunden har været igennem 5 forskellige kanaler, så får de 20% attribuering hver.
Time decay attribution giver højere procent til de kanaler, der er tættest på konverteringen. Det vil sige, at den først berørte kanal får mindre end den sidste berørte kanal.
Position based attribution giver 40% attribuering til den første og sidste kanal, hvorefter resten af attribueringen bliver fordelt ud på de resterende kanaler.
Disse modeller er essentielle for at analysere data og komme tættere på kunden. Der er ikke en model, der er mere rigtig end den anden, så længe man er opmærksom på, hvilken model man bruger og hvordan den skaber relevans til ens data.
Skab det rigtige datagrundlag
ved hjælp af Machine Learning
Ved brug af machine learning er det muligt at udrette en helt ny marketing attribueringsmodel baseret på algoritmer. Denne dynamiske model tager alle touchpoints på kunderejsen i betragtning og gør det muligt at give disse en mere retvisende værdi. En reel værdi. Den indsamler data og udregner kunderejser baseret på et udsnit af kundernes adfærd for at kunne lave den mest eksakte kunderejse.
Hos IMPACT bruger vi systemer til at skabe algoritme-baserede attribueringsmodeller. Disse systemer tager 70% af alle kunderejser, uanset om de konverterer eller ej, og opretter modeller som illustrerer den gennemsnitlige kunderejse og kreditterer kanalerne korrekt. Deres algoritmer gør det muligt at tilføje den reelle værdi af kanalernes indflydelse på baggrund af 70% af kundernes adfærd.
Derefter bliver modellerne udført på de resterende 30% kunderejser for at kvalitetssikre modellerne. Dataen bliver målt og kvalitetssikret igennem machine learning’s basale AUC (Area Under the Curve). Denne proces tager typisk 2-6 uger, da det kræver nok data for at skabe en dynamisk attribueringsmodel med høj nok sikkerhed i dataen.
Det helt exceptionelle ved denne dynamiske model er, at det er muligt at inkludere værdi til offline aktiviteter, såsom tv-reklamer, og skabe en reel omnichannel-analyse.
Ved hjælp af attribueringsmodellen kan man få indblik i, hvor man skal investere sine reklame-penge og hvor man kan spare penge. Dette inkluderer både Adwords, e-mail marketing, outdoor banners, tv-reklamer og affiliate marketing.
Det er derfor vigtigt at vide hvilke kanaler, der har indflydelse hvornår, for at forstå kunderejsen. Ved at analysere dette, er der potentielt en masse penge at spare, og man kan fokusere mere på selve forretningen.
Har du lyst til at høre mere om, hvordan data kan bruges som beslutningsgrundlag for din forretning, så er du mere end velkommen til at kontakte os hos IMPACT.