Análisis del modelo de análisis de atribución
¿Qué canales de marketing promueven las ventas?
¿Cuál es su tasa de contribución?
¿Cuál es el comportamiento del usuario detrás de estas contribuciones?
¿Cómo utilizar las conclusiones del análisis de atribución para guiarnos a la hora de elegir una combinación de canales con mayor tasa de conversión?
Su primera reacción puede ser: Por supuesto, hice clic en qué anuncio, luego ingresé a la página de detalles del producto e hice la compra. ¡Todo el crédito se debe a este anuncio! Sí, este es también el método de análisis más popular en la actualidad, el modelo de atribución de un solo canal más simple y crudo; este método generalmente atribuye las conversiones de ventas al primer canal (primer producto) o al último contacto (último pago) del consumidor. Pero, evidentemente, éste no es un método de análisis riguroso y preciso.
Descubrimos que la realidad es a menudo una entrega multicanal muy compleja. Al medir el valor de su contribución y asignar la intensidad de la entrega de canales combinados, no es científico confiar únicamente en los resultados y la orientación de un solo canal. análisis de atribución, por lo que se introduce el método de análisis de atribución multicanal. Por supuesto, el análisis de atribución multicanal no es omnipotente y el modelo de análisis utilizado depende en última instancia de las características del propio negocio y de los costes considerados.
En otras palabras, el modelo de último clic (el último canal de interacción) obtiene 100 créditos, que es el modelo de atribución más simple, directo y utilizado.
Ventajas: En primer lugar, es el modelo de atribución más fácil de medir y es menos propenso a errores en los analizadores. Además, dado que la mayoría de las cookies rastreadas solo tienen un ciclo de vida de 30 a 90 días (el período de cálculo más largo para los anuncios de Taobao es de solo 15 días), para escenarios con ciclos y rutas de comportamiento del cliente largos, es posible que se pierdan datos en el análisis de atribución. Pero para el último modelo de interacción, este período de seguimiento de datos no es tan importante.
Desventajas: Las desventajas de este modelo también son evidentes. Por ejemplo, un cliente pasa de favoritos a la página de detalles del producto y luego realiza una transacción. Según el modelo de atribución anterior, el 100 del crédito iría a favoritos (tráfico directo). El camino del comportamiento real del usuario está más cerca de vínculos como interés, confianza, intención de compra, comparación de información, etc. Estas son contribuciones de otros canales y no se pueden contar en este modelo. La evaluación crediticia del último canal se sobreestimará en gran medida.
Adecuado para: comerciantes con pocas rutas de conversión y ciclos cortos, o anuncios que juegan un papel clave. Para atraer clientes para que compren, haga clic directamente para iniciar sesión en la página de detalles del producto.
La desventaja del último modelo de interacción mencionado anteriormente es que la precisión del análisis de datos se ve engañada por una gran cantidad de "tráfico directo", por lo que para el último modelo de clic indirecto, excluir el tráfico directo obtendrá un poco más. preciso Un punto de resultados del análisis.
Del caso anterior, podemos imaginar que el usuario hizo clic en un producto de los favoritos de Taobao y luego lo compró, pero en realidad es posible que haya agregado el producto después de hacer clic en Taobao para recibir capacitación, por lo que. En el modelo final de interacción de clic indirecto, podemos atribuir este crédito a Taobao por la capacitación.
Aplicable a: Si su empresa cree que la mayor parte del tráfico directo de su negocio proviene de clientes atraídos por otros canales y necesita excluir el tráfico directo, entonces este modelo será muy adecuado para usted.
El modelo de interacción del último canal atribuirá 100 créditos al canal publicitario en el que el cliente hizo clic por última vez antes de realizar la conversión. Es importante tener en cuenta que aquí la "última interacción" se refiere a la última interacción antes de cualquier objetivo de conversión que desee medir, que pueden ser clientes potenciales, oportunidades de ventas u otros objetivos que pueda personalizar.
Ventajas: La ventaja de este modelo es que suele ser coherente con los estándares de varios canales. Por ejemplo, Facebook Insights utiliza el modelo de interacción anterior de Facebook, Google Ads Analytics utiliza el modelo de interacción anterior de Google Ads. etc.
Desventajas: Obviamente, cuando anuncias en varios canales al mismo tiempo, un cliente hará clic en un anuncio de Facebook el primer día, hará clic en un anuncio de Google el segundo día y, finalmente, habrá una conversión.
Entonces, en el último modelo de canal, Facebook y Google atribuirán cada uno el 100% del crédito por esta conversión a sus propios canales. El resultado es que los datos de cada departamento parecen buenos y cada canal sobreestima su influencia, pero el efecto real puede ser la mitad. Si utilizó estos modelos de atribución individualmente y los integró en un informe, podría obtener "duplicar o incluso triplicar" sus datos de conversión.
Aplicable a: un solo canal, o un canal conocido por ser particularmente valioso.
El primer canal interactivo recibió 100 críticas positivas.
En otras palabras, el primer modelo de interacción pone más énfasis en los canales en la parte superior del embudo de conversión que impulsan el conocimiento del usuario.
Ventajas: Se trata de un modelo de contacto único y fácil de implementar.
Desventajas: limitado por el ciclo de seguimiento de datos; para comportamientos de usuario con rutas y ciclos largos, es posible que no se recopile la primera interacción real.
Aplicable a: Este modelo es adecuado para empresas con poco reconocimiento de marca. Centrarse en los canales que inicialmente pueden atraerles clientes es muy útil para expandir el mercado.
Para todos los canales en la ruta, sus ponderaciones de contribución se distribuyen uniformemente.
La atribución lineal es uno de los modelos de atribución multitáctil y también el más sencillo. Distribuye puntos por igual a cada contacto en el camino del usuario.
Ventajas: Es un modelo de atribución multitáctil que puede dividir el crédito en diferentes etapas del embudo de conversión en canales de marketing. Además, su método de cálculo es sencillo y resulta conveniente ajustar el coeficiente del valor durante el proceso de cálculo.
Desventajas: Obviamente, el método de división promedio lineal no es adecuado para algunas empresas con un valor de canal particularmente destacado. Por ejemplo, un cliente ve su anuncio en algún lugar fuera de línea, luego busca en Baidu en casa y ingresa al sitio web oficial a través de Baidu durante tres días consecutivos (el escenario del usuario real puede ser que el usuario sea demasiado vago para registrar o recopilar la dirección del sitio web oficial). ). hacer un trato. Luego, de acuerdo con el modelo de atribución lineal, a Baidu se le dará un peso de 75, y los anuncios en algún lugar fuera de línea obtendrán un peso de 25, lo que obviamente no le da suficiente peso a lo que está fuera de línea.
Adecuado para: Basado en las características del modelo de atribución lineal, es más adecuado para empresas que esperan permanecer en contacto con los clientes y mantener el conocimiento de la marca durante todo el ciclo de ventas. En este caso, todos los canales juegan el mismo papel a la hora de promover la consideración del cliente.
Para los canales en la ruta, cuanto más corto sea el tiempo hasta la conversión, más peso de crédito se podrá obtener.
El modelo de atribución de caída del tiempo se basa en el supuesto de que cuanto más cerca esté un contacto de una conversión, mayor será su impacto en la conversión. Este modelo se basa en el concepto de caída exponencial y el período de incumplimiento general es de 7 días. Es decir, en relación con el día de la conversión, a los canales 7 días antes de la conversión se les puede asignar un peso de 50, a los canales 14 días antes de la conversión se les puede asignar un peso de 25, y así sucesivamente. ...
Ventajas: en comparación con el modelo de atribución lineal, el modelo de caída del tiempo permite que diferentes canales obtengan diferentes distribuciones de peso. Por supuesto, este modelo es relativamente razonable partiendo de la premisa de que cuanto más cerca esté el contacto de la conversión, mayor será el impacto en la conversión.
Contras: El problema con esta suposición es que los canales de marketing en la parte superior del hoyo nunca obtendrán una puntuación justa porque siempre serán los más alejados de la conversión.
Aplicable a: ciclo corto de toma de decisiones del cliente y ciclo corto de ventas. Por ejemplo, si realiza una promoción a corto plazo y anuncia durante dos días, los anuncios de esos dos días tendrán un peso mayor.
El modelo de atribución basado en la posición, también conocido como modelo de atribución en forma de U, es en realidad el resultado de una combinación de atribución de primera interacción y atribución de última interacción.
El modelo de atribución en forma de U también es un modelo de atribución multitáctil, que es esencialmente un modelo que valora los clientes potenciales iniciales y los canales de transacción finales. Generalmente, al primer y último canal de interacción se le asigna un peso de 40, y al canal intermedio se le asigna un peso de 20. La proporción aquí también se puede ajustar de acuerdo con la situación real.
El modelo de atribución en forma de U es muy adecuado para empresas que dan gran importancia a las fuentes de leads y los canales de ventas promocionales. El inconveniente de este modelo es que no tiene en cuenta la eficacia del marketing de los contactos después de la conversión de clientes potenciales, lo que lo convierte en un modelo de atribución ideal para organizaciones de marketing o de informes de clientes potenciales que solo tienen objetivos en la etapa de clientes potenciales.
A continuación, utilizamos el modelo de atribución proporcionado por Toilet God Data para deducir el principio de cálculo:
La siguiente figura es una secuencia de comportamiento del usuario de una empresa de comercio electrónico obtenida mediante el análisis de Shence. Diagrama esquemático. En la imagen, las letras representan el espacio publicitario D, la página de detalles del producto Q, el espacio de recomendación D y el producto de compra M. El evento de conversión de objetivos es "Comprar un artículo". Para "hacer coincidir" mejor, el operador establece la asociación de atributos entre M1 (evento de conversión objetivo-compra del producto 1) y Q1 (evento relacionado mencionado en el párrafo anterior-detalles del producto 1), y también asocia M2 con Q2.
En este caso, hay dos compras y se realizarán dos rondas de cálculos durante el proceso de atribución del Análisis del Dios del Inodoro para producir los resultados del cálculo.
(1) Primera ronda de cálculo:
El primer paso es avanzar desde M1 para encontrar el primer trimestre y las visualizaciones de anuncios más recientes a partir del primer trimestre.
Como se muestra en la figura, no es difícil obtener el resultado M1=[Dc, Dc, Da].
En el segundo paso, lo introducimos en el modelo analítico y le asignamos crédito. El operador elige el modelo de análisis de “atribución de ubicación”. Según la lógica de cálculo de "propiedad de la posición", el primer "evento a asignar" y el último "evento a asignar" ocupan cada uno 40, y 20 se dividen en partes iguales entre ellos.
Los resultados que obtuvimos en la primera ronda son: Dc = 0.4; Dc = 0.2Da=0.4
(2) La segunda ronda de cálculo
Comenzando Desde M2, avance para encontrar el segundo trimestre y las visualizaciones de anuncios más recientes que ocurrieron en el segundo trimestre.
Vale la pena enfatizar aquí que incluso si el anuncio se calcula en la primera ronda, seguirá participando en el cálculo de esta ronda, porque a menudo ocurre que un espacio publicitario recomienda varios productos al mismo tiempo. mismo tiempo.
No nos resulta difícil concluir que M2=[Dc, Db]. Con base en esta conclusión, obtuvimos los resultados mediante "atribución de ubicación": Dc = 0,5; Db = 0,5 (menos de 3 estarán sujetos a tratamiento especial).
Después de dos rondas de cálculos, llegamos a la conclusión: DC = 1,1; Da = 0,4 Si Db=0,5, la contribución del espacio publicitario C es la mayor, la contribución del espacio publicitario B es la segunda , y la contribución del espacio publicitario A es la más pequeña.
La cadena de Markov cree que el tiempo y el estado son procesos de Markov discretos, que sucederán en el futuro y no tienen nada que ver con los administradores anteriores (solo relacionados con el presente). En términos generales, las cosas de hoy sólo dependen del ayer y las cosas de mañana sólo dependen del hoy.
Volviendo al modelo de atribución, la esencia del modelo de cadena de Markov es que la probabilidad de que un visitante visite un determinado canal la próxima vez depende del canal visitado esta vez.
La elección del modelo de atribución determina en gran medida los resultados del cálculo de la tasa de conversión. Por ejemplo, el primer modelo de interacción y el último modelo de interacción mencionados anteriormente en realidad requieren la asignación manual de reglas. Claramente no es una elección de modelo "inteligente". Y debido a que cada canal de promoción tiene diferentes atributos y propósitos, no podemos calcularlo por separado de toda la ruta de conversión del usuario. Por lo tanto, el modelo de atribución de la cadena de Markov es esencialmente un algoritmo de atribución más preciso y basado en datos.
El modelo de atribución de cadena de Markov es adecuado para empresas con muchos canales, grandes cantidades y capacidades de modelado y análisis.
Entonces, ¿cómo jugar la cadena de Markov específica? (Traiga sus propios conocimientos de teoría de grafos)
Si cada canal de promoción se considera como un estado del sistema y la transición entre los canales de promoción se considera una transición entre estados del sistema, entonces se puede utilizar la ruta de conversión del usuario. como Marl representado por una cadena Kov.
La cadena de Markov muestra que el estado del sistema en el momento t 1 solo está relacionado con el estado del sistema en el momento t, y no tiene nada que ver con el estado del sistema en el momento t-1 , t-2,..., t0 . La matriz de transición de una cadena de Markov estacionaria se puede calcular mediante estimación de máxima verosimilitud, es decir, las probabilidades estadísticas de transición entre estados. Utilice el diagrama de cadena de Markov para definir el modelo de atribución de la promoción del canal:
1. Conjunto de estados, definido como siete tipos de promoción: banner, texto, palabra clave, enlace, vídeo, móvil, desconocido más inicio, nulo y conversión. tres estados del sistema.
2. La matriz de conversión en estado estacionario obtenida al calcular los datos brutos de clics del sitio web de una empresa durante 20 días es la siguiente.
3. Utilice la matriz de transición para construir un gráfico dirigido y calcule el coeficiente del efecto de eliminación calculando la suma de los coeficientes de peso acumulado de todas las rutas simples desde la transición de nodo a nodo.
4. Calcule el valor de la contribución de conversión de cada estado eliminando el coeficiente de influencia.
¿Qué tan efectiva es la eliminación?
Podemos simplificar la situación anterior e intentar calcular el efecto de eliminación y el valor de la contribución de transformación de cada canal:
En el sistema anterior, la tasa de conversión general = (0,667 * 0,5 * 1*0,5 0,333*1*0,5) = 33,3.
Después de eliminar el nodo C1, la tasa de conversión general = 0,333 * 0,1 * 0,5 = 16,7, por lo que el nodo C1-0,167/0,333 = 0,5.
De manera similar, los efectos de eliminación de los nodos C2 y C3 se pueden calcular como 1 y 1 respectivamente.
Calcule la contribución de la transformación eliminando el coeficiente de influencia:
c 1: 0,5/(0,5 1 1)= 0,2
C2: 1/(0,5 1 1)= 0,4
C3: 1/(0,5 1 1)= 0,4
Si tienes preguntas sobre las cadenas de Markov, puedes hacer clic aquí para obtener más información.
De los muchos modelos de atribución anteriores, podemos dividirlos aproximadamente en dos categorías:
(1) Basado en reglas: establece un valor de peso fijo para el canal de antemano, con cálculo Tiene las ventajas de simplicidad, fácil combinación de datos y ausencia de influencia entre canales. Por supuesto, puedes ajustar su relación de peso según las necesidades reales.
(2) Basado en algoritmo: el peso de cada canal es diferente y el peso de diferentes canales cambiará según el algoritmo y el tiempo (basado en datos).
Antes de elegir qué modelo de atribución utilizar, ¡primero debes pensar en el modelo de negocio!
Si se trata de la promoción de nuevas marcas y nuevos productos, las empresas deben prestar suficiente atención a los canales que pueden atraernos más usuarios nuevos, entonces deberían elegir el primer modo interactivo;
Si se lanza un único canal de oferta, entonces debemos elegir el modelo de atribución interactiva final o el modelo de atribución interactiva del canal;
Si la empresa se preocupa por la fuente de clientes potenciales y la promoción de los canales de ventas, entonces deberíamos elija el modelo de atribución tipo U;
Si la empresa tiene muchos canales, una gran cantidad de datos y es reconocida por usuarios permanentes, el modelo de atribución basado en algoritmos puede proporcionar una gran ayuda para el análisis de marketing;
.. ..
En términos generales, no existe un modelo de atribución perfecto. Cualquier modelo tiene sus limitaciones y defectos. Cómo combinar eficazmente datos objetivos con especulación subjetiva es un requisito previo importante para hacer un buen uso del modelo de atribución.
Aquí hay una pregunta interesante. Puedes intentar aplicarlo al modelo de atribución pensando en la lógica analítica detrás de él.