Análisis del modelo de análisis de atribución (análisis de atribución)
- ¿Qué canales de marketing contribuyeron a las ventas?
- ¿Cuál es su tasa de contribución?
- ¿Cuáles son las rutas de comportamiento de los usuarios detrás de estas contribuciones?
- ¿Cómo podemos utilizar los resultados del análisis de atribución para guiarnos en la selección de combinaciones de canales con tasas de conversión más altas?
Lo primero que podría pensar es: Por supuesto, hice clic en el anuncio, fui a la página de detalles del producto e hice una compra, ¡y luego todo el crédito va al anuncio! Este es el método de análisis más popular hoy en día y el modelo de atribución de un solo canal más simple y crudo. Este método generalmente atribuye las conversiones de ventas al primer contacto (primer modo) o al último contacto (último modo) del consumidor. ) canal. Pero, obviamente, este método de análisis no es lo suficientemente riguroso y preciso.
Descubrimos que la entrega multicanal en realidad suele ser muy compleja. Al medir su valor de contribución y asignar esfuerzos de entrega de canales combinados, los resultados y la orientación del análisis de atribución de un solo canal no son científicos, por lo que presentamos. Un enfoque de análisis de atribución multicanal. Por supuesto, el análisis de atribución multicanal no es omnipotente. El tipo de modelo de análisis a adoptar depende en última instancia de las características de la empresa y del costo.
También conocido como modelo de último clic -----, el canal con la última interacción obtiene 100 créditos, este es el modelo de atribución más simple, directo y más utilizado.
Ventajas: En primer lugar, es el modelo de atribución más fácil de medir y es menos propenso a errores en la instrumentación analítica. Además, dado que el período de supervivencia de la mayoría de las cookies de seguimiento es de solo 30 a 90 días (el ciclo de cálculo publicitario más largo de Taobao es de solo 15 días), para escenarios donde la ruta y el ciclo de comportamiento del cliente son largos, es posible que se pierdan datos al realizar el análisis de atribución. En caso de pérdida, para el modelo de interacción terminal, este período de seguimiento de datos no es tan importante.
Desventajas: Las deficiencias de este modelo también son obvias, por ejemplo, si un cliente ingresa a la página de detalles del producto desde favoritos y luego completa la transacción, según el modelo de atribución final, se le atribuirán 100 créditos. a los favoritos (tráfico directo). Sin embargo, el verdadero camino del comportamiento del usuario está más cerca del interés, la confianza, la intención de compra, la comparación de información y otros enlaces. Estas son las contribuciones de otros canales y no se pueden calcular en este modelo. La evaluación de la contribución del canal final se sobreestimará en gran medida.
Adecuado para: comerciantes con rutas de conversión pequeñas y ciclos cortos, o publicidad en puerta. Para atraer clientes a comprar, haga clic directamente para ingresar a la página de detalles del producto.
La desventaja del último modelo interactivo mencionado anteriormente es que la precisión del análisis de datos se verá engañada por una gran cantidad de "tráfico directo". Por lo tanto, es necesario para el último modelo de clic no directo. para excluir el tráfico directo después del flujo de tráfico, obtendrá resultados de análisis ligeramente más precisos.
En el ejemplo anterior, podemos imaginar que el usuario hizo clic en un producto de los favoritos de Taobao y luego compró el producto, pero en realidad pudo haber hecho clic en Taobao Express para agregar el producto a Favoritos, por lo que en El último modelo de interacción de clic no directo, podemos atribuir este crédito a Taobao Express.
Quién debería usarlo: si su empresa cree que la mayor parte de su tráfico directo proviene de clientes atraídos a través de otros canales y necesita excluir el tráfico directo, entonces este modelo será adecuado para usted.
El modelo de interacción del último canal otorga 100 de crédito al último canal en el que el cliente hizo clic antes de realizar la conversión. Tenga en cuenta que aquí "última interacción" se refiere a la última interacción antes de cualquier objetivo de conversión que esté midiendo, que podría ser un cliente potencial, un creador de oportunidades u otro objetivo que pueda personalizar.
Ventajas: la ventaja de este modelo es que generalmente está alineado con los estándares de todos los canales, por ejemplo, Facebook Insight utiliza el modelo de última interacción de Facebook, Google AdWords Analytics utiliza el modelo de última interacción de Google AdWords, etc.
Pros: El modelo generalmente está alineado con los estándares de cada canal.
Desventajas: obviamente, cuando ejecuta varios canales al mismo tiempo, puede suceder que un cliente haga clic en un anuncio de Facebook el primer día y luego haga clic y realice una conversión en un anuncio de Google el segundo día, y luego En el último modelo de embudo, tanto Facebook como Google recibirán 100 créditos por las conversiones en sus respectivos canales. Esto da como resultado que los datos de cada departamento se vean bien y que cada canal sobreestime su impacto, mientras que los resultados reales pueden ser la mitad de buenos que los de otro canal. Si utilizó estos modelos de atribución individualmente y los combinó en un solo informe, podría obtener "duplicar o incluso triplicar" sus datos de conversión.
Se aplica a: un solo canal o un canal conocido por ser particularmente valioso.
El canal con la primera interacción recibirá 100.
En otras palabras, el primer modelo de interacción enfatiza el canal en la parte superior del embudo de conversión que impulsa el conocimiento del usuario.
Ventajas: Es un modelo de contacto único fácil de implementar
Desventajas: Limitado por el período de seguimiento de datos, para comportamientos de usuario con recorridos y períodos largos, puede no ser posible capturar la primera interacción del verdadero.
Ideal: Este modelo es adecuado para empresas con bajo conocimiento de marca y se centra en los canales iniciales que les atrajeron clientes, así como en canales que pueden ayudar a expandir el mercado.
Todos los canales de la ruta tienen el mismo peso de contribución.
La atribución lineal es uno de los modelos de atribución multitáctil y el modelo de atribución más simple, que distribuye el crédito de manera uniforme a cada punto de contacto en la ruta del usuario.
Ventajas: Es un modelo de atribución multitáctil que asigna crédito entre canales de marketing en cada etapa diferente del embudo de conversión. Además, su método de cálculo es relativamente simple y es relativamente fácil ajustar los factores de valor durante el proceso de cálculo.
Desventajas: Obviamente, el método de segmentación promedio lineal no es adecuado para empresas con un valor de canal particularmente sobresaliente. Por ejemplo, un cliente vio su anuncio en algún lugar fuera de línea, buscó en Baidu durante tres días consecutivos después de regresar a casa e ingresó al sitio web oficial a través de Baidu (el escenario del usuario real puede ser que el usuario sea demasiado vago para registrar o recopilar la dirección del sitio web oficial). ), y la transacción se completó al cuarto día. Luego, de acuerdo con el modelo de atribución lineal, Baidu obtendrá un peso de 75 y los anuncios en algún lugar fuera de línea obtendrán un peso de 25, lo que obviamente no da suficiente peso a los anuncios fuera de línea.
Objetos aplicables: Según las características del modelo de atribución lineal, es más adecuado para empresas que desean mantenerse en contacto con los clientes durante todo el ciclo de ventas y mantener el conocimiento de la marca. En este caso, cada canal juega un papel igual en la consideración del cliente.
Para los canales en la ruta, cuanto más corto sea el tiempo de conversión, mayor será el peso del crédito del canal.
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. El modelo se basa en el concepto de caída exponencial y el período predeterminado es generalmente de 7 días. Es decir, comparado con el día de la conversión, los canales 7 días antes de la conversión reciben un peso de 50, los canales 14 días antes de la conversión reciben un peso de 25, y así sucesivamente...
Ventajas: vs En comparación con la forma en que el modelo de atribución lineal distribuye los pesos de manera uniforme, el modelo de caída del tiempo permite que diferentes canales obtengan diferentes distribuciones de pesos. Por supuesto, la premisa es que "cuanto más cerca esté el punto de contacto de la conversión, mayor será el impacto en el". "Conversión" es precisa. Esto hace que el modelo sea relativamente razonable.
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 que más lejos de realizar conversiones.
Objetos aplicables: clientes con ciclo de decisión corto y ciclo de venta corto. Por ejemplo, si publica anuncios durante dos días para una promoción a corto plazo, los anuncios de ambos días deberían recibir una ponderación mayor.
El modelo de atribución basado en la ubicación, también conocido como modelo de atribución en forma de U, es un híbrido 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. Su esencia es un modelo que enfatiza los canales que inicialmente generan oportunidades de ventas y, en última instancia, conducen a ventas. El peso del canal interactivo es 40 y el peso del canal intermedio es 20. También puede ajustar la proporción aquí según la situación real.
El modelo de atribución en forma de U es ideal para empresas que dan alta prioridad a la generación de leads y los embudos de ventas. La desventaja de este modelo es que no tiene en cuenta el impacto de marketing de los puntos de contacto después de que se convierte un cliente potencial, lo que lo convierte en un modelo de atribución ideal para organizaciones de marketing o informes de clientes potenciales que solo tienen objetivos en la etapa de clientes potenciales.
A continuación, explicaremos el principio de cálculo a través del modelo de atribución proporcionado por Sences Data:
La siguiente figura es un diagrama de secuencia del comportamiento del usuario de comercio electrónico obtenido mediante el análisis de Sences. El significado de cada letra en la figura es: D-posición publicitaria, Q-página de detalles del producto, D-posición recomendada, M-compra de producto. El evento de conversión de objetivo es "Comprar artículo". Para lograr un mejor "emparejamiento", el operador establecerá M1 (Evento de conversión de objetivo - Compra de artículo 1) y Q1 (Evento relacionado anterior - Detalles del artículo 1). --Para una mejor "coincidencia", el operador establecerá asociaciones de atributos entre M1 (evento de conversión de objetivo - compra del artículo 1) y Q1 (evento asociado anterior - detalles del artículo 1), y también M2 relacionado con el Q2.
En este caso, se produjeron dos compras y Shenze Analytics realizará dos rondas de cálculos al realizar la atribución para llegar a los resultados del cálculo.
(a) Primera ronda de cálculo:
El primer paso es avanzar desde M1 para encontrar Q1 y la vista publicitaria más cercana a Q1.
Como se muestra en la figura, no es difícil obtener el resultado M1 = [Dc, Dc, Da].
En el segundo paso, introducimos un modelo analítico para asignar crédito. El operador selecciona el modelo de análisis de "atribución de posición" de acuerdo con la lógica de cálculo de "atribución de posición", entre el primer "evento a atribuir" y el último "evento a atribuir" y el "evento de atribución", el primero y el segundo. El último "evento atribuido" cada uno obtiene 40, y los del medio obtienen 20 por igual.
En la primera ronda, obtenemos los siguientes resultados: Dc=0,4; Dc=0,2; Da=0,4
(b) Segunda ronda de cálculo
A partir de M2, avanzamos para encontrar el Q2 y la vista de anuncio más cercana al Q2.
Vale la pena enfatizar aquí que incluso si el anuncio se cuenta en la primera ronda de cálculos, seguirá participando en esta ronda de cálculos, porque normalmente, un espacio publicitario recomendará varios artículos al mismo tiempo. .
No nos resulta difícil sacar la conclusión: M2=[Dc, Db]. A partir de esta conclusión, podemos extraer los resultados de la "atribución de posición": Dc=0,5; Db=0,5 (menos de 3 tendrán un tratamiento especial).
Después de dos rondas de cálculos, llegamos a la conclusión: Dc=1,1; Da=0,4; Db=0,5, entre las cuales la contribución de la posición publicitaria c es la mayor, seguida de la contribución de la posición publicitaria. b, y la contribución de la posición publicitaria a Mínimo.
El tiempo y el estado del pensamiento en cadena de Markov son procesos de Markov discretos, que son cosas que sucederán en el futuro y no tienen nada que ver con los gerentes anteriores (solo con el presente). En términos sencillos: lo que sucede hoy sólo depende del ayer, y lo que sucede mañana sólo depende 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 de esta visita.
La elección del modelo de atribución determina en gran medida los resultados del cálculo de la tasa de conversión. Los modelos como la primera interacción y la última interacción en realidad requieren reglas de algoritmo especificadas manualmente. Obviamente, esto no es una "inteligencia". "Selección del modelo. Además, debido a los diferentes atributos y propósitos de cada canal de promoción, no podemos separar toda la ruta de conversión del usuario para realizar cálculos separados. Por lo tanto, el modelo de atribución de la cadena de Markov es esencialmente un algoritmo de atribución más preciso y basado en datos.
La atribución de cadena de Markov es adecuada para empresas con muchos canales, grandes cantidades y sólidas capacidades de modelado y análisis.
Entonces, ¿cómo funciona una cadena de Markov? (
Si cada canal de promoción se considera como un estado del sistema y la transición entre canales de promoción se considera una transición entre estados del sistema, se puede utilizar una cadena de Markov para representar la ruta de conversión del usuario.
Cadena de Markov significa que el estado del sistema en el momento t 1 solo está relacionado con el estado del sistema en el momento t, y está relacionado con el estado del sistema en el momento t-1, t-2. ... La matriz de transición de la cadena de Markov suave se puede obtener mediante el método de estimación de máxima verosimilitud (es decir, calculando la probabilidad de transición entre estados). Utilice el gráfico de cadena de Markov para definir el modelo de atribución de promoción del canal:
<. p> 1. Conjunto de estados, definido como 7 tipos de promoción: banner, texto, palabra clave, enlace, video, móvil, desconocido más 3 estados del sistema: inicio, no válido, transición2. La matriz de transición de estado estable , a través de un cierto Los datos de clics sin procesar del sitio web de la empresa durante 20 días se utilizan para calcular la matriz de transición en estado estable, como se muestra a continuación
3. Utilice la matriz de transición para construir un gráfico dirigido y calcular la multiplicación de todas las rutas simples que comienzan desde el nodo hasta la transición del nodo La suma de los pesos, calculando así el peso del efecto de eliminación y el coeficiente del efecto de eliminación El coeficiente del efecto de eliminación se calcula sumando los pesos de todas las rutas simples que comienzan en el nodo. a la transición del nodo.
4.
p>Podemos simplificar el caso anterior e intentar calcular específicamente el efecto de eliminación y la contribución de conversión 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 coeficiente de efecto de eliminación del nodo C1 = 1-0,167/0,333=0 5
De manera similar, los efectos de eliminación de los nodos C2 y C3 se pueden calcular como 1 y 1 respectivamente
El valor de la contribución de la transformación se calcula a través del coeficiente del efecto de eliminación:
C1: 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 alguna pregunta sobre las cadenas de Markov, puedes hacer clic aquí para conocer conocimientos relevantes
De los modelos de atribución anteriores, podemos dividirlos aproximadamente en 2 tipos:
(1) Basado en reglas: establece un valor de peso fijo para el canal por adelantado (1) Basado en reglas: establece un valor fijo. valor de peso para el canal por adelantado. La ventaja es que el cálculo es simple, los datos son fáciles de fusionar y los canales no se afectan entre sí. Por supuesto, el peso también se puede ajustar según las necesidades reales. >
(2) Basado en algoritmos: el peso de cada canal es diferente Dependiendo del algoritmo y el tiempo, el peso de los diferentes canales también cambiará (basado en datos)
Antes de elegir qué atribución. modelo a utilizar, primero debemos pensar qué tipo de modelo de atribución deberíamos utilizar.
Antes de elegir qué modelo de atribución utilizar, ¡primero debemos considerar el modelo de negocio!
Si estamos promocionando una nueva marca o producto, entonces debemos darle suficiente peso a los canales que pueden traernos más nuevos usuarios, por lo que debemos elegir el primer modelo de interacción;
Si estamos lanzando un único canal de oferta, entonces debemos elegir el modelo de atribución de última interacción o el modelo de atribución de interacción del canal;
Si la empresa está muy preocupada por la fuente de oportunidades de ventas y los canales de ventas que conducen a ventas, entonces debemos elegir el modelo de interfaz de usuario;
Si la empresa está muy preocupada por la fuente de los clientes potenciales y el canal de ventas que conduce a las ventas, entonces debemos elegir el modelo de interfaz de usuario.
Si la empresa concede gran importancia a los canales de venta, entonces deberíamos elegir el modelo de atribución en forma de U.
Si la empresa tiene muchos canales, una gran cantidad de datos y es; identificado por usuarios permanentes, luego basado en algoritmos. Un modelo de atribución será muy útil para el análisis de marketing;
....
En general, no existe un modelo de atribución perfecto. Cualquier modelo tiene sus limitaciones y deficiencias. Cómo combinar eficazmente datos objetivos y especulaciones subjetivas es un requisito previo importante para utilizar bien un modelo de atribución.
Aquí hay una pregunta interesante. Puedes pensar en la lógica detrás de su análisis e intentar aplicarla al modelo de atribución.