Walaupun banyak organisasi hari ini menggunakan model atribusi yang dibangunkan khas , model klik terakhir masih digunakan terlalu kerap. Masalahnya: Ulasan klik terakhir adalah tidak realistik dan tidak sepadan dengan realiti pengiklanan sebenar anda. Dalam projek semasa , kami ingin mengetahui sama ada alat penyasaran semula yang digunakan benar-benar bernilai wang. Jika kita hanya menumpukan pada klik terakhir, ia mungkin akan berbalik arah. Oleh itu, dalam artikel ini saya akan menunjukkan kepada anda cara untuk menganalisis kesan ukuran pengiklanan anda secara realistik dan tanpa usaha yang ketara: atribusi berbilang sentuhan.
model atribusi dan perjalanan pelanggan langkah penting untuk atribusi berbilang sentuhan
Pada masa kini kami boleh menganalisis Senarai E-mel B2B keberkesanan pengiklanan saluran pemasaran kami dengan cara yang berwawasan, terutamanya dalam ruang digital. Walau bagaimanapun, masalah selalunya terletak pada penilaian yang betul terhadap saluran masing-masing. Pemasar membelanjakan jumlah yang besar untuk iklan setiap bulan, yang lain bersumpah dengan perkhidmatan atau alat penyasaran semula – tetapi apakah yang berlaku jika anda mematikan salah satu daripada langkah ini atau mengalihkan belanjawan anda.
Agihan jualan yang adil? Itulah sebabnya model klik terakhir tidak realistik langkah penting untuk atribusi berbilang sentuhan
Mengapa penting untuk tidak terlalu fokus pada klik terakhir? Banyak organisasi masih menggunakan model atribusi mudah seperti model klik terakhir. Mereka sering tidak tahu pilihan lain yang boleh mereka gunakan sebagai alternatif. Inilah sebabnya mengapa potensi yang tidak diimpikan hilang kerana model Klik Terakhir memberi anda gambaran realiti yang sangat herot berdasarkan data anda. Anda kemudian mengaitkan semua jualan ke titik sentuh terakhir – titik sentuh lain tidak menerima apa-apa. Dalam sesetengah situasi, pendekatan sedemikian mungkin masuk akal, tetapi kebanyakan masa anda ingin mendekati realiti yang mungkin. Model klik terakhir sedemikian bukan sahaja tidak adil, tetapi juga jauh dari realiti.
membina model atribusi terdorong data menggunakan algoritma
Dalam contoh Sådan identificerer du potentielle tegn på, at din kloakledning skal udskiftes Rantaian Markov (lihat bahagian seterusnya), anda mengira kepentingan setiap aktiviti pemasaran dengan mensimulasikan perkara yang akan berlaku jika anda meninggalkan aktiviti pemasaran tersebut. Perjalanan pelanggan pertama mencetuskan pesanan, dua yang lain datang dengan tangan kosong. Algoritma melihat setiap lawatan atau titik sentuh sebagai syarat. Dalam contoh kami ini adalah saluran pemasaran. Selain saluran kami, kami menambah keadaan tambahan supaya algoritma mengetahui bila pesanan dibuat dan bila tidak. Pesanan pertama bermakna hanya keadaan semasa digunakan. Perintah ke-2 juga termasuk keadaan sebelumnya. Kesan interaksi antara saluran atau aktiviti pemasaran juga diambil kira. Seorang pengguna mungkin berkelakuan berbeza jika mereka melihat Paparan dahulu dan kemudian SEA daripada pengguna lain yang melihat E-mel dahulu dan kemudian SEA.
Faedah Analisis Atribusi Berbilang Sentuhan
Semasa peruntukan belanjawan, belanjawan yeezy 350 boost v2s pemasaran yang ada dibahagikan antara pelbagai saluran atau langkah pemasaran. Sebagai orang yang bertanggungjawab, anda berhadapan dengan persoalan bagaimana belanjawan pemasaran harus dibahagikan. Di sinilah prestasi diukur kami daripada analisis atribusi terdorong data memainkan peranan. Berdasarkan ROI, ini memberitahu kami betapa “baik” aktiviti pemasaran berfungsi. Jika ini jauh di bawah purata ROI, kurang belanjawan mungkin perlu dilaburkan di sini. Sebaliknya, jika ROI aktiviti pemasaran adalah sangat tinggi, anda boleh mempertimbangkan untuk melabur lebih banyak belanjawan di sini.
Cabaran analisis atribusi terdorong data
Walaupun model dipacu data memberikan gambaran yang lebih baik tentang kesan sebenar aktiviti pemasaran berbanding pendekatan klik terakhir, model itu masih tidak boleh mewakili realiti 100%. Saranan daripada rakan, kehendak peribadi, nilai dan sifat perwatakan pelanggan tidak dicerminkan dalam perjalanan pelanggan, untuk menamakan beberapa sahaja. Kerana “perjalanan pelanggan anda” dengan semua aspek kualitatif adalah sangat individu dan tidak boleh sentiasa diukur. Terdapat juga cabaran dari segi teknikal. Adakah alat analitis web menyokong penjejakan merentas peranti? Apakah yang berlaku jika seseorang memadamkan kuki mereka atau tidak menerima persetujuan kuki? Terdapat juga cabaran apabila ia berkaitan dengan peruntukan belanjawan.