Atrybucja (marketing)

W marketingu atrybucja , znana również jako atrybucja multi-touch , to identyfikacja zestawu działań użytkownika („zdarzeń” lub „punktów styku”), które przyczyniają się do pożądanego wyniku, a następnie przypisanie wartości każdemu z tych zdarzeń. . Atrybucja marketingowa zapewnia poziom zrozumienia, jaka kombinacja zdarzeń w określonej kolejności wpływa na zaangażowanie poszczególnych osób w pożądane zachowanie, zwykle określane jako konwersja.

Historia

Korzenie marketingowej atrybucji można doszukiwać się w psychologicznej teorii atrybucji . Według większości relacji obecne zastosowanie teorii atrybucji w marketingu było spowodowane przeniesieniem wydatków na reklamę z tradycyjnych reklam offline na media cyfrowe oraz rozszerzeniem danych dostępnych za pośrednictwem kanałów cyfrowych, takich jak płatne i bezpłatne wyszukiwanie, display i e-mail marketing .

Pojęcie

Celem atrybucji marketingowej jest ilościowe określenie wpływu każdego wyświetlenia reklamy na decyzję konsumenta o podjęciu decyzji o zakupie lub konwersji. Wgląd w to, co, kiedy iw jakim stopniu wpływa na odbiorców, pozwala marketerom optymalizować wydatki na media pod kątem konwersji i porównywać wartość różnych kanałów marketingowych , w tym wyszukiwania płatnego i bezpłatnego, poczty e-mail , marketingu afiliacyjnego , reklam graficznych, mediów społecznościowych i innych. Zrozumienie całej ścieżki konwersji w ramach całego marketingu mix zmniejsza dokładność analizy danych z kanałów silosowych. Zazwyczaj dane atrybucji są wykorzystywane przez marketerów do planowania przyszłych kampanii reklamowych i informowania o wynikach poprzednich kampanii poprzez analizę, które miejsca docelowe w mediach (reklamy) były najbardziej opłacalne i miały największy wpływ na podstawie takich wskaźników, jak zwrot z nakładów na reklamę (ROAS) lub koszt za lead (CPL).

Modele atrybucji

W wyniku zakłóceń spowodowanych szybkim rozwojem reklamy internetowej w ciągu ostatnich dziesięciu lat, organizacje marketingowe mają dostęp do znacznie większej ilości danych umożliwiających śledzenie skuteczności i zwrotu z inwestycji. Ta zmiana wpłynęła na sposób, w jaki marketerzy mierzą skuteczność reklam, a także na rozwój nowych wskaźników, takich jak koszt kliknięcia (CPC), koszt tysiąca wyświetleń (CPM), koszt działania/pozyskania (CPA) i konwersja po kliknięciu . Ponadto z biegiem czasu ewoluowało wiele modeli atrybucji, ponieważ rozprzestrzenianie się urządzeń cyfrowych i ogromny wzrost dostępnych danych przyspieszyły rozwój technologii atrybucji.

• Single Source Attribution (również Single Touch Attribution ) przypisują całą zasługę jednemu zdarzeniu, takiemu jak ostatnie kliknięcie, pierwsze kliknięcie lub ostatni kanał, w którym wyświetliła się reklama (wyświetlenie posta). Atrybucja prosta lub oparta na ostatnim kliknięciu jest powszechnie uważana za mniej dokładną niż alternatywne formy atrybucji, ponieważ nie uwzględnia wszystkich czynników, które doprowadziły do ​​pożądanego wyniku.
• Ułamkowa atrybucja obejmuje równe wagi, zanik czasu, kredyt klienta oraz modele wielodotykowe / krzywe. Modele o równej wadze przypisują tę samą wartość wydarzeniom, kredyt klienta wykorzystuje wcześniejsze doświadczenia, a czasem po prostu domysły, aby przydzielić kredyt, a multi-touch przypisuje różne punkty we wszystkich punktach styku w ścieżce zakupowej w ustalonych kwotach.
• Atrybucja algorytmiczna lub probabilistyczna wykorzystuje modelowanie statystyczne i techniki uczenia maszynowego do obliczania prawdopodobieństwa konwersji we wszystkich marketingowych punktach styku, które następnie można wykorzystać do ważenia wartości każdego punktu styku poprzedzającego konwersję. Doubleclick i Analytics 360 , znane również jako Data Driven Attribution, wykorzystują zaawansowane algorytmy do analizy wszystkich różnych ścieżek na Twoim koncie (zarówno niekonwertujących, jak i konwertujących), aby dowiedzieć się, które punkty styku najbardziej pomagają w konwersji . Atrybucja algorytmiczna analizuje zarówno ścieżki konwersji, jak i ścieżki niekonwertujące we wszystkich kanałach, aby określić prawdopodobieństwo konwersji. Dzięki prawdopodobieństwu przypisanemu do każdego punktu styku wagi punktów styku można agregować według wymiaru tego punktu styku (kanał, miejsce docelowe, kreacja itp.), aby określić całkowitą wagę tego wymiaru.
• atrybucji opartej na kliencie są opracowywane poprzez gromadzenie danych zerowych, a następnie wykorzystują analizę projekcyjną w celu uzyskania pełnego obrazu atrybucji. Ta metoda atrybucji została opracowana z przekonaniem, że odpowiedzi od klientów powinny być najsilniejszym ważonym punktem danych w obliczeniach atrybucji. To próba uproszczenia atrybucji i powrotu do podstaw.

Konstruowanie algorytmicznego modelu atrybucji

Binarne metody klasyfikacji ze statystyki i uczenia maszynowego mogą być wykorzystane do zbudowania odpowiednich modeli. Jednak ważnym elementem modeli jest interpretowalność modeli; dlatego regresja logistyczna jest często odpowiednia ze względu na łatwość interpretacji współczynników modelu.

Model behawioralny

Załóżmy, że obserwowane dane reklamowe to ${\ Displaystyle \ {(X_ {i}, A_ {i}, Y_ {i}) \} _ {i = 1} ^{n}}$ gdzie

• ${\ Displaystyle X \ in \ mathbb {R}}$ współzmienne
• ${\ Displaystyle A \ w \ {0,1 \}}$ konsument widział reklamę, czy nie
• ${\ Displaystyle Y \ w \ {0,1 \}}$ : binarna odpowiedź na reklamę

Model wyboru konsumenta

 ${\ Displaystyle u (x, a) = \ mathbb {E} (Y | X = x, A = a)}$${\ Displaystyle \ forall X \ in \ mathbb {R}}$ współzmienne i reklamy ${\ displaystyle \ forall A}$

${\ Displaystyle u = \ suma _ {k} A \ beta ^ {k} \ psi (x) + \ epsilon}$

Współzmienne, na ogół obejmują różne cechy $wyświetlanej$ reklamy (kreacja, rozmiar, kampania, taktyka marketingowa itp.) Oraz dane opisowe dotyczące konsumenta, który widział reklamę (lokalizacja geograficzna, typ urządzenia, typ systemu operacyjnego, X {\ displaystyle X itp.).

Teoria użyteczności

${\ Displaystyle y_ {i} ^ {*} = {\ underset {y_ {i}} {\ max}} {\ bigl (} \ mathbb {E} [u_{i}]{\bigr )}}$

${\ Displaystyle Pr (y = 1 | x) = Pr (u_ {1}> u_ {0})}$

 ${\ Displaystyle = 1/[1 + e ^ {\ suma _ {k} A \ beta ^ {k} \ psi (x)}]}$

Procedura kontrfaktyczna

Ważną cechą podejścia modelowego jest oszacowanie potencjalnego wyniku przypuszczenia przez konsumentów, że nie zostali narażeni na reklamę. Ponieważ marketing nie jest kontrolowanym eksperymentem, pomocne jest wyprowadzenie potencjalnych wyników, aby zrozumieć prawdziwy efekt marketingu.

Średni wynik, gdyby wszyscy konsumenci zobaczyli tę samą reklamę, jest podany przez

${\ Displaystyle \ mu _ {a} = \ mathbb {E} Y ^ {*} (a)}$

 ${\ Displaystyle = \ mathbb {E} \ {\ mathbb {E} (Y | X, A = a) \}}$

Marketer jest często zainteresowany zrozumieniem „podstawy” lub prawdopodobieństwa, że ​​konsument dokona konwersji bez wpływu marketingu. Pozwala to marketerowi zrozumieć prawdziwą skuteczność planu marketingowego. Łączna liczba konwersji pomniejszona o konwersje „podstawowe” daje dokładny obraz liczby konwersji uzyskanych dzięki działaniom marketingowym. Oszacowanie „podstawowe” można przybliżyć za pomocą pochodnej funkcji logistycznej i potencjalnych wyników.

${\ displaystyle {\ text {Base}} = {\ frac {\ text {Przewidywane konwersje bez obserwowanego marketingu}}}}}}}}}}$${\ Displaystyle = {\ Frac {\ mathbb {E} \ {\ mathbb {E} (Y | X ,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Po ustaleniu podstawy przyrostowy efekt marketingu można rozumieć jako wzrost ponad „podstawę” każdej reklamy, przy założeniu, że pozostałe nie były widoczne w potencjalnym wyniku. Ten wzrost nad podstawą jest często używany jako waga dla tej cechy w modelu atrybucji.

${\ Displaystyle {\ tekst {Waga przypisania}} =}$${\ Displaystyle = {\ Frac {\ mathbb {E} \ {\ mathbb {E} (Y | X, A = 1) \} - \ mathbb {E} \ {\ mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Dzięki skonstruowaniu wag marketer może poznać prawdziwy odsetek konwersji generowanych przez różne kanały lub taktyki marketingowe.

Marketing mix i modele atrybucji

W zależności od marketingu-mix firmy, mogą używać różnych rodzajów atrybucji do śledzenia swoich kanałów marketingowych:

• Atrybucja interaktywna odnosi się do pomiaru tylko kanałów cyfrowych, podczas gdy atrybucja międzykanałowa odnosi się do pomiaru zarówno kanałów online, jak i offline.
• Atrybucja oparta na kontach odnosi się do mierzenia i przypisywania zasług firmom jako całości, a nie poszczególnym osobom i jest często stosowana w marketingu B2B.

• Mofet, Tina. „The Forrester Wave: Cross-Channel Attribution Providers (7 listopada 2014)” . Zarchiwizowane od oryginału w dniu 9 lipca 2015 r . Źródło 8 lipca 2015 r .