Атрибуция (маркетинг)

Количественная оценка маркетингового влияния

В маркетинге атрибуция , также известная как мультитач-атрибуция , представляет собой идентификацию набора действий пользователя («события» или «точки взаимодействия»), которые способствуют желаемому результату, а затем присвоение значения каждому из этих событий. . ^{[1] [2]} Маркетинговая атрибуция обеспечивает уровень понимания того, какая комбинация событий и в каком конкретном порядке влияет на людей на желаемое поведение, обычно называемое конверсией. ^{[1] [2]}

История

Корни маркетинговой атрибуции можно проследить до психологической теории атрибуции . ^{[2] [3]} По мнению большинства, нынешнее применение теории атрибуции в маркетинге было вызвано переходом рекламных расходов от традиционной офлайн-рекламы к цифровым медиа и расширением данных, доступных через цифровые каналы, такие как платный и органический поиск, медийный и электронный маркетинг . ^{[2] [4]}

Концепция

Целью маркетинговой атрибуции является количественная оценка влияния каждого рекламного показа на решение потребителя принять решение о покупке или совершить конверсию. ^[4] Видимость того, что влияет на аудиторию, когда и в какой степени, позволяет маркетологам оптимизировать расходы на рекламу для конверсий и сравнивать ценность различных маркетинговых каналов , включая платный и обычный поиск, электронную почту , партнерский маркетинг , медийную рекламу, социальные сети и т. д. более. ^[2] Понимание всего пути конверсии по всему комплексу маркетинга снижает сложность анализа данных из разрозненных каналов. Обычно данные атрибуции используются маркетологами для планирования будущих рекламных кампаний и информирования об эффективности предыдущих кампаний путем анализа того, какие места размещения в СМИ (объявления) были наиболее рентабельными и влиятельными, что определяется такими показателями, как рентабельность инвестиций в рекламу (ROAS) или стоимость лида (CPL). ^[2]

Модели атрибуции

В результате перемен, вызванных быстрым ростом онлайн- рекламы за последние десять лет, маркетинговые организации получили доступ к значительно большему количеству данных для отслеживания эффективности и рентабельности инвестиций. Это изменение повлияло на то, как маркетологи измеряют эффективность рекламы, а также на разработку новых показателей, таких как цена за клик (CPC), цена за тысячу показов (CPM), цена за действие/приобретение (CPA) и конверсия по кликам. . Кроме того, с течением времени появилось множество моделей атрибуции, поскольку распространение цифровых устройств и огромный рост доступных данных подтолкнули к развитию технологии атрибуции.

• Модели атрибуции с одним источником (также атрибуции с одним касанием ) присваивают всю ценность одному событию, например последнему клику, первому клику или последнему каналу для показа рекламы (просмотру публикации). Простая атрибуция или атрибуция по последнему клику считается менее точной, чем альтернативные формы атрибуции, поскольку она не учитывает все факторы, способствующие достижению желаемого результата. ^{[2] [5]}
• Дробная атрибуция включает модели равного веса, временного затухания, кредитоспособности клиента и модели мультитач/кривая. ^{[2] [4]} Модели с равным весом придают одинаковое значение событиям, кредитование клиента использует прошлый опыт, а иногда и просто догадки для распределения кредита, а мультитач присваивает различную ценность всем точкам взаимодействия на пути покупателя. установить суммы. ^[5]
• Алгоритмическая или вероятностная атрибуция использует методы статистического моделирования и машинного обучения для определения вероятности конверсии во всех точках маркетингового взаимодействия, которые затем можно использовать для взвешивания ценности каждой точки взаимодействия, предшествующей конверсии. ^{[5] [6]} Также известная как атрибуция на основе данных. Doubleclick и Analytics 360 от Google используют сложные алгоритмы для анализа всех различных путей в вашем аккаунте (как неконверсионных, так и конверсионных), чтобы выяснить, какие точки взаимодействия больше всего помогают с конверсиями. . ^[7] Алгоритмическая атрибуция анализирует как конверсионные, так и неконверсионные пути по всем каналам, чтобы определить вероятность конверсии. ^{[4] [6]} Поскольку каждой точке взаимодействия назначена вероятность, веса точек взаимодействия могут быть агрегированы по измерению этой точки взаимодействия (канал, место размещения, объявление и т. д.), чтобы определить общий вес для этого измерения.
• Модели атрибуции, ориентированной на клиента, разрабатываются путем сбора сторонних данных, а затем с использованием проективной аналитики для получения полной картины атрибуции. Этот метод атрибуции был разработан с учетом того, что ответы клиентов должны быть самым весомым показателем при расчете атрибуции. Это попытка упростить атрибуцию и вернуться к основам.

Построение алгоритмической модели атрибуции

Методы двоичной классификации на основе статистики и машинного обучения можно использовать для построения соответствующих моделей. Однако важным элементом моделей является интерпретируемость модели; поэтому логистическая регрессия часто подходит из-за простоты интерпретации коэффициентов модели.

Поведенческая модель

Предположим, что наблюдаемые рекламные данные находятся там, где ${\displaystyle \{(X_{i},A_{i},Y_{i})\}_{i=1}^{n}}$

• ${\displaystyle X\in \mathbb {R} }$ковариаты
• ${\displaystyle A\in \{0,1\}}$потребитель видел рекламу или нет
• ${\displaystyle Y\in \{0,1\}}$конверсия: бинарный ответ на рекламу

Модель потребительского выбора

${\displaystyle u(x,a)=\mathbb {E} (Y|X=x,A=a)}$  ${\displaystyle \forall X\in \mathbb {R} }$ковариаты и реклама ${\displaystyle \forall A}$

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

Ковариаты обычно включают в себя различные характеристики показываемой рекламы (креатив, размер, кампания, маркетинговая тактика и т. д.) и описательные данные о потребителе, просмотревшем рекламу (географическое местоположение, тип устройства, тип ОС и т. д.). ^[8] ${\displaystyle X}$

Теория полезности

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

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

  ${\displaystyle =1/[1+e^{\sum _{k}A\beta ^{k}\psi (x)}]}$^[9]

Контрфактическая процедура

Важной особенностью подхода к моделированию является оценка потенциального результата для потребителей, предполагающих, что они не увидели рекламу. Поскольку маркетинг не является контролируемым экспериментом, полезно получить потенциальные результаты, чтобы понять истинный эффект маркетинга.

Средний результат, если все потребители увидели одну и ту же рекламу, определяется выражением

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

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

Маркетолог часто заинтересован в понимании «базы» или вероятности того, что потребитель совершит конверсию, не подвергаясь влиянию маркетинга. Это позволяет маркетологу понять истинную эффективность маркетингового плана. Общее количество конверсий за вычетом «базовых» конверсий даст точное представление о количестве конверсий, полученных благодаря маркетингу. «Базовую» оценку можно аппроксимировать с помощью производной логистической функции и потенциальных результатов.

${\displaystyle {\text{Base}}={\frac {\text{Predicted Conversions Without Observed Marketing}}{\text{Predicted Conversions With Observed Marketing}}}}$ ${\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Как только база получена, дополнительный эффект маркетинга можно понимать как повышение «базы» для каждого объявления, предполагая, что другие не были замечены в потенциальном результате. Этот подъем над базой часто используется в качестве веса для этой характеристики внутри модели атрибуции.

${\displaystyle {\text{Attribution Weight}}=}$ ${\displaystyle ={\frac {\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}-\mathbb {E} \{\mathbb {E} (Y|X,A=0)\}}{\mathbb {E} \{\mathbb {E} (Y|X,A=1)\}}}}$

Построив веса, маркетолог может узнать истинную долю конверсий, вызванных различными маркетинговыми каналами или тактиками.

Маркетинг-микс и модели атрибуции

В зависимости от маркетингового комплекса компании они могут использовать различные типы атрибуции для отслеживания своих маркетинговых каналов:

• Интерактивная атрибуция относится к измерению только цифровых каналов, тогда как кросс-канальная атрибуция относится к измерению как онлайн, так и офлайн-каналов. ^[6]
• Атрибуция на основе учетной записи относится к измерению и приписыванию заслуг компаниям в целом, а не отдельным людям, и часто используется в маркетинге B2B. ^[10]

Рекомендации

1. Бенджамин Дик (1 августа 2016 г.). «Букварь по цифровой атрибуции 2.0» (PDF) . IAB.com . Проверено 30 апреля 2019 г.
2. Стефани Миллер (6 февраля 2013 г.). «Атрибуция цифрового маркетинга. Атрибуция цифрового маркетинга». DMNews.com . Проверено 25 марта 2013 г.
3. Картик Хосанагар (июль 2012 г.). «Атрибуция: кто получает кредит за нового клиента?». Уортонская школа . Проверено 25 марта 2013 г.
4. Яир Халеви (10 октября 2012 г.). «Проблема с атрибуцией по кликам». iMediaConnection.com . Проверено 25 марта 2013 г.
5. Тина Моффетт (30 апреля 2012 г.). «Волна Forrester: поставщики межканальной атрибуции». Исследования Форрестера. Архивировано из оригинала 13 апреля 2013 года . Проверено 22 марта 2013 г.
6. Дэвид Рааб (1 июля 2011 г.). «Маркетинговая атрибуция после последнего клика». Информация-Management.com . Проверено 25 марта 2013 г.
7. Бродбент, Эндрю Дж. (10 января 1918). Идеальное моделирование атрибуции и как достичь маркетинговой нирваны. ТНВ.
8. Ланкастер, Кельвин Дж. (1 января 1966). «Новый подход к теории потребителей». Журнал политической экономии . 74 (2): 132–157. дои : 10.1086/259131. S2CID  222425622.
9. Макфадден, Д. (1 января 1972 г.). «УСЛОВНЫЙ ЛОГИТ-АНАЛИЗ КАЧЕСТВЕННОГО ВЫБОРНОГО ПОВЕДЕНИЯ». Рабочий документ Института городского и регионального развития (199/).
10. «Почему ваша команда по работе с клиентами не может игнорировать атрибуцию на основе учетной записи» . www.bizible.com . Проверено 11 января 2016 г.

• Мофет, Тина. «Волна Forrester: поставщики межканальной атрибуции (7 ноября 2014 г.)». Архивировано из оригинала 9 июля 2015 года . Проверено 8 июля 2015 г.