Modeli atribucije u Google Analyticsu – četvrti dio

U prošlom nastavku smo završili sa pojašnjavanjem što su to „tvornički“ pripremljeni modeli atribucije u Google Analyticsu. U ovom ćemo nastavku pisati o prilagođenom/personaliziranom modelu atribucije.

Personalizirani model atribucije

(Ponovimo: nemojte se baviti ovim modelom, dok niste uložili nekoliko tjedana u eksperimentiranje sa modelom gubitka vremenske  vrijednosti).

Personalizirani model atribucije  doista može biti moćan alat. Sjajno je da Google nije ograničio ovaj model samo na Google Analytics Premium (plaćena verzija Analyticsa).

Unutar personaliziranog modela atribucije, možete koristiti linearni model, model prvog ili zadnjeg klika, model gubitka vremenske vrijednosti, ili, pak, model atribucije na temelju položaja, kao svojevrsnu polaznu točku. Potom možete unositi postavke koje Vi smatrate važnim za vaše poslovanje, kako biste izradili vlastiti model atribucije.

Autor članka, vrhunski stručnjak Avinash Kaushik, za personalizirani model atribucije kaže: „Provodim puno vremena sa menadžerima i marketingašima, usvajajući podatke o njihovom postojećem medija miksu i marketinškoj potrošnji. Tek kad usvojim ove informacije, mogu izraditi personalizirani model atribucije za njih. Neka od pitanja koja postavljam ovim poslovnim ljudima:

• Kakav tip korisničkog ponašanja vrednujete?
• Koji je za vas optimalan vremenski okvir konverzije?
• Kako povijesno izgleda ponašanje ponovljenog kupca?
• Da li ste definirali neke mikro konverzije sa novčanom vrijednošću?
• Da li pratite izvanmrežne konverzije u Universal Analyticsu?

I tako dalje, i tako dalje.

Odgovori na ova pitanja kreiraju važan kontekst u donošenju odluka na temelju kojih će biti izrađen personalizirani model atribucije.

Iz mojeg dosadašnjeg iskustva, s vama ću podijeliti personalizirani model koji je često koristio kao polazna točka za veliki broj tvrtki:

U padajućem izborniku u alatu za usporedbu modela odaberite „Izradi novi prilagođeni model“.

1. korak: definirajte osnovni model

Ja obično započinjem sa modelom atribucije na temelju položaja. Potom, odredite postotak konverzijske zasluge na osnovu položaja. Evo što ja koristim za tu namjenu:

Ukoliko ste pažljivo čitali dosadašnje nastavke ove teme, iznad navedena podjela zasluge vam ne bi trebala biti iznenađujuća. Zadnja interakcija prije konverzije zaslužuje veliki udio u zasluzi. Srednje interakcije su važne za dovođenje ljudi do zadnje interakcije pred konverziju, stoga i dobivaju značajnu zaslugu. Prva interakcija zaslužuje nešto zasluge za konverziju, ali ni približno koliko srednje interakcije i zadnja interakcija. Iz očitih razloga.

2. korak: Odaberite vremenski okvir retrospektivnog pregleda

Određujem optimalni vremenski period za analizu kampanja/interakcija/dodirnih točaka preko medija za podjelu zasluge za konverzije kroz vrijeme, koristeći izvješće o Vremenskom odmaku iz Višekanalnih tokova.

Moje pravilo za odabir vremenskog okvira retrospektivnog pogleda je „blizu gornje granice broja dana do konverzije, minus statistički podatci s različitim vrijednostima od drugih u uzorku, plus malo više“.

U ovom konkretnom slučaju, radilo se o B2B klijentu i dugom ciklusu konverzije koji je trajao nekih 65 dana, zanemarujući neuobičajene podatke. Stoga sam odabrao 75, ponešto konzervativniji broj.

U ovom koraku, analizirajte vlastiti vremenski odmak. Pritom ne morate analizirati svaku zasebnu kampanju.

Sljedeća dva koraka su od presudne važnosti. I zaista su cool. Još važnije, pomažu nam da se riješimo nekih neoptimalnih odluka iz prva dva koraka. Pazi dobro:

3. korak: Odaberite korekciju bonusa na temelju interakcije korisnika

Ovdje ćemo primijeniti vrlo praktično pravilo kako bismo prilagodili zaslugu za našu kampanju, utemeljenu na ponašanju korisnika koji je došao na naše stranice. Ovo je posebice važno za interakcije koje prethode posljednjem kliku pred konverziju.

Vrijeme na web lokaciji može biti varljiva kalkulacija. U cijelom Analyticsu, osim ukoliko koristite prilagođeni kod, Vrijeme na web lokaciji se ne računa kod napuštanja stranice (Bounce) ili kod zadnje stranice koja je bila posjećena tijekom jedne sesije.

Iz tog razloga, preferiram koristiti broj posjećenih stranica kao posrednik u angažmanu na webu.

U ovom koraku, Analyticsu dajemo nalog da pridoda veću zaslugu onim kampanjama koje su polučile veći angažman korisnika na našim web stranicama. Primjerice: ukoliko korisnik oglasa iz kampanje X posjeti 5 stranica tijekom njegovog boravka na mojim stranicama o automobilima, a korisnik oglasa iz kampanje Y napusti moje web odredište odmah po posjeti prvoj stranici, kampanja X će dobiti veću zaslugu.

4. korak: Primijenite personalizirana pravila dodjele zasluga

Ostavili smo možda i najslađi dio za kraj. Odabrat ćemo neka prilagođena pravila koja se sva mogu primijeniti na našeg „testnog klijenta“ (vidi 5 pitanja za menadžment iznad u ovom članku).

Ovdje možete primijeniti bilo koje prilagođeno pravilo koje želite. Primjerice, ako je to Vaš cilj, možete dati nalog „za sve posjete koje su Bounceale i do kojih je došlo preko display kampanje, dodaj kampanji 2x zaslugu“. Naravno, ovo ne biste napravili, ali – možete ako želite. Možete napraviti i obrnuto: „Svakoj kampanji koja je generirala Bounceve, dodijeli 0x zaslugu drugih interakcija iz puteva konverzija.“

Možemo, za prvi korak, odrediti jednostavnije pravilo za Google Analytics: Vrednuj moje kampanje na osnovu interakcije koju generiraju. Primjerice, ukoliko se dogodi samo impresija (oglas bude prikazan), želimo to vrednovati puno niže od situacije kada korisnik klikne na taj oglas.

Kako bismo postavili prilagođeni model na ovaj način, najprije unutar prvog padajućeg izbornika (uz „Dodijeli“) odaberite „Vrsta interakcije“. Potom odaberite „klik“ iz padajućeg izbornika pokraj „Točno podudaranje“.

Za kraj, želio bih definirati da oglasi, koji generiraju klikove budu dodatno „nagrađeni“ i – u ovom slučaju – dobiju 1.4 puta veću zaslugu u usporedbi s ostalim kampanjama u putevima konverzija (odnosno, u usporedbi s oglasima koji generiraju samo impresije).

Zašto 1.4? Nakon izvjesnog eksperimentiranja, došli smo do zaključka da je to optimalna vrijednost za vrstu poslovanja kojom se „eksperimentalna tvrtka“ bavi. Nema druge: morate eksperimentirati.

To je bio zadnji korak u ovoj našoj seriji članaka.

Postoji još ideja i mogućnosti za „igranje“ u ovom zadnjem koraku: davanje više ili manje zasluge/kredita općenitijim ili manje općenitim ključnim riječima. Ili davanje društvenim mrežama ili direktnim posjetima više ili manje zasluge. Ovdje doista možete raditi što želite, samo ne zaboravite uključiti zdrav razum i logiku.

Evo i potpunog prikaza modela kojega smo ovdje oblikovali:

Tu je sve što vam treba, u ova jednostavna 4 koraka, malo razumijevanja vašeg poslovanja i prstohvat zdravog razuma. 🙂

Trebalo bi vam biti potpuno jasno da je ovo modeliranje utemeljeno na specifičnosti klijentovog poslovanja, mojeg iskustva i poslovnih prioriteta. I premda postoji dobra šansa da će vam ovaj prilagođeni model biti odlična polazna točka, on ne mora biti optimalan za VAŠ posao.

Ovdje je presudno konstruktivno i argumentirano razmišljanje i razlozi za odabir određenog rješenja. Potom, jednostavno primijenite isti nivo kritičkog rasuđivanja prilikom izrade modela za vaše poslovanje.

Analiza višekanalnih modela atribucije

Nakon što ste proučili i isprobali sve raspoložive modele atribucije, predlažemo da zaboravite na korištenje modela zadnjeg klika. On ionako predstavlja samo teret za kvalitetnu analizu. Ukoliko se želite baviti komparativnom analizom, predlažemo da odaberete  model gubitka vremenske vrijednosti kao prvi model, dok za drugi model možete odabrati Naš prilagođeni model (ili vaš vlastiti prilagođeni model).

Pregled usporedbe modela će izgledati otprilike ovako:

Usredotočite se na posljednji stupac zdesna: % promjene u konverzijama.

Iskoristite smjernice koje dobivate ovakvim usporedbama (pozitivni ili negativni pomak u odnosu na referentni model – u ovom slučaju model Gubitka vremenske vrijednosti) kako biste mogli izraditi prijedlog drugačije distribucije sredstava za svaki marketinški kanal. Usporedbom dva modela, možete lako uvidjeti gdje je vaš prošli model/smjer bio pogrešan. Pokušajte podesiti marketinški budžet sukladno tome, za veći uspjeh. Usporedbe radi, u analizi na slici iznad, Prikazivačka mreža ima osjetno slabije performanse u odnosu na kako bismo ih inače vrednovali, bez ovakve analize.

Za optimalni rezultat za vašu tvrtku, slijedite ovaj trostupanjski proces:

1. Izradite hipotezu utemeljenu na analizi iznad, sa svrhom što kvalitetnije alokacije budžeta po marketinškim kanalima;
2. Testirajte tu hipotezu koristeći postotke budžeta i mjerenje rezultata;
3. Vremenom budite manje u krivu. 🙂

Zaključak: Pet brzinskih savjeta i provjera

Za kraj, evo nekoliko uvida u rješavanje osnovnih modela višekanalne atribucije (za detalje o njima, pročitajte prvi dio našeg serijala o ovoj temi). Nadamo se da će vam ovi savjeti pomoći da sami krenete u ovaj napredni i kompleksni posao:

#1 Kako bi model višekanalne atribucije mogao funkcionirati, dodijelite tag-ove s parametrima praćenja kampanje svim vašim marketinškim kampanjama (Organsko pretraživanje, Društvena mreža, E-pošta, Prikazivačka mreža, drugo), Tagirajte svoje kampanje na tražilici Bing. Tagirajte svoje email kampanje. Kampanje na društvenim mrežama.

#2 Napravite analizu istovjetnu ovoj analizi iznad, na način da je utemeljena na CPA (Trošak po akviziciji) radije nego samo na konverzijama. Drugim riječima: realno vam se može događati da bilježite veliki broj konverzija, no trošak po akviziciji može biti katastrofalan po vas. Kao što možete vidjeti u prethodnoj analizi, ovdje je unesen CPA samo za dva online kanala (Plaćeno pretraživanje i Prikazivačka mreža). Za ostale kanale, trebamo u svoj Analytics korisnički račun uvesti podatke o troškovima (čak i za Organsko pretraživanje).

#3 Ne trebate provoditi analizu atribucije za sve konverzije kumulativno. Pri vrhu alata za usporedbu modela, kliknite na padajući izbornik na ikoni s pojmom „Sve“ ispod pojma „Konverzija:“ (vidi sliku ispod). Potom odaberite bilo koji tip konverzije kojeg smatrate važnim za svoju analizu. Možete, primjerice, provoditi kvalitetno modeliranje atribucije samo u cilju optimizacije kampanja prema transakcijama u E-trgovini. Ili možete to činiti za prijave u newsletter ili download cjenika, ili za bilo koju drugu akciju koju smatrate važnom da je korisnici vaše web stranice izvrše.

#4 Zapamtite da se sve što smo naveli u ovom serijalu o modelima atribucije odnosi isključivo na MCA-ADC (Multi Channel Attribution, Across Digital Channels), odnosno, model koji proučava dodjeljivanje zasluge pojedinim (i svim) digitalnim kanalima. Postoje još dva, čak i kompleksnija, scenarija analize atribucije: MCA-O2S i MCA-AMS. O njima ćemo nekom drugom prilikom.

#5 Za početak, analizirajte u cilju optimizacije vašeg online medija miksa. Potom, krenite s optimizacijom vašeg offline i online medija miksa.

Nemojte se obeshrabriti silnom kompleksnošću ove problematike. Idite korak po korak. Najprije standardni model gubitka vremenske vrijednosti. Potom vaš prilagođeni model atribucije. Potom eksperimentiranje. A potom (eventualno) ostali scenariji analize atribucije. Sa svakim korakom kojeg učinite u ovom procesu, vaša će tvrtka biti pametnija. Manje pogrešna statistika iz dana u dan. 🙂

Ukoliko budete imali ikakvih pitanja ili komentara na ovu temu, slobodno ostavite komentar, a mi ćemo odgovoriti ASAP. 🙂

Sretno s atribucijskim modeliranjem i uživajte u čarima naprednih funkcija Google Analyticsa!