Why attribution? Why data-driven?

But first, why is data-driven attribution the best solution actually? To know that you need to understand what is the aim of attribution and how it is achieved by rules-based models. Certainly you know that sessions aren’t equally valuable and not every user who entered a website will convert. Evaluating campaign performance by a number of impressions, clicks or CTR never shows precisely its impact on goals associated with generating conversions or revenue. However, results presented as distribution of conversions between channels enable objective evaluation of channel efficiency. And consequently whether a budget is spended optimally.

The easiest way to make attribution is to create a heuristic model based on simple rules of credit distribution across channels that occured in the path. On the infographic below you will find a comparison of the most important features of these models and the data-driven one. 

Common advantage of rules-based models is the fact that it is easy to understand the algorithms used to distribute conversion between channels. However, every model has its disadvantages resulting from too cursory research of clients paths. Imagine a quite frequent scenario where a user starts their journey from acquisition channels, then returns to the website thanks to remarketing campaigns and finally, when they decide to convert, they do it after entering the website using a brand channel (for example after typing shop’s name into a search engine). Linear model is the only rules-based model that doesn’t make assumptions about higher significance of particular elements of the user’s path – every step gains equal credit for bringing conversion. Sessions aren’t equally important though, some channels are more effective than others, but linear model don’t take up a challenge to identify those channels. Other heuristic models assume higher significance of channels placed in particular path phases making some channels underrated or overestimated. 

So the challenge here is to identify – in the fair way – which channels are the most efficient in encouraging clients to make a conversion. This challenge is taken up by data-driven models. In contrary to rules-based models, they use machine learning algorithms to evaluate the impact of every channel to conversion. These models take into consideration such factors as number of interactions, order of channels in the path, relations between channels and both converting and non-converting paths. In the end, a data-driven model can answer a question of the real added value of a channel when it appears in the user path. Common algorithms used in business are Markov chains model and Shapley value model.

Data-driven model is the best… but in which tool?

In every GMP tool data-driven attribution uses the same logic and is based on the same algorithm – Shapley value. In Blueattribution we have a slightly different approach – our model is based on Markov chains algorithm which performs better when business has many various channels. Another thing, which may be even more important than choosing a data-driven algorithm, is selection of data used to evaluate channels performance. That factor differs between GMP tools. 

On the one hand we have Search Ads 360 and Google Ads – tools that are very strong in actionability. Data-driven attribution results can directly improve campaigns, since they can be easily used to bid adjustment. Data-driven model will credit campaigns from every stage of the funnel based on their actual impact, so switching attribution model to data-driven may lead to more accurate ROAS calculation and better performance of the campaigns in the long run. The disadvantage here is the fact that these tools aren’t comprehensive, since they contain only a portion of marketing channels.

On the other hand we have products sharing a more complete story of marketing efforts. Data-driven attribution in Campaign Manager measures effectiveness of paid channels considering all conversion paths, but attributes to maximum 200 touchpoints. Unlike other tools, CM takes an advantage of third-party cookies so can also take impressions into consideration in the attribution model. It may be a huge benefit when you have display campaigns which don’t necessarily drive you clicks, but are important in building brand awareness. However, you have to be aware of inaccuracies caused by elimination of 3rd party cookies in popular browsers.

Campaign Manager shows us only paid channels results. To keep track with all marketing channels, including for example organic and social channels, we can use Google Analytics. First-party cookies enable click-based attribution. Although it is possible to use other data sources (Campaign Manager 360, Google Ads or Display & Video 360) to add impressions, it would introduce a bias to the model, since other channels, such as organic and social, wouldn’t have impression data in the model. Google Analytics offers two data-driven models – Attribution (beta) and attribution in Model Comparison tool for GA360 users only. The main difference between these approaches is the limitation put on data used in attribution models. Model Comparison tool considerates all paths but uses only the last four touchpoints of the path no matter how long ago they occured, whereas Attribution (beta) uses all touchpoints in the lookback window which can be set to at most 30 days. 

Investigating boundaries put on both modules we can conclude that businesses which clients need more time to make a converting decision, but don’t interact with website many times, should consider attribution in Model Comparison in GA360. In contrast, businesses which clients convert quickly, can use Attribution (beta) module. It seems that GA doesn’t offer a suitable solution for businesses with customers paths longer than 30 days and consisting of many interactions. To meet this need we recommend data-driven attribution in Blueattribution that is more flexible and can be adjusted to business needs. 

Read more:
https://www.fullstackexperts.eu/
https://attribution.bluerank.com/

Po co?

Prognozowanie jest zadaniem niezwykle trudnym. Większość z nas zapewne nie raz i nie dwa przekładało zaplanowany odpoczynek z powodu złej pogody – a przecież wcześniej prognozy napawały optymizmem. Warto wtedy pamiętać, że na pogodę ma wpływ niezliczona ilość czynników, co powoduje że prognozy długoterminowe są zdecydowanie mniej wiarygodne niż te krótkoterminowe – a te drugie i tak nie są w 100% pewne. Tak jak planujemy urlop, tak też i trzeba zaplanować budżet. Na to zaś wpływ ma również duża, ale na szczęście ograniczona ilość czynników. O ile na niektóre z nich ciężko jest uzyskać odpowiedź w sposób jednoznaczny (na przykład nigdy nie będziemy w stanie idealnie przewidzieć zachowania naszej konkurencji, która również reaguje na nasze działania), tak na inne możemy jej poszukiwać w skuteczny sposób. Odpowiedzią na to w jakie kanały warto inwestować jest atrybucja i optymalizacja mediów (kliknij aby dowiedzieć się więcej o Blueattribution). Odpowiedzią na to jakie kampanie są skuteczne mogą być testy typu Brand Lift (wpływ reklamy na markę) czy Conversion Lift. A jak to wygląda w przypadku SEO? SEO polega w ogromnej części na doświadczeniu specjalisty. W procesie ofertowania osoba odpowiedzialna za działania w tym obszarze jest pytana o zakładane wzrosty. I tutaj albo trafimy blisko celu albo kompletnie przestrzelimy wartości. O wiele łatwiej jest uzyskać bliskie rzeczywistości wyniki, kiedy opieramy się na wynikach ruchu organicznego prognozowanego przez zaawansowany model. 

Jak?

Dane rozłożone w czasie nazywamy szeregiem czasowym. W naszej sytuacji szereg zawierać będzie 3 elementy. Sezonowość, trend oraz resztę (czyli czynniki niezależne od pierwszych dwóch składowych). Możemy wyobrażać to sobie jako zwykłe działania arytmetyczne.

Istota problemu polega na rozdzieleniu szeregu na 3 wyżej wymienione części i zaprognozowaniu danych na podstawie sezonowości i trendu. Proste prawda? W teorii tak, w praktyce niekoniecznie.

Istnieje bardzo dużo różnych podejść do problemu prognozowania. Wybranie odpowiedniego determinuje dokładność otrzymanych wyników oraz cały dalszy proces prognozowania – w naszym przypadku za wyniki odpowiada model Holta-Wintersa. Udoskonalany i ulepszany przez wiele lat znajduje idealne zastosowanie w przewidywaniu ruchu organicznego – i robi to z dużą dokładnością, co jest niewspółmiernie dużą wartością dodaną do biznesu.

Nie zapominajmy też o wartości, którą wnosi doświadczenie specjalisty. Zakładamy że prognoza jest dokładna, o ile sytuacja w ogóle się nie zmienia – a przecież może. Jeżeli jest na to przestrzeń, to działania SEO podejmowane dla nowego klienta mogą w bardzo pozytywny sposób wpłynąć na wyniki. Prognoza ruchu organicznego w tym przypadku jest dla specjalisty pomocą, na podstawie której może podejmować dalsze decyzje. 

Komentarz:

Mateusz Rzetecki, Head of SEO, Bluerank

W Bluerank od zawsze kładziemy duży nacisk aby estymacje przygotowywane dla naszych Klientów były trafione w punkt. : ) Podczas procesów ofertowych wielokrotnie spotkałem się z pytaniami: czemu te estymacje są tak niskie, inna agencja obiecała nam nawet 400% więcej w tym samym budżecie. Naszym celem nie jest przyciągnięcie Klienta poprzez przygotowanie nierealnych prognoz wzrostów. Proces estymowania ruchu organicznego jest dla nas niezwykle istotny, dlatego oprócz wieloletniego doświadczenia specjalistów posiłkujemy się też modelami dostarczonymi przez nasz zespół Data Science. Dzięki takiemu podejściu jesteśmy w stanie dostarczać naszym Klientom jeszcze lepsze prognozy.

Skąd brać dane?

Algorytm z którego korzystamy i który został zaimplementowany w Blueattribution polega na surowych danych pobranych z Google Analytics. Nic natomiast nie przeszkadza w wykorzystaniu go przy innych danych – o ile zbieramy je dokładnie, systematycznie i mamy zapas historyczny.
Dane na których działa algorytm są prognozowane w systemie tygodniowym – czyli 52 tygodnie na rok. Pozwala to w łatwy sposób skupić się na “grubszej” sezonowości niż tygodniowa oraz zdecydowanie ułatwia wizualizację – wykres jest po prostu bardziej czytelny.

Minimum danych które są wymagane w celu wykonania prognozy to 2 lata. Musimy mieć chociaż po dwie sztuki rocznego trendu, rocznej sezonowości i reszt aby skutecznie wykonać model. Nie oznacza natomiast to, że im więcej danych historycznych posiadamy, tym dokładniejszy model będziemy w stanie stworzyć. Jeżeli w dalszym okresie historycznym serwis uległ kompletnemu przebudowaniu lub zostały podjęte inne działania które miały drastyczny i nagły wpływ na ruch, to z perspektywy modelu jest to już zupełnie inny rodzaj danych – a więc dodanie ich jedynie zaburzy model i nie pozwoli na dokładne prognozowanie.

Chcesz poznać marketing data-driven? Zapraszamy do zapoznania się z naszą bazą wiedzy
Chcesz dowiedzieć się więcej o prowadzeniu działań data-driven? Zapraszamy do kontaktu

Tu z pomocą przychodzi atrybucja treści – metoda poznania, w jaki sposób każda strona uczestniczy w ścieżkach zakupowych. To ona umożliwia weryfikowanie skuteczności poszczególnych elementów treści zarówno w przyciąganiu klientów do wejścia na stronę, jak i w nakłonieniu ich do konwersji. W praktyce jej celem jest ocena działań content marketingu na potrzeby audytu strony www, a po wdrożeniu wniosków z analizy – również bezpośrednia poprawa działania strony.

Algorytm opiera się na eksploracji ścieżek użytkowników, czyli ich kolejnych interakcjach z serwisem, co w przypadku analizy treści sprowadza się do dwóch kluczowych składowych – atrybucji intencji oraz oceny poszczególnych artykułów na blogu lub poradniku.

Atrybucja intencji

W przypadku atrybucji intencji staramy się odpowiedzieć na pytanie, czego tak naprawdę chce klient, kiedy przeszukując internet pojawia się na naszej stronie. Czy przyciągnął go dobrze napisany artykuł, a może jego wizyta to zasługa efektywnej akcji promocyjnej? Intencję towarzyszącą wejściu na witrynę odczytujemy z adresu strony docelowej. Te, które niosą ze sobą wskazówkę o celu wizyty klienta, zbieramy w grupy o wspólnej intencji:

Oczywiście jest to jedynie przykład – grupowanie zawsze powinniśmy dostosować indywidualnie w taki sposób, by jak najprecyzyjniej oddać charakter strony i wszystkie intencje, które mogą towarzyszyć użytkownikom.

Mamy więc pogrupowane prawdopodobne intencje, na podstawie których stworzymy ścieżki użytkowników. 

Naszym celem jest ocena każdej grupy ze względu na sprowadzone konwersje lub zysk. Brzmi jak trudne zadanie? Niekoniecznie. Rzetelnych wyników dostarczy atrybucja intencji – model data-driven oparty na algorytmie łańcuchów Markowa, którego skuteczność potwierdziliśmy w raportach atrybucji konwersji w Blueattribution. Wykorzystując informacje o kolejności i liczbie wystąpień kanałów (w tym przypadku grup intencji) na ścieżkach zakupowych algorytm rozdziela między nie uzyskane konwersje.

Atrybucja artykułów

Poznanie wartości bloga jako kanału przyciągającego przyszłych klientów to pierwszy krok do usprawnienia zarządzania contentem na stronie. Drugim krokiem jest ocena, które artykuły są najskuteczniejsze w skłonieniu użytkownika do zakupu. Posłużymy się w tym celu modelem opartym na ścieżkach klientów stworzonych tylko z artykułów – co oznacza, że w porównaniu do poprzedniego modelu skupiamy naszą uwagę tylko na wejściach na bloga, tym razem niekoniecznie otwierających sesję użytkownika. Do modelu przekazujemy wartość przypisaną blogowi w ramach atrybucji intencji i rozdzielamy ją sprawiedliwie między poszczególne artykuły. Wynik pozwala nam ocenić rzeczywisty udział konkretnego artykułu w konwertujących ścieżkach, a co za tym idzie – w sprzedaży. Z tej wiedzy możemy skorzystać na przykład przy wyborze najskuteczniejszych artykułów do wykorzystania w akcjach promocyjnych, a zestawiając wyznaczony przychód z kosztami przygotowania materiału, jesteśmy w stanie ocenić rentowność każdego artykułu.

Oczywiście jest to jedynie preludium do dalszej analizy. Skuteczne artykuły mogą charakteryzować się pewnymi cechami wspólnymi – na przykład autorem, długością tekstu czy też bogactwem grafiki albo jej brakiem. Łącząc dane z wynikami atrybucji mamy szansę odkryć ciekawe związki, które mogą okazać się nieocenione w planowaniu przyszłych działań i będą bezpośrednio rzutować na wzrost rentowności.

Skąd wziąć te informacje? Metryk do analizy dostarcza ReWrite – narzędzie wypracowane przez nasz zespół R&D, które łączy dane z wielu źródeł (takich jak Google Analytics, Google Search Console oraz Senuto) i umożliwia tworzenie personalizowanych raportów do oceny działań contentowych.

Jesteś zainteresowany analizą treści? Zapraszamy do kontaktu z nami i wypełnienia briefa!

Chcesz dowiedzieć się więcej o samej atrybucji? Zachęcamy do odwiedzenia naszej bazy wiedzy.

Blueattribution nie uznaje żadnych kompromisów. Bazując na danych pobranych z Google Analytics oraz dodając własne (na przykład pochodzące z systemu CRM) dane, przelicza rzeczywiste wartości, wyciskając z nich cały analityczny sok. Chcesz wiedzieć czym jest atrybucja konwersji i dlaczego to Blueattribution zna odpowiedź na pytanie w które kampanie i źródła warto inwestować? Zapraszamy do oglądania!

Chcesz wiedzieć więcej? Zajrzyj do naszej bazy wiedzy o Blueattribution

Branża próbowała już wielu rozwiązań. W większości opierają się one na powiązaniu aktywności użytkownika online – na przykład, gdy podczas pracy wchodzi na stronę, używając komputera  – z tym, co dzieje się poza internetem lub w mobile’u. Mieliśmy już etap beaconów, aktualne testowane są rozwiązania, wykorzystujące darmowe wifi lub aplikacje na urządzenia przenośne. Google bada też wykorzystanie danych o lokalizacji urządzeń (już niedługo takie raporty mają pojawić się w polskiej wersji Google Analytics). Jednak z uwagi na brak stuprocentowej pewności w rozpoznawaniu użytkowników, rozwiązania te często nie są wystarczająco skuteczne.

Zespół Marketing Analytics w Bluerank postanowił przeanalizować ten problem z innej strony, odpowiadając na pytanie w jaki sposób aktywności zasięgowe – nieprzynoszące użytkowników bezpośrednio na stronę internetową – wpływają na ruch i sprzedaż w sklepie. W rezultacie powstał algorytm, który nazwaliśmy „atrybucją zasięgu”, który już niebawem zostanie wprowadzony jako nowy moduł do naszego narzędzia – Blueattribution.

Jak działa atrybucja zasięgu?

Nowy algorytm, korzystając z teorii szeregów czasowych, oblicza ruch bazowy oraz ocenia odchylenia od tego ruchu w czasie po emisji reklam. A tłumacząc z polskiego na polski?

1. Wyznaczamy liczbę sesji zgodną z dziennym trendem. Innymi słowy – ile sesji uzyskano bez badanych reklam zasięgowych.
2. Sprawdzamy, kiedy nastąpiły emisje reklam (im dokładniejsze dane, tym lepiej).
3. Nadwyżki w liczbie sesji, w określonym czasie od emisji, przypisujemy do reklamy.
4. Jeśli w danym okresie wystąpiło kilka reklam, to wpływ na liczbę sesji dzielimy sprawiedliwie, korzystając z dobrodziejstw regresji i innych matematycznych cudów

W rezultacie określamy, ile dodatkowych sesji lub jaka dodatkowa sprzedaż nastąpiła w określonym czasie po emisji reklamy.

Atrybucja zasięgu jako metoda badania skuteczności reklam TV

Mimo swojej prostoty, algorytm ten jest niezwykle skuteczny i funkcjonalny. Możemy użyć go na przykład w czasie badania skuteczności reklam telewizyjnych. Dzięki temu jesteśmy w stanie obliczyć wpływ konkretnej emisji reklamy z określonego kanału na wzrost zainteresowania sklepem. 

Możemy też porównywać poszczególne kanały między sobą oraz oszacować bezpośrednie korzyści z emisji – np. określić koszt każdej dodatkowej sesji tuż po wyświetleniu reklamy lub badać jej wpływ na dzienne, tygodniowe i miesięczne anomalie aktywności na stronie.

Oprócz reklam telewizyjnych, algorytm dobrze sprawdza się w badaniu wpływu reklam radiowych oraz w ocenie skuteczności krótkich i intensywnych kampanii display, w których liczy się promocja wizerunku marki, a niekoniecznie nakłanianie użytkowników do kliknięcia w banner.

Chcesz przetestować działanie atrybucji zasięgu?

Niebawem atrybucja zasięgu znajdzie się w Blueattribution  jako jeden z raportów. Jeżeli chcesz przetestować nowe rozwiązanie jako przed innymi, napisz do nas na office@blueattribution.com . Damy Ci znać, kiedy raport znajdzie się w naszym narzędziu.