Hogy jutottunk el idáig - avagy az attribúciós modell szerintem, szerintünk

Hogy jutottunk el idáig - avagy az attribúciós modell szerintem, szerintünk
Ha már arra adjuk a fejünket, hogy pénzt fektetünk abba, hogy látogatókat / vásárlókat tereljünk az oldalra, akkor szeretnénk abban a hitben élni, hogy bizony jól tesszük. Szerencsére akadnak olyan megoldások, amik segíthetnek megbizonyosodni is erről.

A szakmánkban szóbeszéd szintjén évek óta jelen van az attribúciós modellezés, és lehet, hogy az ingyenes google analytics adta lehetőségekkel sokan élnek is - a konverziókat hajtó kollégák a last click modellel biztos -, de ennél mélyebbre egyelőre, úgy gondolom, még kevesen jutottak. Sok esetben még az sem triviális, hogy mi is olvasható ki egy ilyen modellből, nem hogy mit is takar...

Az attribúciós modell szerintem az, ami megmutatja számunkra, hogy egy felhasználó, milyen interakciók mentén érte el a számunkra fontosnak tartott, és kitűzött célt - ami például lehet egy sikeres vásárlás!

A kedvenc focis példámmal élve, megmutatja a gólt érő teljes támadást. Honnan indult a labda, kik voltak az asszisztálók, és végül ki is szerezte a gólt.

Ezen adatok mentén megismerhetjük, hogy hány interakció kell átlagosan egy cél eléréséhez, hány nap telik el az első interakció és az utolsó között, mik voltak azok a felületek, amik az indításban, az asszisztálásban, vagy a gólszerzésben jeleskedtek, illetve, mik azok, amik igazából sehol sem. Interakció alatt érthetünk minden olyan digitális érintkezést, amit a felhasználó velünk kapcsolatba mérhetően tesz - lehet ez banner megtekintés, hirdetésre történő kattintás, weboldal látogatás stb…

A modellünk például kirajzolhat egy olyat, hogy a vásárlók 10%-a youtube hirdetéssel találkozott először, amire nem kattintottak, de megnézték, majd organikus forgalomból jártak a weboldalunkon, utána pedig 5 remarketing bannerrel találkoztak 3 különböző médiumon (amikből a másodikra kattintottak csak), és végül Google Ads keresés zárta a konverziót. Ez a folyamat pedig átlagosan 4 nap alatt zajlott le.

Mi is kell ehhez?
Mérés - ha már a digitális játszótéren vagyunk ez egy elengedhetetlen lépés. Azonban, ha szeretnénk attribúciós modellel támogatni a mindennapjainkat, akkor elengedhetetlen egy közös platformba terelni az összes, vagy lehetőség szerint a legtöbb tevékenységünket. Ha ez megvan, akkor nem csak a kattintásokat láthatjuk, hanem akár a banner megjelenésektől kezdve a weboldalunk direkt, vagy akár organikus forgalomból érkező látogatói is megjelenhetnek a pályánkon, kitágítva a perspektívánkat. Ha a különböző tevékenységeink eltérő helyeken kerülnek mérésre (például minden a saját kis rendszerében), akkor a modellünk jó eséllyel egy fabatkát sem ér, hiszen az adatok egyenszilárdsága megkérdőjelezhető.

Volumen - ahhoz, hogy kellő magabiztossággal lehessen megállapításokra jutni, és üzleti döntéseket hozni, szükséges egy jelentős mennyiségű adat az általunk definiált célból. Ha mindössze pár darab születik belőle naponta, akkor azzal szintén nem lehet semmit se kezdeni. De ilyenkor nem kell azonnal a kardunkba dőlni! Érdemes megnézni, hogy lehet-e a célunkon faragni - például nem az egzakt vásárlást nézni, hanem mondjuk a vásárlási folyamatunk egy korábbi lépését kiválasztani, ahol még kellő mennyiségű látogató jár az adott időszak alatt, és még a lemorzsolódás sem egetrengetően nagy.

Idő - ahhoz hogy a kellő mennyiségű adat összegyűljön még ez is kell. Különösen akkor, ha az első pontban említett dolgok nem állnak rendelkezésre. Akkor ugyanis egy fehér lappal indul a sztori, és kezdődhet elölről az adatgyűjtés. Itthon sokaknál ez akár jelenthet havi, vagy akár negyedéves távlatot is. Azonban messzebbre én már nem tekintenék, mert jelentősen csökkenhet a kampányoptimalizációs hatásunk.

Erőforrás
- a mérések gatyába rázása, illetve már maga a mérés is jelenthet plusz terhet számunkra, ezen felül a mágusunk erre fordított energiái is szorulhatnak ellentételezésre, és ha az egész modell összeállt, és valamilyen riport is készült abból, akkor a saját erőforrásaink kellenek az értelmezéshez és a döntések meghozatalához - hiszen ez nem egy csodafegyver, nélkülünk nem képes a “világunk” megváltására, vagy jobbá tételére!

“Adatmágus” - hiába van a csapatomban olyan szakértő, aki az elemzésekért felel, vagy hiába értek én is ehhez a területhez. Kiolvasni ebből az összefüggéseket, és mindezt értelmezhető formába tenni egy teljesen külön szakma, és külön embert kíván - vagy akár embereket. Feltehetőleg senki sem engedheti meg magának, hogy ezt a kompetenciát házon belülre hozza, de ügynökségi oldalon fellelhető ez a tudás.

Akkor van értelme ha:

  • Számunkra jelentős költségeket fordítunk arra, hogy a digitális csatornánk szabad szemmel is látható módon jelen legyen - akár az online térben, akár a cégünk teljesítményében.

  • Mérhető céllal futnak a hirdetések, és szeretnénk optimalizálni az egy cél elérésére szánt összegen, vagy a célok darab számát növelni.

  • Ha stratégiai vagy taktikai lépéseket tudunk tenni a modell alapján - ellenkező esetben kidobtunk egy csomó pénzt és energiát az ablakon. A Google Analytics adta hozzárendelési modellben látottak sem érnek semmit abban az esetben, hogyha csak arra jók, hogy egy meeting keretein belül adjanak egy “WAO” élményt!

  • Ha hosszabb távon fenn tudjuk tartani a modellezést - egyszeri mérések is segíthetik már helyes irányba tenni a hajónkat, de hogy lássuk döntéseink mit eredményeztek fontos a többszöri mérés!

Más szóval, ha szeretnénk, hogy a konverzió optimalizálásunk szintet lépjen, még egy lépéssel hátrébb szoruljon az “így szoktuk” szemlélet és jobban értsük mire is fordítjuk a médiabüdzést, akkor mindenképp érdemes elindulni ebbe az irányba - de azzal a tudattal, hogy időbe és energiába telik míg összeáll a történet! Ha pedig nekilendültünk, érdemes lehet leporolni 1-1 korábban elfeledett megoldást (last click alapon), hátha mégis hozzájárul a teljesítményünkhöz.

Hogy ne csak én mondjam el a területről a gondolataim, megkértem három kollégámat, hogy fejtsék ki ők is válaszukat az alábbi kérdésre - az általam írtakat, szándékosan nem osztottam meg velük, hogy ne befolyásolja őket a vélemény nyilvánításban:

Szerinted mit értünk attribuciós modell alatt, és kiknek tartanád hasznosnak ezt a megoldást?

Polgárdi Edina - Head of Account Management, Cadreon:

Az attribúciós modellek használata a digitális marketing területén egyre nélkülözhetetlenebbé válik napjaink adatgeneráló világában. Egyre nagyobb problémát okoz a hirdetőknek, hogy a rendelkezésre álló óriási adathalmazból olyan információkat tudjanak kinyerni, amelyekből megalapozott üzleti- és marketingdöntéseket lehet meghozni, és megválaszolni olyan kérdéseket, mint például: Melyik csatornán költsek több pénzt, hogy az értékesítést növeljem? Változtassak a digitális marketingstratégiámon? Ha igen, mely célzások, források irányába? Az értékesítési tölcsér aljára vagy tetejére kell jobban fókuszálnom a következő kampányom során?

Ezekre a kérdésekre nem adható meg a helyes válasz, amennyiben silókban történik az adatok feldolgozása és értékelése.

Ezért azt gondolom, azon hirdetők, akik holisztikus adatstratégiával rendelkeznek, hajlandóak időt és pénzt áldozni arra, hogy a különböző online marketingcsatornák egymásra gyakorolt hatását megértsék, hatalmas előnyre tesznek szert versenytársaikhoz képest.

A népszerű last-click attribúciós modell használatával az a veszély áll fent, hogy egyáltalán nem veszi számításba a megelőző digitális érintkezési pontokat, ezáltal teljesen eltorzulhat a hatékony marketingmixről alkotott valós kép.

Véleményem szerint a legpontosabb, legtisztább képet egy adat alapú attribúciós modelltől kaphatjuk (a szabály alapú attribúciós modellel szemben), ahol algoritmus vizsgálja meg, hogy az egyes konverziós útvonalak mely lépése mekkora szerepet játszott a vásárlás megvalósulásában. Hozzá kell tennem, az adat alapú attribúcióhoz viszont nagy mennyiségű adatra és nagyon pontos mérésekre van szükség, ami a legtöbb hazai vállalkozásnál jelenleg sajnos nem áll rendelkezésre.

Yasar Umut - Digital Director, Omnicom Media Group:


Mivel kevés piaci eszköz létezik a digitális média stratégiai vagy taktikai tervezéséhez, mind arra szorulunk, hogy a saját bőrünkön tapasztaljuk meg a lehetőségeket. Sajnos ugyanez elmondható az összmédiás kampányok méréséről, mely magába foglalja az offline tevékenységeket is. Ebből adódóan a kampányaink múltja és a belőlük kinyerhető információ az egyik legfontosabb eszköz az aktivitásaink fejlesztésére. Attribúciós modellezés pedig egy fajta technika az említett múlt megértésére:

Fogyasztóink egyre több online és offline felülettel érintkeznek és ezt további izgalmakkal fűszerezi az is, hogy ezt a digitális térben akár különböző eszközökkel is megteszik nap mint nap. Döntéseink során a megfelelő eszközön való megjelenés mellett még nagyobb hangsúlyt képvisel a megfelelő platform kiválasztása és annak a büdzsének a súlyozása! Minél több csatornán érjük el a fogyasztókat, annál inkább szükségünk van egy olyan módszerre, mely a sok csatornás érintkezés anyagi vonzatát és hatékonyságát kellően megvilágítja számunkra. Ekkor beszélhetünk attribúciós modellezésről, mely igyekszik a sok csatornás fogyasztói interakciókat egy adott célnak megfelelően kivizsgálni. Digitális attribúció mellett a legelterjedtebb változat az összmédiát elemző ökonometrikus attribúció, mely leginkább regresszió-számításon alapszik. Digitális attribúció esetében több különböző szabály alapú (utolsó interakció, első interakció, idő arányos stb.) modell is létezik, azonban a leghatékonyabb formája az úgy nevezett adat-vezérelt attribúciós modell. Adat-vezérelt vagy más néven algoritmusos modellek valószínűségszámításon alapulnak és akkor pontosak igazán, ha nem csak a megvalósult (konvertált) fogyasztói útvonalakat vizsgáljuk, hanem azokat is, melyek nem hoztak sikert.

Ilyen típusú matematikai elemzésekhez elengedhetetlen a kellő adat mennyiség, tehát az esetek nagy többségében nem heti, hanem havi vagy inkább negyedéves elemzésekről beszélhetünk. Megfelelő adat mennyiségen felül fontos, hogy több csatornás kommunikáció során alkalmazzuk. Tapasztalataim szerint akkor érdemes erőforrást és energiát belefektetni az adat-vezérelt attribúciós elemzésekbe, ha folyamatos jelenlétet tudunk biztosítani a csatornáinkon vagy az év legnagyobb eseményeire alkalmazzuk, mint például a Black Friday. Sok eszközben található már attribúciós mérés és mindegyiknek megvan a maga limitációja, tehát érdemes az elején tisztába lenni ezekkel és helyén kezelni a hiányosságokat. Mivel kampány hatékonyság és fogyasztói viselkedés vizsgálatról beszélünk azt gondolom, hogy mind a hirdetők mind pedig az ügynökségek számára is fontos eszköz, amennyiben van létjogosultsága.

Kiss Péter - Digital performance & Media team leader, eMag

Véleményem szerint az attribúciós modell egy olyan eszköz, amely megmutatja, hogy a felhasználói útvonal egyes lépései milyen szerepet játszottak egy konverzió / cél megvalósulásában. Segít az optimális médiamix összeállításában és pontosabb képet mutat az egyes csatornák teljesítményéről.

Elvárásaim egy attribúciós modellel kapcsolatban:
Számomra – jelen pillanatban – egy jó attribúciós modell:

  • algoritmus/data driven alapú és nem a klasszikus szabály alapú modellek valamelyikét használja: első-utolsó kattintás, egyenletes, időkésleltetéses, pozíció alapú stb. 

  • képes megbecsülni, hogy milyen csatorna/médiamix módosításokkal, mennyivel több vagy olcsóbb konverziót lehetett volna/lehetne elérni 

  • figyelembe veszi az adatokat arról is, amikor egy felhasználó nem kattintotta le a hirdetést, csak látta/láthatta azt 

  • különböző eszközökön keresztül is figyelemmel kíséri, beazonosítja a felhasználót: cross-device hatás mérése is alkalmas.

Egy jó marketing szakember már az online hirdetések kora előtt is tudta, hogy egy felhasználói döntésre - például, hogy melyik terméket teszi a kosárba egy bolt polcáról - nem csak egy konkrét hirdetési eszköz hat.

Szerintem azért ilyen népszerű ez a téma napjainkban – és pont ezen okokból kifolyólag javaslom is az attribúciós modell használatát –, mert:

  • egyrészt, az online hirdetések korában már pontosabban mérhető a felhasználói útvonal 

  • akár teljesen lekövethetjük, hogy egy adott felhasználó az első hirdetés észrevételétől hogyan jut el a végső konverzióig

  • másrészt, mert egyre több adat áll rendelkezésünkre és egyre több tényezőt tudunk vizsgálni, pl.: a szabály alapú modellek mellett elérhetővé váltak az algoritmus alapúak, egyre pontosabb a „cross-device” mérés stb.

  • valamint talán nem mellékesen azért, mert az egyre nagyobb reklámzaj miatt egyre nehezebb befolyásolni a felhasználókat és tapasztalataim alapján egyre drágább is egy-egy konverzió elérése.

Kinek javaslom a használatát?
Alapvetően mindenkinek csak ajánlani tudom, hogy használja az attribúciós modelleket és adatvezérelten hozzon döntéseket. Pontosabban mindenki számára, aki valamilyen formában látogatókat terel a weboldalára és van bármilyen célja a weboldalának.

Kövesd az oldalunkat a Facebook-on és a Twitteren is!


Sólyom Balázs

2017 januárjától Sólyom Balázs irányítja a UPC Magyarország online divízióját, online igazgatói pozícióban. A szakember az Inviteltől érkezett a UPC-hez, ahol szintén az online terület ...